Grantlee模板系统扩展指南:自定义标签与过滤器开发
2025-06-11 21:19:44作者:霍妲思
概述
Grantlee是一个基于Qt的模板引擎,它允许开发者通过插件机制扩展模板系统的功能。本文将详细介绍如何在Grantlee中创建自定义过滤器和标签,以及如何将它们打包成可重用的库。
自定义过滤器开发
过滤器是Grantlee模板系统中的基本构建块,它接收一个输入对象和可选参数,处理后返回字符串结果。
基础过滤器实现
要创建自定义过滤器,需要继承Grantlee::Filter类并实现doFilter方法:
class TwiceFilter : public Grantlee::Filter {
QVariant dofilter(const QVariant &input,
const QVariant &arg = QVariant(),
bool autoescape = false) const override {
auto str = getSafeString(input);
return str + str;
}
bool isSafe() const override { return true; }
};
这个示例过滤器会将输入字符串重复两次输出。在模板中使用方式为:{{ name|twice }}
带参数的过滤器
过滤器可以接收参数实现更复杂的功能:
class RepeatFilter : public Grantlee::Filter {
QVariant dofilter(const QVariant &input,
const QVariant &arg,
bool autoescape) const override {
auto str = getSafeString(input);
if (arg.type() != QMetaType::Int)
return str; // 优雅处理错误
for (int i = 0; i < arg.toInt(); ++i) {
str.get().append(str);
}
return str;
}
bool isSafe() const override { return true; }
};
使用示例:{{ name|repeat:"3" }}会输出输入字符串3次。
错误处理最佳实践
过滤器应该优雅处理所有错误情况,而不是抛出异常。当参数无效时,返回原始输入或空字符串是推荐的做法。
自动转义与安全性
Grantlee提供了自动转义功能来防止XSS攻击,过滤器开发者需要考虑输出内容的安全性。
isSafe()方法:指示过滤器是否安全(即不会引入不安全内容)autoescape参数:反映当前模板的自动转义状态
安全过滤器应该始终返回true,表示它们不会引入需要转义的内容。
自定义标签开发
标签比过滤器更强大,可以控制模板的解析和渲染流程。
简单标签实现
创建自定义标签需要两个步骤:
- 继承
Grantlee::AbstractNodeFactory实现工厂类 - 继承
Grantlee::Node实现节点类
class CurrentTimeNode : public Grantlee::Node {
public:
void render(Grantlee::OutputStream *stream,
Grantlee::Context *c) const override {
(*stream) << QDateTime::currentDateTime().toString();
}
};
class CurrentTimeTagFactory : public Grantlee::AbstractNodeFactory {
Grantlee::Node *getNode(const QString &tagContent,
Grantlee::Parser *p) const override {
QStringList parts = smartSplit(tagContent);
parts.removeFirst(); // 移除标签名
if (!parts.isEmpty())
throw Grantlee::Exception(Grantlee::TagSyntaxError,
"current_time不接受参数");
return new CurrentTimeNode();
}
};
带结束标签的复杂标签
许多标签需要开始和结束标记,如if、for等。这类标签需要解析中间内容:
Node* IfNodeFactory::getNode(const QString &tagContent, Parser *p) const {
QStringList parts = smartSplit(tagContent);
parts.removeFirst(); // 移除"if"
auto argsList = getFilterExpressionList(parts);
auto node = new IfNode(argsList, p);
// 解析直到遇到else或endif
auto trueList = p->parse(node, QStringList{"else", "endif"});
node->setTrueList(trueList);
auto nextToken = p->takeNextToken();
if (nextToken.content == "else") {
auto falseList = p->parse(node, "endif");
node->setFalseList(falseList);
p->removeNextToken(); // 跳过endif标签
}
return node;
}
这种模式可以扩展到支持多个中间标记,如elif等。
创建插件库
要使自定义标签和过滤器可用,需要将它们打包为Qt插件:
class MyLibrary : public QObject, public Grantlee::TagLibraryInterface {
Q_OBJECT
Q_INTERFACES(Grantlee::TagLibraryInterface)
public:
MyLibrary(QObject *parent = 0) : QObject(parent) {
m_nodeFactories.insert("mytag", new MyNodeFactory());
m_filters.insert("myfilter", new MyFilter());
}
QHash<QString, Grantlee::AbstractNodeFactory*> nodeFactories() {
return m_nodeFactories;
}
QHash<QString, Grantlee::Filter*> filters() {
return m_filters;
}
};
JavaScript扩展
Grantlee还支持使用JavaScript编写标签和过滤器,这为模板设计者提供了更大的灵活性。
var EchoNode = function(content) {
this.content = content;
this.render = function(context) {
return content.join(" ");
};
};
function EchoNodeFactory(tagContent, parser) {
var content = tagContent.split(" ");
content = content.slice(1, content.length);
return new Node("EchoNode", content);
};
EchoNodeFactory.tagName = "echo";
Library.addFactory("EchoNodeFactory");
JavaScript扩展的关键点:
- 使用
Library全局对象注册工厂 - 工厂函数返回
Node对象 - 节点必须实现
render方法
总结
Grantlee的扩展系统提供了强大的自定义能力,无论是通过C++还是JavaScript。理解过滤器和标签的工作原理,以及如何正确处理自动转义和安全问题,是开发高质量扩展的关键。通过创建可重用的插件库,可以在多个项目中共享自定义模板功能。
登录后查看全文
热门项目推荐
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
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
229
259
暂无简介
Dart
680
160
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++
689
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
493