AMIS项目中Each组件实现差异化样式渲染的实践
2025-05-12 10:28:52作者:宣利权Counsellor
在AMIS前端框架中,Each组件是常用的列表渲染组件,它能够高效地遍历数据并生成重复的UI元素。但在实际开发中,我们经常需要为列表中的不同项应用不同的样式,比如实现聊天对话框这种左右分列的效果。
实现原理
AMIS提供了三种主要方式来实现Each组件中不同项的差异化样式渲染:
-
动态类名(className表达式):通过数据绑定的方式,根据当前项的数据动态计算要应用的CSS类名。这种方式最符合前端开发的最佳实践,将样式控制与逻辑分离。
-
内联样式(style表达式):直接为组件设置动态的style属性,适合需要根据数据实时计算的样式值。这种方式更加灵活但不利于样式复用。
-
条件渲染容器:在Each组件的item中使用容器组件包裹内容,配合visibleOn等条件渲染属性,为不同数据项显示完全不同的UI结构。
聊天对话框实现示例
以聊天对话框为例,我们可以这样设计:
{
"type": "each",
"name": "messages",
"items": {
"type": "container",
"className": "${type === 'A' ? 'message-left' : 'message-right'}",
"body": {
"type": "tpl",
"tpl": "${content}"
}
}
}
对应的CSS可以这样定义:
.message-left {
text-align: left;
background: #e6f7ff;
margin-right: 30%;
}
.message-right {
text-align: right;
background: #f6ffed;
margin-left: 30%;
}
最佳实践建议
-
优先使用className表达式:这种方式性能最优,也最符合关注点分离的原则。
-
复杂场景使用条件渲染:当不同数据项需要完全不同的UI结构时,可以在item中使用container+visibleOn的组合。
-
避免过度使用内联样式:style表达式虽然灵活,但会带来性能开销和可维护性问题。
-
考虑样式复用:通过定义可复用的CSS类,可以减少代码冗余,提高渲染性能。
AMIS的表达式系统为Each组件的差异化渲染提供了强大的支持,合理运用这些特性可以轻松实现各种复杂的列表渲染需求。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660