Liveblocks 存储更新中展示被删除对象的实现方案
背景介绍
Liveblocks 是一个实时协作框架,它提供了多种数据结构如 LiveMap、LiveList 和 LiveObject 来帮助开发者构建协作应用。在实际开发中,我们经常需要监听这些数据结构的变化并做出相应的响应。
问题描述
在开发过程中,有一个常见需求:当文档中的某些特定对象被删除时(例如从 LiveList 中移除),需要执行一些非 UI 相关的处理逻辑。然而,当前的 LiveList 更新机制中,删除操作只提供了被删除项的索引信息,而没有提供被删除项本身的内容,这使得开发者难以获取完整的变更信息。
技术分析
Liveblocks 的更新机制通过 delta 对象来描述变更,当前 LiveListUpdateDelta 的类型定义如下:
type LiveListUpdateDelta =
| { type: "insert"; index: number; item: Lson }
| { type: "delete"; index: number }
| { type: "move"; index: number; previousIndex: number; item: Lson }
| { type: "set"; index: number; item: Lson };
可以看到,delete 操作只包含 index 信息,而其他操作如 move 和 insert 都包含了完整的项信息。这种不对称性给开发者带来了不便。
解决方案
Liveblocks 团队在最新版本中增加了对删除项信息的支持,新的类型定义如下:
type LiveListUpdateDelta =
| { type: "insert"; index: number; item: Lson }
| { type: "delete"; index: number; deletedItem: Lson }
| { type: "move"; index: number; previousIndex: number; item: Lson }
| { type: "set"; index: number; item: Lson };
关键变化是在 delete 操作中新增了 deletedItem 字段,这样开发者就能获取到被删除项的完整信息。
实现细节
-
数据一致性:新增的 deletedItem 字段确保了即使在批量操作中,开发者也能准确获取被删除的对象。
-
性能考虑:虽然增加了数据传输量,但对于大多数应用场景来说,这种开销是可以接受的,特别是考虑到它带来的开发便利性。
-
向后兼容:这一变更不会影响现有代码,因为新增字段是可选的(在 TypeScript 中表现为必填,但运行时旧代码仍能工作)。
最佳实践
-
订阅变更:使用 room.subscribe 方法订阅最高层级的 map 对象变更。
-
处理删除操作:在新的实现中,可以直接从 deletedItem 字段获取被删除的对象,无需额外的状态管理。
-
错误处理:虽然不常见,但仍建议对 deletedItem 进行空值检查以确保代码健壮性。
总结
Liveblocks 的这一改进显著提升了开发者在处理列表删除操作时的便利性。通过提供被删除项的完整信息,开发者可以更轻松地实现各种业务逻辑,如审计日志、数据同步等。这一变更体现了 Liveblocks 团队对开发者体验的重视,也展示了框架在不断演进以满足实际开发需求。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00