Bubble Card布局问题分析与解决方案
2025-06-30 16:02:05作者:戚魁泉Nursing
问题现象
Bubble Card作为Home Assistant的优秀自定义卡片组件,近期在1.6.2及更高版本中出现了一个影响布局的关键问题:当卡片存在于仪表盘时,会导致桌面端的多列布局强制变为单列显示,严重影响用户体验。该问题在仅使用分隔符卡片时也会出现,且在不同浏览器和操作系统上均可复现。
技术背景分析
Home Assistant的仪表盘布局采用masonry(瀑布流)方式,通过计算每个卡片的getCardSize()返回值来确定其在布局中的占位空间。正常情况下,系统会根据可用空间自动分配多列显示。
Bubble Card的布局问题源于其与Home Assistant核心布局引擎的交互方式。在实现弹出卡片功能时,组件需要处理隐藏卡片的空间占用问题,这在技术上存在挑战:
- 弹出卡片虽然视觉上隐藏,但仍需在布局计算中保留空间
- Home Assistant的布局引擎基于卡片声明的尺寸而非实际CSS尺寸进行计算
- 多卡片叠加时的空间计算复杂度高
问题演进过程
开发者最初在1.6.3版本尝试通过column_fix参数提供临时解决方案,该参数允许用户手动调整卡片在布局计算中的空间值。然而:
- 参数效果不稳定,在某些情况下不起作用
- 需要用户手动调整负值来抵消隐藏卡片的空间
- 对仅使用分隔符卡片的场景不适用
- 页面刷新后配置可能失效
解决方案建议
对于遇到此问题的用户,目前可采取以下临时措施:
- 降级到1.6.3或1.6.4版本(目前最稳定的解决方案)
- 在包含弹出卡片的仪表盘中添加column_fix: 0配置
- 避免在同一垂直堆叠中使用多个分隔符卡片
从技术实现角度看,理想的长期解决方案应包括:
- 动态计算隐藏卡片的实际空间需求
- 区分处理普通卡片和分隔符卡片的不同布局行为
- 实现更精确的布局空间补偿算法
- 考虑将弹出卡片挂载到不影响主布局的DOM节点
开发者注意事项
在自定义卡片开发中,处理布局时需要特别注意:
- getCardSize()返回值的准确性直接影响布局
- 隐藏元素仍需参与布局计算是Home Assistant的核心机制
- CSS隐藏与布局隐藏是两个不同的概念
- 多卡片组合时的空间计算需要特殊处理
该问题的解决需要平衡功能需求与布局稳定性,期待开发者能在后续版本中找到更优雅的解决方案。
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
24
9
Ascend Extension for PyTorch
Python
222
238
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
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217