Kendo UI Core 中 Grid 列过滤器数据源排序功能解析
在 ASP.NET Core 项目中使用 Kendo UI 的 Grid 组件时,开发者经常需要为列配置过滤功能。近期 Kendo UI Core 项目中的一个增强功能引起了开发者社区的关注——为 Grid 列过滤器数据源暴露排序功能。
功能背景
Kendo UI 的 Grid 组件提供了强大的数据过滤功能,开发者可以为每一列配置不同的过滤方式。在 ASP.NET Core 项目中,通过 TagHelper 方式配置 Grid 时,列过滤器的数据源配置与传统的 HtmlHelper 方式存在一些差异。
技术现状分析
目前,在 TagHelper 方式下,Grid 列过滤器数据源(GridColumnFilterDataSourceTagHelper)已经支持多种内嵌子 TagHelper,包括:
- 传输设置(Transport)
- 架构设置(Schema)
- 过滤器设置(Filters)
- 分组设置(Groups)
- 聚合设置(Aggregates)
然而,与 HtmlHelper 方式相比,TagHelper 方式缺少了对数据源排序功能的支持。在 HtmlHelper 中,开发者可以通过 .Sort() API 方法轻松配置数据源的排序规则,例如按照"ShipName"升序排列。
技术实现细节
这一增强功能的实现意味着开发者现在可以在 TagHelper 中像下面这样配置列过滤器的数据源排序:
<kendo-grid name="grid">
<columns>
<column field="ShipName">
<filterable multi="true" search="true" check-all="true">
<datasource type="DataSourceTagHelperType.Custom">
<sorts>
<sort field="ShipName" direction="asc"/>
</sorts>
<!-- 其他数据源配置 -->
</datasource>
</filterable>
</column>
</columns>
</kendo-grid>
这种配置方式与 HtmlHelper 中的功能对等,提供了更加一致的开发体验。
开发者价值
这一增强为开发者带来了几个重要好处:
-
配置一致性:消除了 TagHelper 和 HtmlHelper 之间的功能差异,使开发者可以基于个人偏好选择配置方式,而不必担心功能缺失。
-
代码可读性:在复杂的数据展示场景中,能够直接在数据源配置中声明排序规则,提高了代码的可读性和维护性。
-
性能优化:通过在数据源层面定义排序规则,可以减少客户端处理数据的负担,提升整体性能。
实际应用场景
假设我们有一个订单管理系统,需要在"船运名称"列上提供过滤功能,并且希望过滤器的下拉选项按名称排序显示。有了这个增强功能后,我们可以轻松实现这一需求,确保用户看到的过滤选项是有序的,提升用户体验。
技术演进思考
这一改进反映了 Kendo UI 团队对 ASP.NET Core 开发体验的持续优化。随着 TagHelper 在 ASP.NET Core 项目中的普及,确保其功能与传统的 HtmlHelper 对等变得越来越重要。这种细粒度的功能增强虽然看似微小,但对于实际开发工作的流畅性有着显著影响。
总结
Kendo UI Core 中对 Grid 列过滤器数据源排序功能的支持增强,体现了框架对开发者体验的重视。这一改进使得 TagHelper 配置方式更加完善,为构建数据密集型 Web 应用提供了更强大的工具。对于正在使用或考虑使用 Kendo UI Grid 组件的 ASP.NET Core 开发者来说,了解并利用这一功能将有助于创建更加用户友好的数据展示界面。
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