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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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