Jeecg Boot项目中BasicTable多选框显示异常的解决方案
2025-05-02 20:54:22作者:裘旻烁
问题背景
在Jeecg Boot项目3.7.1版本中,使用BasicTable组件时,当分页数量超过50条且切换表格样式为"宽松"或"紧凑"模式时,会出现多选框部分缺失的显示异常问题。这个问题影响了用户在多选操作时的体验,特别是在处理大量数据时。
问题分析
该问题的根本原因在于表格行高的计算逻辑存在缺陷。当表格样式切换时,组件未能正确重新计算行高,导致虚拟滚动区域的多选框位置计算错误。具体表现为:
- 在默认样式下工作正常
- 切换到宽松或紧凑样式后出现多选框缺失
- 问题在分页数量较大(超过50条)时尤为明显
解决方案
项目团队通过修改useCustomSelection.tsx文件中的相关逻辑解决了这个问题。主要修改点包括:
- 添加了对表格size属性的显式监听,确保在样式变化时触发重新计算
- 使用nextTick确保DOM更新完成后再获取行高
- 优化了行高计算的时机和准确性
技术实现细节
在src/components/Table/src/hooks/useCustomSelection.tsx文件中,关键的修改如下:
watchEffect(() => {
// 显式监听size变化
propsRef.value.size && void 0;
if (bodyEl.value) {
// 监听div高度变化
bodyResizeObserver = new ResizeObserver((entries) => {
for (let entry of entries) {
if (entry.target === bodyEl.value && entry.contentRect) {
const { height } = entry.contentRect;
bodyHeight.value = Math.ceil(height);
}
}
});
bodyResizeObserver.observe(bodyEl.value);
const el = bodyEl.value?.querySelector('tbody.ant-table-tbody tr.ant-table-row') as HTMLDivElement;
if (el) {
// 使用nextTick确保DOM更新完成
nextTick(() => {
rowHeight.value = el.offsetHeight;
});
return;
}
}
rowHeight.value = 50;
});
问题预防
为了避免类似问题的发生,开发者在处理表格相关组件时应注意:
- 对于可能影响布局的属性变化,应设置显式的监听
- 涉及DOM操作的逻辑应考虑使用nextTick确保DOM更新完成
- 虚拟滚动场景下,行高的计算需要特别精确
- 样式切换时应全面测试各种数据量的情况
总结
Jeecg Boot团队通过细致的分析和精准的修改,解决了BasicTable在多选场景下的显示异常问题。这个案例展示了在复杂前端组件开发中,对细节的关注和正确的生命周期处理的重要性。开发者在使用类似组件时,可以参考这个解决方案来优化自己的实现。
登录后查看全文
热门项目推荐
相关项目推荐
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
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.18 K
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++
690
325
Ascend Extension for PyTorch
Python
229
258
暂无简介
Dart
679
160
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
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
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
492
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
346
147