Grantlee模板系统扩展指南:自定义标签与过滤器开发
2025-06-11 15:08:23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
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python02
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
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出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
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
Launch4j中文版:Java应用程序打包成EXE的终极解决方案 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 PANTONE潘通AI色板库:设计师必备的色彩管理利器 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 电脑PC网易云音乐免安装皮肤插件使用指南:个性化音乐播放体验 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 基于Matlab的等几何分析IGA软件包:工程计算与几何建模的完美融合 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
290
2.61 K
deepin linux kernel
C
24
7
React Native鸿蒙化仓库
JavaScript
227
306
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++
605
182
暂无简介
Dart
577
127
Ascend Extension for PyTorch
Python
116
149
🎉 (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
1.04 K
609
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
453
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
46
77
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
158
60