在Ant Design Pro中优化自定义Slider组件的请求性能
2025-06-13 09:42:42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
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