Webiny项目中自定义Lexical节点的渲染问题解析
在Webiny项目的开发过程中,扩展Lexical编辑器并实现自定义节点的渲染是一个常见需求。本文将以一个实际案例为基础,深入分析如何正确实现自定义Lexical节点在Webiny Headless CMS中的渲染。
问题背景
开发者在Webiny v5.40.5版本中尝试扩展Lexical编辑器,创建了名为layoutContainer和layoutItem的自定义节点。这些节点能够成功插入、保存并通过GraphQL API获取,但在页面刷新后,节点内容虽然被获取,却无法正确渲染出富文本编辑器界面。
初始解决方案分析
开发者最初尝试通过RichTextLexicalRenderer组件来渲染保存的数据:
{
type: "cms-content-form-renderer",
modelId: "page",
render(props) {
return <RichTextLexicalRenderer
value={props.data?.content}
nodes={[LayoutContainerNode, LayoutItemNode]}
/>
}
}
这种方法虽然能够显示保存的数据,但存在两个明显缺陷:
- 失去了原有的表单布局结构
- 内容变为不可编辑状态
正确配置方法
经过深入分析,正确的解决方案需要理解Webiny中不同模块的Lexical配置是独立的。Headless CMS和Page Builder各自拥有自己的Lexical配置上下文,需要分别进行配置。
1. 多模块配置
需要在应用程序中同时为Headless CMS和Page Builder配置Lexical编辑器:
import { LexicalEditorConfig } from "@webiny/app-headless-cms";
import { LexicalEditorConfig as LexicalEditorConfigAppPageBuilder } from "@webiny/app-page-builder";
export const App = () => {
return (
<Admin>
{/* 其他组件... */}
<LexicalEditorConfig>
<Plugin name="insertColumns" element={<InsertColumnsPlugin />} />
<ToolbarAction name="insertColumns" element={<InsertColumnsAction />} />
<Node name="layoutContainerNode" node={LayoutContainerNode} />
<Node name="layoutItemNode" node={LayoutItemNode} />
</LexicalEditorConfig>
<LexicalEditorConfigAppPageBuilder>
<LexicalEditorConfigAppPageBuilder.Heading.Node
name="layoutContainerNode"
node={LayoutContainerNode}
/>
{/* 其他Page Builder节点配置... */}
</LexicalEditorConfigAppPageBuilder>
</Admin>
);
};
2. 渲染性能优化
最终的解决方案中引入了debounceRender高阶组件来优化编辑器渲染性能:
import { RichTextEditor } from "@webiny/lexical-editor";
import debounceRender from "react-debounce-render";
const DecoratedEditor = RichTextEditor.createDecorator((original) => debounceRender(original));
export const App = () => {
return (
<Admin>
{/* 其他配置... */}
<DecoratedEditor />
</Admin>
);
};
技术要点总结
-
模块隔离性:Webiny中不同模块(Headless CMS、Page Builder等)的Lexical配置是相互独立的,需要分别进行配置。
-
节点注册:自定义节点需要在所有相关模块中注册,确保在各种上下文中都能正确识别和渲染。
-
渲染优化:对于复杂的富文本编辑器,使用防抖技术可以显著提升性能,避免不必要的重渲染。
-
上下文区分:
RichTextLexicalRenderer适用于只读场景,而可编辑场景需要使用完整的编辑器配置。
通过以上分析和解决方案,开发者可以成功在Webiny项目中实现自定义Lexical节点的完整功能,包括编辑和渲染能力。这一案例也展示了Webiny框架中模块化设计和上下文隔离的重要性。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00