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。
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