ProseMirror model（下）：Schema 与 content expression，文档的类型系统

前两篇把文档树的存储看完了：Node 记类型、属性和内容，Fragment 缓存子节点和尺寸，Mark 挂在节点上不进树。这些对象都带着 type 字段指向 NodeType 或 MarkType，但类型对象从哪来、「这个节点里允许放什么」由谁回答，还没展开。这篇读 src/schema.ts 和 src/content.ts 两个文件：前者定义 Schema、NodeType、MarkType 三个类和一组 spec 接口，后者把 content 表达式编译成一台有限自动机。参考代码是 prosemirror-model 的 6264de0。

系列目录

NodeSpec 的字段

NodeSpec 是纯数据接口，描述一种节点允许什么、表现为什么。逐字段过一遍。

content 是内容表达式，声明子节点允许的类型和顺序，写法类似正则，不给则节点不允许任何内容。这是本篇后半的主题。group 是空格分隔的组名列表，供其他节点的 content 表达式引用：paragraph 声明 group: "block" 之后，别的节点写 "block+" 就涵盖了它。组是表达式里唯一的复用机制，类型之间没有继承。

marks 声明节点内容里允许哪些 mark，有四种写法："_" 显式允许全部；空格分隔的 mark 名或 mark 组名；"" 显式禁止；不写时有 inline 内容的节点默认允许全部，其余节点默认禁止。inline 为 true 表示 inline 节点（text 类型隐含），NodeType 上 isBlock 取它的反，isTextblock = isBlock && inlineContent，这组 getter 把节点分成块、行内、文本块三类。atom 表示节点没有可直接编辑的内容，view 层把它当成整体对待，isAtom = isLeaf || !!spec.atom，叶节点天然是 atom。

code 标记代码类节点，一些命令对它区别对待；whitespace 控制 DOM 解析时的空白处理，"pre" 保留空白，缺省情况下 code 为 true 时自动按 "pre" 处理。selectable 和 draggable 控制节点能否被 NodeSelection 选中、能否不选中直接拖动。

defining 是三个关联的开关。definingAsContext 表示替换操作（比如粘贴）中这个节点作为上下文要保留：普通父节点在内容被整个替换时会被丢弃，defining 的会留下来包住新内容。definingForContent 表示插入内容时尽量保留内容外侧的这类父节点。defining 等于同时打开前两个。消费方在 transform 的 replace 算法里，典型的定义对象是列表项和非默认段落的文本块。isolating 表示节点两侧成为编辑操作的边界，退格、lift、join 这类操作不越过它，表格单元格是典型例子；model 的 replace.ts 计算 Slice 打开深度时同样不进 isolating 节点。

toDOM 和 parseDOM 是序列化与解析规则，第 9、10 篇展开。leafText 给叶节点提供抽取纯文本时的替代字符串，toDebugString 定制调试输出，linebreakReplacement 把某个 inline 叶节点标为换行替代节点，全 schema 只能有一个，构造器里会检查。接口最后带一个 [key: string]: any，业务可以在 spec 上挂自定义字段，通过 NodeType.spec 读回，扩展包用这条路传递自己的元数据。

NodeType 构造器把这份纯数据变成可查询的类型对象：group 字符串 split 成 groups 数组，attrs 包成 Attribute，isBlock 由 spec.inline 和名字是否为 text 推出，contentMatch 和 inlineContent 先占位 null，等 Schema 构造器的主循环回填。一个 schema 里每种类型只有一个 NodeType 实例，类型比较一律用引用相等，这与 Node、Mark 上的约定一致。

MarkSpec 的字段

MarkSpec 比 NodeSpec 小一圈，但有几个字段直接决定格式的行为。

attrs 与节点同套机制。inclusive 控制光标停在 mark 边界上时这个 mark 算不算激活，默认 true，链接是反例的典型：光标停在链接末尾继续打字，多数人期望新文字不进链接，把 inclusive 设为 false 就能做到。excludes 声明互斥关系，缺省时只排除自己（同一类型不能叠两个），设成 "" 则允许同类型不同 attrs 的多个实例共存，设成 "_" 排除所有 mark，也可以写其他 mark 的名字或组名。spanning 控制序列化成 DOM 时能否跨相邻节点合并，默认 true。code 把这段内容标为代码，一些命令和扩展据此区别对待，code mark 通常同时配 excludes: "_"，让代码段里容不下其他格式。group 让 mark 也能被按组引用，gatherMarks 和 marks 表达式都认。toDOM、parseDOM 是序列化与解析规则，同样留给第 9、10 篇。

MarkType 实例上有几个派生成员：rank 是 compile 时按声明顺序发的序号，mark 集合的排序用它；instance 是全默认值时的共享 Mark 单例；excluded 是 Schema 构造器里算好的互斥列表。removeFromSet、isInSet、excludes 三个方法上一篇讲集合操作时已经见过，这里知道它们挂在类型对象上就够了。

attrs：声明、默认值与校验

attrs 里每个属性由 AttributeSpec 声明，两个字段：default 和 validate。Schema 构建时 initAttrs 把每个 spec 包成 Attribute 实例：

• hasDefault 用 hasOwnProperty 判断，显式写 default: undefined 也算有默认值；isRequired 就是 !hasDefault。
• validate 可以是函数，也可以是 "number" 这样的类型名字符串（| 分隔多个候选），字符串形式由 validateType 转成函数，typeof 结果不在列表里就抛 RangeError。

填充由 computeAttrs 完成：每个声明过的属性取传入值，没传且有默认填默认，没传且没默认抛 RangeError(“No value supplied for attribute …“)。传入对象里出现未声明的属性由 checkAttrs 拦截，JSON 反序列化和 Node.check 走这条路。另一个方向也有处理：所有属性都有默认值时，defaultAttrs 预先算出一份共享的默认值对象，create 不传 attrs 时整类节点共享这一份，不逐个新建。MarkType 更进一步，默认值存在时直接缓存一个 Mark 单例（instance 字段），create(null) 每次返回同一个对象。

content expression 的写法与解析

content 是一个字符串，语法和正则对齐：类型名或组名是原子，空格是顺序连接，| 是选择，后缀 + * ? 和 {n,m} 是重复，括号分组。几个例子：

• doc: "block+"，一个或多个块。
• paragraph: "inline*"，任意多个 inline，可以为空。
• list_item: "paragraph block*"，先一个段落，后面跟任意多个块。

解析在 ContentMatch.parse（src/content.ts）。TokenStream 先把表达式切成 token 数组，类型名、|、后缀符号各自成 token，空白被吃掉，然后三层递归下降：parseExpr 处理 |，parseExprSeq 处理序列，parseExprSubscript 处理后缀。原子由 parseExprAtom 处理，resolveName 先按类型名查，查不到再按组名扫一遍 isInGroup，组也查不到抛 SyntaxError。组名在表达式位置就地展开成 choice：写一个 "block"，AST 里变成组内每个类型各一个 name 分支。

解析时顺带做一项静态检查：TokenStream.inline 记录见到的第一个类型的 inline 属性，后续类型与它不一致就报 “Mixing inline and block content”。一个表达式要么全 inline 要么全 block，混写在 schema 构建期就抛错，不用等文档校验才发现。

从 NFA 到 DFA

parse 完得到 Expr 树，接着两步编译。文件里有注释说明思路：把这套类正则语言编成确定有限自动机，并附了 rsc 那篇正则实现文章的链接。

第一步 nfa() 把 Expr 树编成 NFA。NFA 表示成状态数组，每个状态是一个边数组，边是 {term, to}：term 是 NodeType（空边的 term 为空），to 是目标状态下标。compile 按表达式类型递归构造：choice 把各分支的出边并到同一个出发状态；seq 把前一段的出边接到新状态再继续编下一段；star 建一个回环状态；plus 把表达式编两遍形成至少经过一次的环；opt 直接加一条跳过的空边；range 展开成 min 段必接加 max-min 段可选，{n,} 的末段自环。注释里特意说明：和典型 NFA 不同，这里的边序有意义，顺序来自表达式的书写顺序，后面生成补全节点时按这个顺序优先尝试。

第二步 dfa() 做子集构造。nullFrom 算一个状态经空边可达的状态集，跳过只有一条空出边的中间状态以减少冗余；explore 从初始集合出发，收集集合里所有带 term 的边，按 term 分组，目标集合经 nullFrom 闭包后成为一个 DFA 状态，递归展开。labeled 表以 states.join(",") 为键去重，相同的状态集复用同一个 ContentMatch，block* 的自环也因此收敛成一个状态。validEnd 的判定很直接：状态集里包含 NFA 的最后一个状态（成功状态）就是合法结束点。最后 checkForDeadEnds 走一遍所有状态，发现「不是合法结束、且出边全是 text 或带必填属性的类型」的位置就抛错，因为这种位置永远无法用可生成的节点填满，schema 写出来就废了。

ContentMatch 就是 DFA 的一个状态：validEnd 标记结束合法性，next 是 {type, next} 边数组，matchType(type) 沿边走一步，matchFragment 对整个 Fragment 连续走。dfa 去重加上 Schema 构造器里的 contentExprCache（按表达式字符串缓存起始 ContentMatch），相同表达式的节点类型共享同一台自动机，全 schema 只编译一次。

ContentMatch 的运行时消费

匹配之外，ContentMatch 还回答三个编辑期的问题。

「这里默认能生成什么」：defaultType 返回第一条不是 text 且没有必填属性的边上的类型。边序保持表达式的书写顺序，所以 defaultType 取的就是写在前面且可生成的类型，"paragraph block*" 在空位置上默认生成 paragraph。

「塞不进去能不能补」：fillBefore(after, toEnd) 深度优先搜索，尝试在 after 前面插入可生成的节点（同样排除 text 和必填属性类型），让整体匹配成功，成功时返回要插入的 Fragment；seen 数组防环，toEnd 为 true 时要求补完必须走到合法结束。createAndFill 靠它在前后各补一轮：先 fillBefore(content) 补前面，matchFragment 走完再 fillBefore(Fragment.empty, true) 补后面，所以 list_item.createAndFill() 传空内容也能得到一个合法的 list_item(paragraph)。

「目标类型要包几层才能放进来」：findWrapping 广度优先，从当前匹配位置出发，沿途把非叶、无必填属性的类型压入路径，直到某个状态能吃下目标类型，返回经过的类型序列，结果存进 wrapCache。给选区套 blockquote、把段落包进列表，走的都是这个查询。

ContentMatch 上还有一组调试接口。edgeCount 和 edge(n) 把出边当下标数组暴露出来，toString 把整台自动机打印成「状态下标 + 合法结束标记 + 各条边指向哪个状态」的多行文本，compatible 检查两台自动机有没有共同的出边类型（NodeType.compatibleContent 的底层），排查 schema 问题时这几个方法比断点单步快。

createChecked 的校验路径

回到 schema.ts。NodeType 上三个创建方法构成一个校验强度梯度：create 只填 attrs 不查内容；createChecked 先 checkContent 再建节点；createAndFill 尝试自动补全。checkContent 调 validContent，不通过就抛 RangeError 并附上内容字符串的前 50 个字符。validContent 两道工序：

let result = this.contentMatch.matchFragment(content)
if (!result || !result.validEnd) return false
for (let i = 0; i < content.childCount; i++)
  if (!this.allowsMarks(content.child(i).marks)) return false
return true

先在自动机上走完整段内容并要求停在合法结束，再逐个子节点过 allowsMarks。markSet 是 Schema 构造时按 marks 字段算好的允许列表，null 表示全允许。内容形状和 mark 归属是两条独立的校验，都过才算合法。

Schema.node 这个便捷方法内部走的就是 createChecked，所以用 schema.node("heading", null, [schema.text("x")]) 拼文档时每个节点都被验过一遍。直接 type.create 则可以造出非法中间态，transform 内部的算法路径用后者，由步骤的整体正确性保证最终结果合法，省掉中间每一步的校验开销。

Schema 构造器：compile 阶段做了什么

Schema 构造器把 spec 变成可运行的类型系统，按顺序做这些事：

1. spec.nodes、spec.marks 一律转成 OrderedMap，定义顺序被保留：nodes 的顺序决定 parseDOM 规则的默认优先级和同组类型的排列，marks 的顺序决定 mark 集合的排序。上一篇 addToSet 按 rank 排序，rank 就是 MarkType.compile 按声明顺序发的序号。
2. NodeType.compile 为每个名字建 NodeType，同时做硬性检查：topNode（默认 “doc”）必须存在，text 类型必须存在且不能声明 attrs。
3. MarkType.compile 同样建 MarkType，顺带发 rank。
4. 主循环处理每个节点类型：名字不能同时是 mark；按 content 表达式字符串查 contentExprCache，没命中才 ContentMatch.parse；inlineContent 从起始匹配回填；linebreakReplacement 全 schema 只能有一个且必须是 inline 叶节点；markSet 按 marks 字段的四种写法算出允许列表。
5. 再循环每个 mark 类型算 excluded：excludes 缺省时只排除自己，"" 表示不排除任何 mark（允许同类型不同 attrs 的多个实例共存），否则 gatherMarks 按名字或组收集，"_" 在 gatherMarks 里匹配全部 mark。
6. 绑定 nodeFromJSON、markFromJSON 两个便捷方法，记下 topNodeType，cached 上挂 wrappings 缓存。

gatherMarks 的查找逻辑值得单看：先按名字直查 schema.marks，查不到就把所有 mark 扫一遍，组名命中 spec.group 的全部收进来，最后什么都没找到抛 SyntaxError。这和内容表达式里 resolveName 对组的处理是同一条思路：schema 里类型名和组名构成一个两级的命名空间。

这套 compile 全是构建期一次性工作，产物是不可变的类型对象和共享的自动机。之后所有创建、校验、补全操作都只是查表和走图，不再碰表达式字符串。

小结

Schema 是文档的类型系统：NodeSpec 声明每种节点的形状，content 表达式编译成 DFA 回答「这里能放什么」，attrs 声明加 validate 管住属性，markSet 和 excluded 管住格式归属。校验集中在 createChecked 和 Node.check 两个入口，编辑算法走不校验的快路径，由更上层的正确性兜底。到这里，model 层的数据结构（Node、Fragment、Mark）和类型系统都看完了，下一篇换一个角度：文档里的整数位置怎么解析成带上下文的路径，ResolvedPos。