Grantlee模板系统扩展指南:自定义标签与过滤器开发
2025-06-11 00:52:36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
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
atomcodeAn open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust024
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
热门内容推荐
最新内容推荐
Python可观测性工具实战:Logfire效能提升指南RPCS3模拟器终极优化指南:突破PS3游戏性能极限的实战方案Nali跨平台部署全攻略:从环境适配到性能调优为什么需要统一游戏库管理?Playnite开源工具的全方位解决方案如何通过Idify实现本地证件照制作:安全高效的浏览器端解决方案路由器多容器管理实战:用Docker Compose打造智能家居中枢Zettlr:一站式学术写作解决方案效率指南零基础精通GPT-SoVITS:开源语音合成与AI声音克隆实战指南颠覆直播互动体验:Bongo-Cat-Mver如何让你的键盘操作变成视觉盛宴如何用开源工具轻松制作游戏模组?Crowbar让创作不再有门槛
项目优选
收起
暂无描述
Dockerfile
678
4.33 K
🎉 (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
1.57 K
911
deepin linux kernel
C
28
16
暂无简介
Dart
923
228
Ascend Extension for PyTorch
Python
518
630
全称:Open Base Operator for Ascend Toolkit,哈尔滨工业大学AISS团队基于Ascend C打造的高性能昇腾算子库。
C++
46
52
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
1.07 K
559
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
399
305
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.35 K
110
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
134
212