Jeecg-Boot中获取Online表单子表数据的方法解析
在Jeecg-Boot 3.7.0版本中,开发人员在使用Online表单增强按钮功能时,经常会遇到需要获取子表数据的需求。本文将详细介绍如何在增强按钮中获取子表数据,以及相关的实现原理和最佳实践。
问题背景
在Jeecg-Boot的Online表单开发中,增强按钮是一个非常有用的功能,允许开发人员通过JavaScript扩展表单的交互逻辑。然而,默认情况下,使用this.getFieldsValue()方法只能获取主表的数据字段,这给需要处理子表数据的场景带来了不便。
解决方案
Jeecg-Boot提供了专门的方法来获取子表数据:
this.getSubTableInstance(tableName)
其中tableName参数是子表的名称。这个方法返回子表的实例,通过该实例可以获取子表的所有数据。
实际应用示例
假设我们有一个订单主表和订单明细子表,子表名称为order_item,我们可以这样获取子表数据:
// 获取子表实例
const subTable = this.getSubTableInstance('order_item');
// 获取子表所有数据
const subTableData = subTable.getTableData();
// 处理子表数据
console.log('子表数据:', subTableData);
实现原理
在Jeecg-Boot的Online表单架构中,每个子表都是一个独立的组件实例。getSubTableInstance方法通过子表名称在表单上下文中查找对应的组件实例,然后返回该实例供开发者使用。
使用建议
-
明确子表名称:在使用前,确保准确知道子表的名称,可以通过查看表单配置或数据库表名确认。
-
数据格式处理:获取的子表数据通常是数组格式,每个元素代表一行子表数据。
-
空数据处理:注意处理子表为空的情况,避免空指针异常。
-
性能考虑:对于数据量大的子表,获取全部数据可能影响性能,考虑分页或按需获取。
扩展应用
除了获取数据,子表实例还提供了其他有用的方法:
- 获取选中行:
getSelectedRows() - 刷新子表:
reload() - 添加行:
addRows() - 删除行:
deleteRows()
这些方法可以组合使用,实现复杂的业务逻辑。
总结
Jeecg-Boot通过getSubTableInstance方法为开发者提供了便捷的子表数据访问能力,解决了增强按钮中只能获取主表数据的限制。掌握这一技术可以大大扩展Online表单的功能范围,实现更复杂的业务场景需求。在实际开发中,建议结合具体业务需求,合理使用这一功能,同时注意数据安全和性能优化。
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