Next-Safe-Action 项目中关于表单渐进增强的技术解析
2025-06-29 07:47:10作者:袁立春Spencer
表单渐进增强的实现原理
在 Next.js 应用中实现表单提交时,开发者常常面临一个关键问题:如何在禁用 JavaScript 的情况下仍然保持表单功能正常。这就是所谓的"渐进增强"(Progressive Enhancement)技术。
问题本质分析
Next-Safe-Action 库提供了两种主要的方式来处理表单提交:
- useAction 钩子方式:这是基于 JavaScript 的实现,依赖于客户端交互
- 直接使用 Server Action:这是原生 HTML 表单的工作方式,不依赖 JavaScript
当开发者使用 useAction 钩子时,表单提交完全依赖于 JavaScript 运行。这是因为钩子本身就是 JavaScript 函数,在禁用 JS 的环境下自然无法工作。
正确的渐进增强实现方案
要实现真正的渐进增强,开发者应该采用以下两种方式之一:
方案一:直接使用 Server Action
将 Server Action 直接传递给表单的 action 属性,这是最原生的实现方式:
<form action={serverAction}>
<input name="username" />
<button type="submit">提交</button>
</form>
方案二:使用 React 的 useActionState 钩子
React 18+ 提供了 useActionState 钩子,这是官方推荐的实现渐进增强的方式:
import { useActionState } from "react";
function FormComponent() {
const [state, submitAction, isPending] = useActionState(
serverAction,
initialState
);
return (
<form action={submitAction}>
<input name="username" />
<button type="submit" disabled={isPending}>
提交
</button>
</form>
);
}
技术权衡与选择建议
在实际开发中,开发者需要根据项目需求做出技术选择:
-
追求完整用户体验:使用 Next-Safe-Action 的 useStateAction 钩子,可以获得更丰富的状态管理(isPending、data、error等),但会失去渐进增强能力
-
需要渐进增强:使用 React 原生 useActionState,表单能在无JS环境下工作,但会失去一些便捷的状态管理功能
-
混合方案:可以考虑在关键表单使用 useActionState 保证基本功能,在次要表单使用 useStateAction 获得更好体验
实现示例
以下是一个完整的支持渐进增强的实现示例:
// 服务端 Action 定义
const formAction = createSafeActionClient()
.schema(z.object({ username: z.string() }))
.stateAction(async ({ parsedInput }) => {
return `欢迎, ${parsedInput.username}`;
});
// 客户端组件
function ProgressiveForm() {
const [state, submitAction, isPending] = useActionState(
formAction,
{ data: null, error: null }
);
return (
<div>
<form action={submitAction}>
<input name="username" />
<button type="submit" disabled={isPending}>
提交
</button>
</form>
{state.data && <p>{state.data}</p>}
{state.error && <p>错误: {state.error}</p>}
</div>
);
}
总结
Next-Safe-Action 项目为开发者提供了灵活的表单处理方案。理解渐进增强的实现原理和不同方案的优缺点,可以帮助开发者根据项目需求做出合理的技术选型。对于关键业务表单,建议优先考虑渐进增强实现;对于增强型交互,则可以使用更丰富的钩子功能。
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
最新内容推荐
电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 开源电子设计自动化利器:KiCad EDA全方位使用指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Python案例资源下载 - 从入门到精通的完整项目代码合集 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
222
245
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
672
157
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
262
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
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217