Lexical富文本编辑器v0.28.0版本深度解析
Lexical是一个由Facebook开发的现代化富文本编辑器框架,它采用了React优先的设计理念,提供了高度可定制和可扩展的编辑器解决方案。Lexical的核心优势在于其轻量级、高性能以及出色的可扩展性,开发者可以通过插件系统轻松扩展编辑器的功能。
版本亮点
本次发布的v0.28.0版本是一个包含重要错误修复和功能增强的临时小版本更新。其中最关键的修复是解决了在某些条件下DOM节点可能完全不被更新的问题(这个存在3年多的bug很少被触发)。版本带来了多项改进,包括核心功能增强、列表样式优化、表格处理改进等。
核心功能改进
节点选择删除处理标准化
新版本为NodeSelection添加了默认的删除处理程序,统一了DELETE和BACKSPACE按键的行为。现在这些按键会调用DELETE_CHARACTER_COMMAND来处理NodeSelection,通过新的NodeSelection.deleteNodes()方法移除所有选中的节点。这一改变消除了之前各个实现中存在的细微错误,开发者可以删除之前从playground复制的$onDelete处理程序。
根节点和列表节点拼接逻辑重构
RootNode和ListNode的append方法被重构并移至ElementNode的原始splice方法中。这意味着对于RootNode,当尝试插入叶子节点时,在所有插入情况下都会抛出异常,而不仅仅是append操作。对于ListNode,自动ListItemNode包装现在适用于所有插入子节点的情况。
节点插入逻辑优化
$insertNodeToNearestRoot方法现在会考虑canBeEmpty()属性,在分割当前节点时不会创建空的ElementNode(如ListNode)。这一改进使得节点插入行为更加合理和一致。
列表样式处理改进
v0.26.0版本中引入的ListItemNode项目符号继承第一个文本节点样式的方案被发现过于宽泛,因为ListItemNode的内联样式会级联到所有子节点。新版本通过CSS自定义属性来解决这个问题,开发者需要更新主题CSS来保持这一特性。
表格功能增强
表格单元格导入优化
TableCellNode的importDOM实现被修正,使其行为与其他Lexical根节点一致,正确处理
标签转换为LineBreakNode,并将顶级内联节点(包括内联装饰器)包装在ParagraphNode中。这一改进使得表格单元格的内容处理更加统一。
可滚动表格DOM更新修复
修复了Scrollable TableNode的updateDOM问题,同时重构了getDOMSlot的类型定义,使其更加精确和类型安全。
React相关改进
移除了未使用的直接依赖项,减少了包体积。同时为DraggableBlockPlugin添加了onElementChanged回调,使得开发者可以更好地控制拖拽块的行为。
实用工具增强
objectKlassEquals工具函数现在增加了类型谓词功能,提供了更好的类型安全性。
新API介绍
更新监听器新增mutatedNodes属性
UpdateListenerPayload现在包含mutatedNodes属性,当至少注册一个MutationListener时,这个属性会计算所有发生变异的节点。这对于需要监听所有节点变化的场景特别有用,特别是与NodeState结合使用时。
根节点变换顺序保证
新版本确保RootNode的节点变换总是最后执行,并提供了文档说明RootNode在其它节点变脏时总是被视为有意变脏的特殊情况。
开发者建议
对于升级到v0.28.0版本的开发者,需要注意以下几点:
- 检查并移除任何自定义的$onDelete处理程序,使用新的默认NodeSelection删除处理
- 更新ListItemNode的CSS样式处理,使用新的自定义属性方案
- 检查表格相关代码,确保适应新的单元格导入行为
- 考虑使用新的mutatedNodes属性来优化节点变化监听逻辑
这个版本虽然是一个小版本更新,但包含了对核心功能的多个重要改进和错误修复,建议所有使用Lexical的项目尽快升级以获得更稳定和一致的编辑体验。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00