Code Hike项目中Scrollycoding组件嵌套其他标签的实现方法
在Code Hike项目中,Scrollycoding组件是一个非常实用的功能,它允许开发者在滚动页面时动态展示代码变化。然而,当我们需要在Scrollycoding组件中嵌套使用其他自定义标签(如CodeWithTooltips或CodeSwitcher)时,会遇到一些技术挑战。
问题背景
开发者Windsooon尝试在Scrollycoding组件内部使用CodeWithTooltips标签时遇到了错误提示:"Error for code: Required"。这个问题的根源在于Scrollycoding组件默认期望接收一个代码块对象,而CodeWithTooltips返回的是一个React组件。
解决方案探索
初始尝试
Windsooon首先尝试通过修改Schema来扩展Scrollycoding的解析能力:
const Schema = Block.extend({
steps: z.array(
Block.extend({
sticker: Block.extend({
code: CodeBlock,
tooltips: z.array(Block).optional(),
})
})),
})
然而,这种方法仍然无法正确解析嵌套的组件结构,因为Schema的层级关系没有正确匹配实际的MDX结构。
正确实现方式
经过项目维护者pomber的指导,正确的解决方案是简化Schema结构,将sticker定义为基本的Block类型:
const Schema = Block.extend({
steps: z.array(Block.extend({sticker: Block})),
})
然后在渲染时直接使用step.sticker.children来渲染嵌套组件的内容:
<Selection
from={steps.map((step) => (
step.sticker.children
))}
/>
这种方法保留了嵌套组件的完整功能,同时避免了Schema解析的复杂性。
样式调整技巧
在实现过程中,Windsooon还发现了一个样式相关的问题:token-transitions处理器会为Token添加display: inline-block样式,这会影响tooltip的下划线效果。解决方案是在tooltip处理器中显式添加border样式:
export const tooltip: AnnotationHandler = {
name: "tooltip",
Inline: ({ children, annotation }) => {
return (
<TooltipProvider>
<Tooltip>
<TooltipTrigger
className="underline decoration-dashed"
style={{ borderBottom: "1px dashed black" }}
>
{children}
</TooltipTrigger>
{/* ... */}
</Tooltip>
</TooltipProvider>
)
},
}
最佳实践建议
-
保持Schema简洁:当需要在Scrollycoding中嵌套其他组件时,尽量使用基本的Block类型,避免过度定义Schema结构。
-
组件解耦:将功能性的组件(如CodeWithTooltips)设计为独立的单元,通过children属性与父组件交互。
-
样式覆盖:当遇到内置样式冲突时,优先考虑使用更具体的样式规则来覆盖默认行为。
-
文档贡献:考虑将这种嵌套组件的使用方式添加到项目文档中,帮助其他开发者避免类似问题。
通过这种方法,开发者可以灵活地在Scrollycoding组件中集成各种自定义功能,同时保持代码的清晰和可维护性。
kernelopenEuler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。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00