Milkdown编辑器标题降级行为分析与优化方案
问题现象描述
在Milkdown编辑器中,当用户使用三级标题(###)时,按下退格键(Backspace)会出现不符合预期的行为。具体表现为:第一次按退格键会将三级标题降级为二级标题,第二次按退格键会降级为一级标题,第三次按退格键才会将光标移动到上一行。
这种渐进式的标题降级行为给用户带来了操作上的不便,特别是当用户想要快速删除整个标题时,需要多次按键才能达到预期效果。
技术背景分析
Milkdown是一个基于ProseMirror构建的现代化Markdown编辑器。在ProseMirror的架构中,文档结构被建模为一个节点树,每个节点都有特定的类型和属性。标题(heading)节点通常包含一个表示级别的属性(如level: 1, 2, 3等)。
默认情况下,ProseMirror对标题节点的处理逻辑是逐步降低标题级别,这与Markdown编辑器的常见用户预期不符。大多数Markdown编辑器在处理标题删除时,会直接将标题转换为普通段落或完全删除节点。
解决方案设计
针对这个问题,我们可以设计一个自定义命令来优化标题的删除行为。核心思路是:
- 检测当前光标位置是否在标题节点开头
- 如果是,则直接删除整个标题节点或转换为段落
- 如果不是标题节点或不在开头,则执行默认行为
实现代码解析
以下是优化后的实现代码:
function deleteNode(state: EditorState, dispatch?: (tr: Transaction) => void) {
const { $from } = state.selection;
const { tr } = state;
tr.delete($from.before(), $from.after());
if (dispatch) dispatch(tr);
return true;
}
export const downgradeHeadingCommand = $command("DowngradeHeading", (ctx) => () => (state, dispatch, view) => {
const { $from } = state.selection;
const node = $from.node();
// 检查是否在标题节点且光标在开头
if (node.type !== headingSchema.type(ctx) || !state.selection.empty || $from.parentOffset !== 0) {
// 特殊处理:当光标在第二个字符位置时直接删除节点
if ($from.parentOffset === 1) return deleteNode(state, dispatch);
return false;
}
// 标题节点且光标在开头时直接删除
if (node.type === headingSchema.type(ctx) && $from.parentOffset === 0) {
return deleteNode(state, dispatch);
}
// 默认行为:转换为段落
return setBlockType(paragraphSchema.type(ctx))(state, dispatch, view);
});
技术要点说明
-
节点删除逻辑:
deleteNode函数通过获取当前选择位置的前后边界,使用事务(Transaction)删除整个节点范围。 -
条件判断:
- 首先检查当前节点是否为标题类型
- 检查选择是否为空选择(避免影响文本选择)
- 检查光标是否在节点开头
-
特殊处理:当光标位于标题第二个字符位置时(如"# "后面),也执行直接删除操作。
-
回退行为:如果不符合上述条件,则执行默认的转换为段落行为。
用户体验优化
这种实现方式相比原来的渐进式降级有以下优势:
-
操作效率:用户只需一次退格键即可删除整个标题,减少了按键次数。
-
行为一致:符合大多数Markdown编辑器的操作习惯,降低用户学习成本。
-
边界处理:考虑了光标在不同位置的合理行为,避免产生意外结果。
扩展思考
这种自定义命令的模式可以推广到其他类似场景:
- 列表项的删除行为优化
- 代码块的快速退出
- 引用块的整段删除
通过分析用户操作习惯和预期,我们可以为各种块级元素设计更符合直觉的编辑行为,从而提升整体编辑体验。
总结
Milkdown作为一款现代化的编辑器框架,通过自定义命令机制提供了强大的扩展能力。针对标题删除行为的优化展示了如何利用ProseMirror的API来改善用户体验。开发者可以借鉴这种思路,为编辑器添加更多符合用户预期的交互行为。
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