ASP.NET Blazor 中 MarkupContent 拼接 HTML 的注意事项
在 ASP.NET Blazor 开发中,开发者有时会遇到需要动态构建 HTML 内容的情况。本文将通过一个典型场景,分析在 Blazor 中拼接 MarkupContent 时需要注意的技术细节。
问题现象
开发者尝试在 Blazor InteractiveServer 应用中使用 RenderFragment 动态构建一个包含 div 和 h2 标签的 HTML 结构。代码逻辑看似合理,期望输出一个包含标题的警示框,但实际渲染结果却不符合预期。
代码示例
开发者使用了以下两种方式尝试实现:
- 通过 RenderFragment 构建:
private RenderFragment RenderWholeControl => mybuilder =>
{
mybuilder.AddMarkupContent(0, """<div class="alert alert-primary">""");
mybuilder.OpenElement(1, "h2");
mybuilder.AddContent(2, "Hello Blazor");
mybuilder.CloseElement();
mybuilder.AddMarkupContent(3, "</div>");
};
- 通过多个 MarkupString 拼接:
@((MarkupString)"""<div class="alert alert-primary">""")
@((MarkupString)"""<h2>Hello Blazor</h2>""")
@((MarkupString)"""</div>""")
渲染差异
在 Interactive WebAssembly 组件中,代码能够按预期工作,生成正确的嵌套结构。但在 InteractiveServer 模式下,渲染结果出现了问题,div 和 h2 标签被拆分开来,失去了预期的嵌套关系。
技术分析
这种现象源于 Blazor 对 MarkupString 和 HTML 片段处理的核心机制:
-
HTML 片段完整性要求:Blazor 要求每个 MarkupString 必须代表一个完整的、有效的 HTML 片段。不能通过拼接不完整的 HTML 片段来构建结构。
-
渲染器差异:WebAssembly 和 Server 模式的渲染器实现有所不同,导致对不完整 HTML 片段的容错性存在差异。
-
构建器使用规范:当使用 RenderTreeBuilder 时,应该遵循完整的元素生命周期管理,避免混合使用标记内容和元素构建方法。
解决方案
要实现预期的 HTML 结构,推荐以下两种正确方式:
- 统一使用 RenderTreeBuilder 方法:
private RenderFragment RenderWholeControl => mybuilder =>
{
mybuilder.OpenElement(0, "div");
mybuilder.AddAttribute(1, "class", "alert alert-primary");
mybuilder.OpenElement(2, "h2");
mybuilder.AddContent(3, "Hello Blazor");
mybuilder.CloseElement(); // 关闭 h2
mybuilder.CloseElement(); // 关闭 div
};
- 使用完整的 MarkupString:
@((MarkupString)"""<div class="alert alert-primary"><h2>Hello Blazor</h2></div>""")
最佳实践
-
在动态构建复杂 HTML 结构时,优先使用 RenderTreeBuilder 的 Open/Close 方法。
-
如果使用 MarkupString,确保每个片段都是完整、有效的 HTML。
-
避免混合使用标记内容和元素构建方法,这可能导致不可预期的渲染结果。
-
在需要跨模式(WebAssembly/Server)兼容的场景下,更应严格遵守这些规范。
理解这些底层机制,可以帮助开发者在 Blazor 中更可靠地构建动态 UI 内容。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00