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。
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