Shiki项目在Safari浏览器中的语法高亮异常问题解析
问题背景
Shiki作为一款流行的代码语法高亮工具,近期在Safari浏览器中出现了异常表现。具体表现为:当使用JavaScript引擎进行语法高亮时,在Safari浏览器中会出现高亮错误,而Chrome等其他浏览器则表现正常。这一问题在Shiki 3.2.0及以上版本中出现,且仅在使用JavaScript引擎时发生。
问题现象
在Safari浏览器中,特别是当使用服务器端渲染(SSR)和客户端水合(hydration)时,语法高亮会出现以下异常:
- 高亮区域不正确,部分语法元素未被正确识别
- 在某些情况下,文本内容会被错误地复制到行末
- 问题在SSR阶段表现正常,但在客户端水合后出现异常
相比之下,Chrome浏览器和WebKit内核在完整页面加载前都能正确显示高亮效果。
技术分析
经过深入调查,发现问题根源在于WebKit引擎对正则表达式v标志的处理存在缺陷。具体表现为:
-
正则表达式v标志问题:WebKit在处理嵌套的否定字符类时存在错误。例如,正则表达式
/[a[^a-z]]/v在WebKit中会错误地匹配字符'b',而无法正确匹配字符'!'。 -
版本依赖关系:
- Shiki 3.2.0开始使用Oniguruma-To-ES 4.1.0及以上版本
- 问题与tm-grammars 1.23.1版本引入的变更有关
- 该版本引入了oniguruma-parser正则表达式优化器,导致大量正则表达式发生变化
-
引擎差异:
- 使用Oniguruma引擎时表现正常
- 仅在使用JavaScript引擎时出现问题
- 将JavaScript引擎目标设置为'ES2018'可以规避此问题
解决方案
针对这一问题,开发者采取了以下解决方案:
-
Oniguruma-To-ES修复:在Oniguruma-To-ES 4.3.3版本中,对嵌套的否定字符类进行了特殊处理,将其转换为与u标志兼容的形式。例如,将
[a[^a-z]]转换为(?:[a]|[^a-z])。 -
临时解决方案:
- 使用Oniguruma引擎替代JavaScript引擎
- 将JavaScript引擎目标显式设置为'ES2018'
- 对于SSR应用,确保服务器端和客户端使用相同的引擎
最佳实践建议
-
版本选择:确保使用包含修复的Oniguruma-To-ES 4.3.3及以上版本。
-
引擎配置:在Safari占比较高的用户群体中,考虑统一使用Oniguruma引擎或设置ES2018目标。
-
测试策略:在跨浏览器测试中,特别关注Safari下的语法高亮表现。
-
问题监测:关注WebKit引擎的更新,特别是对正则表达式v标志处理的改进。
总结
这一案例展示了浏览器引擎差异可能导致的复杂问题。作为开发者,我们需要:
- 充分理解所依赖工具的技术实现细节
- 建立完善的跨浏览器测试机制
- 保持对上游问题的关注和反馈
- 在技术选型时考虑浏览器兼容性因素
通过这次问题的分析和解决,Shiki项目在浏览器兼容性方面又迈出了重要一步,为开发者提供了更可靠的语法高亮解决方案。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- 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
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00