RoosterJs 9.29.0版本发布:编辑器核心功能优化与问题修复
RoosterJs项目简介
RoosterJs是微软开源的一款基于TypeScript开发的富文本编辑器框架,它提供了强大的内容编辑能力和灵活的插件架构。作为一款现代化的编辑器解决方案,RoosterJs特别注重性能优化、跨浏览器兼容性和可访问性支持,被广泛应用于各类Web应用中需要富文本编辑的场景。
9.29.0版本核心更新内容
内容模型查询功能增强
本次更新对内容模型查询功能进行了重要改进,现在可以查询实体(entities)内部的块级元素。这一增强使得开发者能够更精确地获取编辑器中的结构化内容,特别是在处理复杂内容场景时,如嵌入式组件或自定义元素,查询结果将更加全面和准确。
列表缩进行为优化
针对列表项的缩进处理进行了重构和优化,主要解决了以下两个问题:
- 修复了在开始列表时缩进丢失的问题,确保列表的层级结构能够正确保持
- 移除了Tab键的缩进功能,使编辑器行为更符合现代编辑器的常规操作习惯
这项改进使得列表编辑体验更加流畅,减少了意外格式变化带来的困扰。
粘贴处理的多项改进
本次版本对粘贴功能进行了多项重要修复:
- 优化了Word文档粘贴处理,解决了特定情况下从Word桌面版粘贴内容时可能出现的问题
- 特别针对Safari浏览器下的Word粘贴进行了兼容性修复
- 改进了按钮元素的粘贴处理,现在只会粘贴按钮的文本内容而非整个按钮元素
这些改进显著提升了从外部源粘贴内容时的格式保持能力和稳定性。
表格编辑功能增强
表格相关功能是本版本的另一重点改进领域:
- 增加了对表格行高度的处理支持,完善了表格粘贴功能
- 修复了表格选择时的可访问性问题,提升了无障碍使用体验
- 增强了对逻辑根节点(Logical Root)场景下表格编辑的支持
这些改进使得表格编辑功能更加完善,特别是在复杂文档结构中的表现更加稳定。
实体边界处理优化
修复了在实体元素旁边按下Enter键时的行为问题。现在编辑器能够正确处理实体边界处的换行操作,避免了可能的内容结构破坏或意外行为。
样式处理改进
针对字体样式处理进行了优化,现在字体族名称会自动添加引号包裹,确保浏览器能够正确识别和加载指定的字体。这一改进解决了在某些情况下字体设置可能失效的问题。
事件处理优化
对选择插件(SelectionPlugin)中的鼠标移动事件处理进行了优化,防止了可能的事件重复绑定问题,提升了性能表现。
技术实现亮点
从技术实现角度看,本次更新体现了RoosterJs团队对编辑器核心架构的持续优化:
-
内容模型抽象:通过增强实体内部的块级元素查询能力,进一步完善了内容模型的抽象层次,为更复杂的编辑场景提供了基础支持。
-
行为一致性:如Tab键缩进行为的调整,体现了对编辑器操作行为标准化的追求,使不同来源的用户能够获得一致的编辑体验。
-
兼容性矩阵扩展:针对Safari等特定浏览器的优化处理,展示了项目对跨浏览器兼容性的持续投入。
-
可访问性优先:表格选择等可访问性问题的修复,反映了项目对无障碍使用的重视。
升级建议
对于正在使用RoosterJs的项目,建议评估以下升级点:
-
如果项目中大量使用列表功能,特别是多级列表,本次的缩进行为改进将显著提升用户体验。
-
对于需要从Word粘贴内容的场景,升级后将获得更稳定的粘贴效果。
-
使用表格编辑功能的项目将受益于增强的表格处理能力。
-
涉及实体元素操作的项目应注意实体边界处换行行为的变化。
升级前建议进行充分的测试,特别是关注与自定义插件或扩展功能的兼容性。
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