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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00