Geeker-Admin项目中实现子路由在router-view中切换的解决方案
问题背景
在Vue.js项目开发中,使用Vue Router进行页面路由管理是非常常见的做法。Geeker-Admin作为一个基于Vue3的管理系统框架,采用了JSON数据配置路由表的方式。但在实际开发中,开发者AnnCY1遇到了一个典型的路由嵌套问题:如何在保持父路由组件(包含公用二级导航)的同时,在指定区域(router-view)中切换子路由内容。
原始问题分析
Geeker-Admin最初的路由实现方式是将所有路由扁平化处理,即无论父子路由关系,都提升到同一层级。这种设计虽然简化了路由添加逻辑,但带来了以下问题:
- 子路由必须写完整路径,无法利用相对路径
- 父路由组件会被完全替换,无法保留公用布局部分
- 无法在父组件中使用router-view来渲染子路由
这种实现方式限制了路由的嵌套能力,特别是在需要保持部分公共布局的场景下显得不够灵活。
解决方案详解
核心思路
解决这个问题的关键在于恢复Vue Router原生的嵌套路由能力,即:
- 保持路由的层级结构
- 在父路由组件中使用router-view作为子路由的出口
- 正确配置路由表的children属性
具体实现
在Geeker-Admin项目中,需要修改/src/routers/modules/dynamicRouter.ts文件中的路由添加逻辑。以下是改进后的实现方式:
-
路由数据处理:首先遍历权限菜单列表,为每个路由项创建对应的路由配置对象,同时保留其children结构。
-
组件动态导入:根据组件路径字符串动态导入对应的Vue组件。
-
子路由处理:如果当前路由有子路由,则递归处理子路由项,保持完整的嵌套结构。
-
路由添加:最后根据路由配置的meta.isFull属性决定是添加为顶级路由还是嵌套在layout下的路由。
代码实现
// 处理路由数据,保持嵌套结构
const routeList = authStore.authMenuListGet.map(item => {
const routeItem = {
path: item.path,
name: item.name,
component: typeof item.component == 'string'
? modules['/src/views' + item.component + '.vue']
: null,
meta: item.meta,
children: [] as any
}
// 处理子路由
if (item.children && item.children.length > 0) {
routeItem.children = item.children.map(child => ({
path: child.path,
name: child.name,
component: typeof child.component == 'string'
? modules['/src/views' + child.component + '.vue']
: null,
meta: child.meta
}))
}
return routeItem
})
// 添加路由
routeList.forEach((route: RouteRecordRaw) => {
if (route.meta?.isFull) {
router.addRoute(route as unknown as RouteRecordRaw)
} else {
router.addRoute('layout', route as unknown as RouteRecordRaw)
}
})
实现效果
通过这种改进后的路由配置方式,开发者可以:
- 在父路由组件中保留公共的二级导航
- 使用router-view作为子路由的渲染出口
- 子路由可以使用相对路径,无需写完整路径
- 保持路由的层级关系,代码结构更清晰
最佳实践建议
-
路由设计原则:在设计管理系统路由时,应该优先考虑保持路由的层级结构,这样更符合实际业务场景。
-
组件组织:公共布局部分应该放在父路由组件中,变化部分通过子路由和router-view来实现。
-
权限控制:在改造路由结构时,需要注意权限控制逻辑是否仍然有效,特别是对子路由的权限校验。
-
性能考虑:对于大型管理系统,可以考虑配合路由懒加载来优化性能。
总结
通过恢复Vue Router原生的嵌套路由能力,Geeker-Admin项目可以更灵活地处理复杂布局场景。这种解决方案不仅解决了当前的问题,还为未来的功能扩展提供了更好的基础。对于需要保持部分公共布局的管理系统开发,正确的路由嵌套设计是至关重要的。
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