Turbo框架中防止元素在Morph操作中被移除的解决方案
问题背景
在使用Turbo框架开发动态列表时,开发者经常遇到一个典型场景:需要维护一个按时间倒序排列的最近10项列表。当新项被创建时,页面通过Turbo的morph机制更新,新项会出现在列表顶部,而最旧的项则会被移除。然而在某些业务场景下,开发者希望保留所有历史项,仅追加新项而不移除旧项。
初步尝试与问题分析
开发者最初尝试了两种解决方案:
-
data-turbo-permanent属性:为每个列表项添加此属性确实可以防止元素被移除,但会导致列表顺序被打乱。这是因为Turbo的morph机制会保留这些永久元素,但无法保证它们在DOM中的原始顺序。
-
turbo:before-morph-element事件:尝试通过监听此事件来判断元素是否将被移除,但发现event.detail.newElement始终为undefined,这使得判断逻辑无法正常工作。
深入分析后发现,问题的根源在于使用了Turbo Frame和Stream Action来实现分页加载功能。在这种实现方式下,每次更新时Turbo会先清空列表容器,然后通过stream action重新追加所有项,这解释了为什么newElement始终为undefined。
解决方案
经过探索,最终找到了一个综合解决方案:
-
保留现有元素:为每个列表项添加
data-turbo-permanent属性,确保它们不会被自动移除。 -
处理Stream Action行为:Turbo的"append" stream action会在追加新元素前移除所有公共元素,这是导致顺序混乱的原因。需要自定义处理这一行为。
-
自定义排序逻辑:由于直接重新渲染整个容器会失去分页的优势,因此实现了一个自定义的stream action,在元素被追加后对它们进行排序,而不是完全重新渲染。
技术要点
-
Turbo的morph机制:理解Turbo如何比较和更新DOM是解决此类问题的关键。Turbo会尝试最小化DOM操作,但有时需要干预其默认行为。
-
永久元素的使用:
data-turbo-permanent属性可以防止元素被意外移除,但需要注意其对DOM操作的影响。 -
自定义Stream Action:当内置的stream action无法满足需求时,扩展Turbo的功能是必要的。这需要对Turbo的内部机制有深入理解。
最佳实践建议
-
谨慎使用永久元素:虽然可以防止元素被移除,但可能带来其他副作用,如顺序问题。
-
考虑性能影响:对于大型列表,完全重新渲染可能影响性能,分页和局部更新是更好的选择。
-
测试不同场景:确保解决方案在各种用户交互下都能正常工作,包括初始加载、新增项和分页加载。
通过这种综合方法,开发者可以在保留Turbo高效更新的同时,精确控制DOM元素的行为和顺序,满足特定的业务需求。
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