Milkdown项目中自定义节点属性的实现方法
2025-05-24 15:18:19作者:殷蕙予
理解Milkdown的节点属性系统
Milkdown作为一款现代化的Markdown编辑器框架,提供了灵活的节点属性定制能力。在实际开发中,我们经常需要为特定节点添加自定义属性,比如为标题节点添加特定的class或id属性。
常见误区与问题分析
许多开发者尝试直接通过修改AST节点数据来添加属性,比如使用unist-util-visit工具遍历并修改heading节点的data.hProperties。然而这种方法往往无法生效,原因在于Milkdown的节点渲染流程中,AST到ProseMirror节点的转换过程会覆盖这些手动修改。
正确实现方式
1. 扩展基础节点Schema
要实现节点属性的自定义,首先需要扩展基础节点Schema。以heading节点为例:
const customHeadingSchema = headingSchema.extendSchema((prev) => {
return ctx => {
const baseSchema = prev(ctx)
return {
...baseSchema,
attrs: {
...baseSchema.attrs,
hProperties: {
default: null,
},
parseMarkdown: {
...baseSchema.parseMarkdown,
runner: (state, node, type) => {
const depth = node.depth as number
const hProperties = node.data?.hProperties || {}
state.openNode(type, {
level: depth,
hProperties: {
...hProperties,
class: 'custom-heading-class',
id: 'custom-heading-id'
}
})
state.next(node.children)
state.closeNode()
}
}
}
}
}
})
2. 配置编辑器实例
在创建编辑器实例时,需要正确配置自定义的Schema:
const editor = Editor.make()
.config((ctx) => {
ctx.set(headingAttr.key, (node) => {
return {
...node.attrs,
hProperties: {
...node.attrs.hProperties,
class: 'additional-class'
}
}
})
})
.use(customHeadingSchema)
关键点解析
-
Schema扩展机制:Milkdown使用Schema来描述文档结构,任何节点属性的修改都需要通过Schema扩展来实现。
-
属性继承:在扩展Schema时,需要正确处理原有属性的继承关系,避免覆盖重要属性。
-
Markdown解析流程:parseMarkdown.runner方法负责将Markdown AST转换为ProseMirror节点,这是注入自定义属性的最佳时机。
-
运行时属性修改:通过headingAttr配置可以在运行时动态修改节点属性,但前提是Schema已经支持这些属性。
实际应用建议
-
对于简单的属性添加,优先考虑使用headingAttr配置。
-
对于复杂的定制需求,建议完整扩展节点Schema。
-
注意属性命名冲突,避免覆盖系统保留属性。
-
考虑属性的序列化问题,确保自定义属性能正确转换为Markdown。
通过理解Milkdown的节点渲染流程和Schema系统,开发者可以灵活地实现各种节点定制需求,打造符合项目特色的编辑器体验。
登录后查看全文
热门项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0113- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
SenseNova-U1-8B-MoT-SFTenseNova U1 是一系列全新的原生多模态模型,它在单一架构内实现了多模态理解、推理与生成的统一。 这标志着多模态AI领域的根本性范式转变:从模态集成迈向真正的模态统一。SenseNova U1模型不再依赖适配器进行模态间转换,而是以原生方式在语言和视觉之间进行思考与行动。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
项目优选
收起
暂无描述
Dockerfile
717
4.57 K
Ascend Extension for PyTorch
Python
582
713
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
419
359
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
1.09 K
601
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
685
113
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++
963
958
deepin linux kernel
C
28
16
🎉 (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
1.62 K
954
昇腾LLM分布式训练框架
Python
153
179
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
141
223