Quill Delta 到 HTML 解析器:将富文本编辑器内容轻松转换为 HTML

Quill Delta 到 HTML 解析器:将富文本编辑器内容轻松转换为 HTML

quill-delta-parserA PHP library to parse and render Quill WYSIWYG Deltas into HTML - Flexibel and extendible for custom elements.项目地址:https://gitcode.com/gh_mirrors/qu/quill-delta-parser

项目介绍

在现代Web开发中,富文本编辑器(WYSIWYG)已经成为内容创作的重要工具。Quill 是一款开源的、高度可定制的富文本编辑器,广泛应用于各种Web应用中。然而,Quill 生成的 Delta 格式数据在某些场景下需要转换为 HTML 以便于展示和存储。为了解决这一问题,我们推出了 Quill Delta to HTML Parser,一个专门用于将 Quill 编辑器生成的 Delta 数据解析为 HTML 的 PHP 库。

项目技术分析

Quill Delta to HTML Parser 是一个灵活且可扩展的 PHP 库,它能够将 Quill 编辑器生成的 Delta 数据解析为标准的 HTML 格式。该库的核心优势在于其简单且一致的解析机制,使得开发者可以轻松地扩展和理解其工作原理。此外,该库还内置了输出值的净化功能,确保生成的 HTML 更加安全,特别适用于处理用户生成的内容。

主要技术特点:

  • 灵活的解析机制:每个元素都通过相同的解析机制处理,使得扩展和理解变得简单。
  • 安全输出:内置的净化功能确保生成的 HTML 更加安全,防止 XSS 等安全问题。
  • 易于扩展:支持自定义元素的解析,适用于处理 Quill 插件生成的自定义 Delta 代码。
  • 调试支持:提供调试工具,帮助开发者理解 Delta 数据的解析过程。

项目及技术应用场景

Quill Delta to HTML Parser 适用于以下场景:

  • 内容管理系统(CMS):在 CMS 中,用户通过 Quill 编辑器创建内容,系统需要将这些内容转换为 HTML 格式存储和展示。
  • 博客平台:博客作者使用 Quill 编辑器撰写文章,平台需要将文章内容转换为 HTML 以便于展示。
  • 在线文档编辑:在协作编辑工具中,用户通过 Quill 编辑器编辑文档,系统需要将文档内容转换为 HTML 格式以便于展示和共享。

项目特点

  • 灵活性:支持自定义元素的解析,适用于处理 Quill 插件生成的自定义 Delta 代码。
  • 安全性:内置的净化功能确保生成的 HTML 更加安全,防止 XSS 等安全问题。
  • 易用性:简单一致的解析机制,使得扩展和理解变得简单。
  • 调试支持:提供调试工具,帮助开发者理解 Delta 数据的解析过程。

如何使用

安装

通过 Composer 安装:

composer require nadar/quill-delta-parser

基本用法

require __DIR__ . '/vendor/autoload.php';

$json = '{"ops":[{"insert":"Hello"},{"attributes":{"header":1},"insert":"\n"},{"insert":"\nThis is the PHP Quill "},{"attributes":{"bold":true},"insert":"parser"},{"insert":"!\n"}]}';

$lexer = new \nadar\quill\Lexer($json);
echo $lexer->render();

扩展解析器

通过添加自定义监听器,可以扩展解析器以处理自定义的 Delta 代码。例如,处理 Quill 提及插件生成的 Delta 代码:

class Mention extends InlineListener
{
    public function process(Line $line)
    {
        $mention = $line->insertJsonKey('mention');
        if ($mention) {
            $this->updateInput($line, '<strong>'.$mention['value'].'</strong>');
        }
    }
}

$lexer = new Lexer($json);
$lexer->registerListener(new Mention());
echo $lexer->render();

调试

使用调试工具,可以打印出 Delta 数据的解析过程:

$lexer = new Lexer($json);
$lexer->render();

$debug = new Debug($lexer);
echo $debug->debugPrint();

结语

Quill Delta to HTML Parser 是一个强大且易用的 PHP 库,它能够帮助开发者轻松地将 Quill 编辑器生成的 Delta 数据转换为 HTML 格式。无论是在内容管理系统、博客平台还是在线文档编辑工具中,该库都能提供可靠的支持。如果你正在寻找一个灵活、安全且易于扩展的解决方案,不妨试试 Quill Delta to HTML Parser

quill-delta-parserA PHP library to parse and render Quill WYSIWYG Deltas into HTML - Flexibel and extendible for custom elements.项目地址:https://gitcode.com/gh_mirrors/qu/quill-delta-parser

  • 2
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

郎轶诺

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值