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。
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 StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08