SuperEditor中块节点删除后光标位置处理的Bug分析
问题背景
在SuperEditor富文本编辑器的开发过程中,发现了一个关于块节点删除后光标位置处理的逻辑缺陷。当用户在块节点(如HorizontalRuleNode)上使用折叠选择(collapsed selection)时,系统错误地返回了TextPosition类型的位置信息,而实际上应该返回UpstreamDownstreamNodePosition类型。
问题复现
通过一个简单的测试用例可以复现这个问题:
test("getDocumentPositionAfterExpandedDeletion on block node", () {
final node = HorizontalRuleNode(id: "1");
final document = MutableDocument(nodes: [node]);
final selection = DocumentSelection.collapsed(
position: DocumentPosition(
nodeId: node.id,
nodePosition: node.endPosition,
),
);
final position = CommonEditorOperations.getDocumentPositionAfterExpandedDeletion(
document: document,
selection: selection,
);
expect(position is UpstreamDownstreamNodePosition, isTrue);
});
在这个测试中,我们创建了一个水平线节点(HorizontalRuleNode),并在其末尾设置了一个折叠选择。理论上,当尝试删除这个选择时,系统应该返回一个UpstreamDownstreamNodePosition,但实际上却返回了TextPosition。
技术分析
当前实现的问题
当前CommonEditorOperations.getDocumentPositionAfterExpandedDeletion方法的实现存在以下问题:
-
类型判断不准确:对于块节点的处理,方法错误地假设所有块节点在被删除时都会被转换为ParagraphNode,因此返回了TextNodePosition。
-
折叠选择处理不当:对于折叠选择(即光标位置而非选择范围),方法没有做特殊处理,而是直接按照扩展选择的方式处理,导致返回了错误的位置类型。
正确的处理逻辑
根据富文本编辑器的常规行为,应该遵循以下原则:
-
折叠选择处理:当选择是折叠的(即只是一个光标位置),不应该执行任何删除操作,因此应该返回原始选择位置或者null表示不需要改变选择。
-
块节点位置类型:对于块节点,正确的位置类型应该是UpstreamDownstreamNodePosition,因为它需要明确表示是在节点的上游还是下游。
解决方案
经过讨论,开发团队确定了两种可能的解决方案:
-
返回null方案:修改方法使其在遇到折叠选择或不可删除节点时返回null,表示不需要改变当前选择。这种方案保持了与不可删除节点处理的一致性。
-
返回原选择方案:修改方法使其在遇到折叠选择时返回原始选择位置。这种方案更直观,但需要同时修改不可删除节点的处理逻辑以保持一致。
最终团队倾向于第一种方案,因为它更符合方法的设计初衷 - 只在确实发生删除操作时返回新位置,否则返回null表示不需要改变。
影响范围
这个修复会影响以下场景:
- 用户在块节点上使用删除键时的光标行为
- 程序化删除操作后的光标定位
- 与块节点相关的所有删除操作后的位置计算
总结
这个Bug揭示了SuperEditor在处理块节点删除操作时的一个逻辑缺陷。通过分析,我们明确了正确的处理方式应该是:对于折叠选择,不执行删除操作并返回null;对于块节点,返回正确的UpstreamDownstreamNodePosition类型。这个修复将提高编辑器在处理块节点时的行为一致性和用户体验。
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-5.1GLM-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
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- 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
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00