Project-Graph 导出功能排序逻辑优化:从连接顺序到角度判断
2025-07-08 05:08:51作者:裴麒琰
背景
在思维导图和数据可视化工具Project-Graph中,导出功能是一个重要特性。当前版本中,当用户选择导出纯文本内容时,系统会按照节点之间的连接顺序来遍历和导出子节点。然而,在实际使用过程中,频繁调整连接会导致边的连接顺序变得混乱,给用户带来不便。
问题分析
现有排序逻辑基于边的连接顺序,这种设计存在以下局限性:
- 连接顺序易受干扰:用户频繁调整连接后,边的存储顺序可能与实际视觉顺序不符
- 缺乏直观性:视觉上排列整齐的节点可能因为连接顺序问题导致导出结果不符合预期
- 维护成本高:用户需要不断重新连线来调整导出顺序
优化方案
角度判断排序算法
新的排序逻辑采用基于角度的判断方法,核心思想是根据子节点相对于父节点的位置角度来决定遍历顺序:
-
角度分区:将360度平面划分为四个象限
- 第一象限:0°-90°(右上方)
- 第二象限:90°-180°(左上方)
- 第三象限:180°-270°(左下方)
- 第四象限:270°-360°(右下方)
-
排序规则:
- 下方节点(三、四象限):采用从左到右逆时针遍历
- 右侧节点(一、四象限):采用从上到下顺时针遍历
- 上方节点(一、二象限):采用从左到右顺时针遍历
- 左侧节点(二、三象限):采用从上到下逆时针遍历
-
特殊情况处理:当节点角度落在不连续的两个象限时,保留原有的连接顺序排序
实现考量
在实际实现过程中,开发团队做了以下调整和优化:
- 视觉一致性优先:对于右侧或下侧的节点,最终采用了按节点位置排序而非严格角度排序,以更好地匹配曲线连接的视觉效果
- 性能优化:角度计算使用高效的数学函数,确保在大规模节点时仍能快速排序
- 边界处理:精确处理节点位于坐标轴上的特殊情况
技术实现
核心算法伪代码:
function sortChildrenNodes(parent, children) {
// 计算每个子节点相对于父节点的角度
const nodesWithAngles = children.map(child => {
const dx = child.x - parent.x;
const dy = child.y - parent.y;
const angle = Math.atan2(dy, dx) * 180 / Math.PI;
return {node: child, angle: angle < 0 ? angle + 360 : angle};
});
// 根据角度区域应用不同的排序规则
const primaryQuadrant = determinePrimaryQuadrant(nodesWithAngles);
switch(primaryQuadrant) {
case 'bottom':
return sortLeftToRightCCW(nodesWithAngles);
case 'right':
return sortTopToBottomCW(nodesWithAngles);
case 'top':
return sortLeftToRightCW(nodesWithAngles);
case 'left':
return sortTopToBottomCCW(nodesWithAngles);
default:
return originalConnectionOrder(nodesWithAngles);
}
}
用户体验提升
这一优化带来了显著的体验改进:
- 更直观的导出结果:导出的文本顺序与视觉排列更加一致
- 减少重复操作:用户无需为了导出顺序而频繁调整连接
- 自适应布局:自动适应不同的节点布局风格(垂直、水平或其他自定义布局)
总结
Project-Graph通过将导出排序逻辑从简单的连接顺序改为基于角度的智能判断,显著提升了工具的实用性和用户体验。这一改进展示了如何通过合理的算法设计来解决实际应用中的痛点问题,同时也为类似图形工具的排序问题提供了有价值的参考方案。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
947
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.56 K
909
暂无简介
Dart
920
228
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381
昇腾LLM分布式训练框架
Python
142
169
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
133
212