Vditor编辑器批量删除选中元素的实现方案
2025-05-25 11:32:57作者:郦嵘贵Just
在使用Vditor编辑器进行富文本编辑时,开发者可能会遇到需要批量操作选中元素的需求。本文将以批量删除图片为例,详细介绍在wysiwyg模式下实现这一功能的技术方案。
问题背景
在Vditor的wysiwyg模式下,当开发者需要批量处理文档中的图片元素时,常规的DOM操作会遇到一些挑战。主要问题在于:
- Vditor实例提供的deleteValue方法每次调用后都会触发重新渲染
- 直接操作DOM后,编辑器状态可能不同步
- 批量操作时元素引用会失效
技术实现方案
方案一:组合DOM操作与编辑器API
通过分析Vditor源码可以发现,deleteValue方法底层实际上是调用了document.execCommand('delete')命令。基于这一发现,我们可以采用混合操作的方式:
- 首先通过querySelectorAll获取所有目标img元素
- 对于前n-1个元素,直接使用selection.deleteFromDocument()删除
- 对最后一个元素使用vditor.deleteValue()方法删除
这种组合方案利用了原生DOM操作的高效性,同时通过最后一个操作触发编辑器的重新渲染,确保编辑器状态同步。
方案二:完整DOM操作后重置内容
另一种更通用的方案是:
- 获取编辑器当前内容的DOM表示
- 在DOM中执行所有需要的修改(删除、更新等)
- 使用vditor.setValue()方法将修改后的DOM重新设置回编辑器
这种方法虽然会触发完整的重新渲染,但对于复杂的批量操作更为可靠。
实现注意事项
- 性能考虑:对于大量元素的操作,方案二可能更优,因为减少了中间渲染次数
- 选区保持:操作后可能需要手动恢复选区位置
- 撤销堆栈:批量操作可能会影响编辑器的撤销/重做功能
- 事件监听:注意编辑器可能对DOM变化有监听,避免冲突
最佳实践建议
对于图片批量删除这种典型场景,推荐以下实现步骤:
// 获取所有目标图片元素
const images = document.querySelectorAll('img.to-delete');
if (images.length === 0) return;
// 保存当前选区
const selection = vditor.wysiwyg.getSelection();
// 执行批量删除
images.forEach((img, index) => {
if (index < images.length - 1) {
// 前n-1个直接DOM删除
img.parentNode.removeChild(img);
} else {
// 最后一个使用编辑器API删除
vditor.wysiwyg.selectElement(img);
vditor.deleteValue();
}
});
// 恢复选区
vditor.wysiwyg.setSelection(selection);
总结
Vditor作为一款功能强大的编辑器,在批量操作方面需要开发者理解其内部渲染机制。通过合理组合原生DOM操作和编辑器API,可以实现高效的批量处理功能。开发者应根据具体场景选择最适合的方案,并注意保持编辑器状态的同步。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
346
147