在wouter项目中实现Framer Motion的退出动画
本文将详细介绍如何在wouter路由库中结合Framer Motion实现流畅的页面过渡动画效果,特别是针对组件卸载时的退出动画。
问题背景
许多开发者在使用wouter作为路由解决方案时,希望为页面切换添加动画效果。Framer Motion是一个流行的React动画库,它提供了强大的动画功能,包括组件进入和退出时的动画效果。然而,在wouter中直接使用Framer Motion的AnimatePresence组件时,开发者可能会遇到退出动画不生效的问题。
核心原因分析
Framer Motion的AnimatePresence组件通过检测React树中直接子组件的移除来触发退出动画。而在wouter的标准用法中,Route组件作为AnimatePresence的直接子组件,实际页面内容则是Route的子组件。这种层级关系导致AnimatePresence无法正确感知页面内容的移除,从而无法触发退出动画。
解决方案
方案一:手动条件渲染
最直接的解决方案是绕过Route组件,直接根据路由匹配结果条件渲染内容:
function RouteAnimated() {
const [match] = useRoute("/");
return (
<AnimatePresence mode="wait">
{match && (
<motion.div
initial="in"
animate="stay"
exit="out"
variants={animateVariants}
transition={{ duration: 1 }}
>
{/* 页面内容 */}
</motion.div>
)}
</AnimatePresence>
);
}
这种方法简单直接,但需要手动管理每个路由的匹配状态。
方案二:实现useRoutes钩子
更优雅的解决方案是模拟React Router的useRoutes钩子,创建一个自定义实现:
const useRoutes = (routes) => {
const [routesLen] = useState(() => routes.length);
if (routesLen !== routes.length) {
throw new Error("路由数组长度必须保持不变!");
}
const matches = routes.map((def) => useRoute(def.path));
for (let [index, match] of matches.entries()) {
const [isMatch, params] = match;
if (isMatch) {
return cloneElement(routes[index].element, { params });
}
}
return null;
};
使用时可以这样:
const routes = [
{ path: "/", element: <Page1 /> },
{ path: "/2", element: <Page2 /> }
];
function App() {
return (
<AnimatePresence mode="wait">
{useRoutes(routes)}
</AnimatePresence>
);
}
关键注意事项
-
性能优化:为每个路由元素添加唯一的key属性非常重要,推荐使用location对象作为key,而不是仅使用pathname,以确保动画能正确触发。
-
动画模式:AnimatePresence的mode="wait"属性确保前一个组件完全退出后再进入下一个组件,避免动画冲突。
-
路由数组稳定性:自定义useRoutes实现中必须保持路由数组长度不变,否则会破坏React Hook规则。
总结
在wouter中实现Framer Motion的退出动画需要理解AnimatePresence的工作原理和路由组件的渲染层级。通过条件渲染或自定义路由钩子,开发者可以灵活地实现各种页面过渡效果。这种解决方案不仅适用于wouter,其原理也可以应用于其他类似场景。
对于复杂的路由动画需求,建议考虑将动画逻辑封装成可复用的高阶组件或自定义Hook,以提高代码的可维护性。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00