在Ant Design Pro中优化自定义Slider组件的请求性能
2025-06-13 16:49:03作者:何将鹤
在Ant Design Pro项目中开发自定义表单组件时,性能优化是一个需要重点考虑的问题。本文将以一个自定义Slider组件为例,探讨如何避免不必要的请求,提升组件性能。
问题背景
开发者在Ant Design Pro项目中需要实现一个自定义的Slider范围选择器组件,该组件需要从后端API获取最小值和最大值。初始实现中,组件在渲染时触发了多次请求,这显然不是最优方案。
初始实现分析
最初的实现使用了React的useEffect钩子来获取数据:
useEffect(() => {
const fetchRange = async () => {
if (request) {
const result = await request();
setRange({ min: result.min, max: result.max });
}
};
fetchRange();
}, [request]);
这种实现方式在开发环境下会导致多次请求,主要原因有两个:
- React严格模式下组件会故意渲染两次以帮助发现副作用问题
- 依赖数组中包含了request函数,当父组件重新渲染时可能导致request引用变化
优化方案一:简化useEffect
第一种优化方式是简化useEffect的实现,移除不必要的依赖:
useEffect(() => {
request?.().then(result => {
setRange({ min: result.min, max: result.max });
})
}, []);
这种方法减少了依赖项,但仍然无法完全避免开发环境下的双重渲染问题。
优化方案二:使用防抖技术
更完善的解决方案是引入防抖技术,确保在一定时间间隔内只执行一次请求:
import {useDebounceFn} from '@ant-design/pro-utils';
const {run: fetchRange} = useDebounceFn(async () => {
if (request) {
const result = await request();
setRange({ min: result.min, max: result.max });
}
}, 200);
useEffect(() => {
fetchRange();
}, []);
这种方案有以下优势:
- 200毫秒内的多次调用只会执行最后一次
- 有效避免了开发环境下的双重渲染问题
- 生产环境下也能防止意外多次请求
组件完整实现
结合上述优化,完整的Slider组件实现如下:
import React, { useState, useEffect } from 'react';
import { Slider } from 'antd';
import { useDebounceFn } from '@ant-design/pro-utils';
const ProFormSliderRange = ({ value, onChange, request }) => {
const [range, setRange] = useState({ min: 0, max: 500 });
const { run: fetchRange } = useDebounceFn(async () => {
if (request) {
const result = await request();
setRange({ min: result.min, max: result.max });
}
}, 200);
useEffect(() => {
fetchRange();
}, []);
return (
<Slider
range
defaultValue={[range.min, range.max]}
marks={{
[range.min]: range.min,
[range.max]: range.max
}}
min={range.min}
max={range.max}
value={value}
onChange={onChange}
/>
);
};
性能优化建议
- 缓存请求结果:如果多个组件实例需要相同的数据,考虑使用缓存机制
- 错误处理:添加请求错误处理逻辑,提升用户体验
- 加载状态:显示加载状态,让用户知道数据正在获取中
- 默认值处理:合理设置默认值,避免数据加载前的空白状态
总结
在Ant Design Pro项目中开发自定义表单组件时,性能优化不容忽视。通过合理使用防抖技术、优化useEffect依赖项,可以有效减少不必要的请求,提升应用性能。本文提供的解决方案不仅适用于Slider组件,也可以推广到其他需要异步获取数据的自定义组件中。
登录后查看全文
热门项目推荐
相关项目推荐
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
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781