Fortune-Sheet项目中TODAY()函数失效问题分析与解决方案
问题背景
在Fortune-Sheet项目中,用户报告了一个关于日期函数的重要问题:TODAY()函数无法正常工作,返回结果为NaN。这个问题不仅影响了TODAY()函数,还波及到其他多个日期相关函数,包括WORKDAY、DATE、DATEVALUE、EDATE、EOMONTH、NOW和WORKDAYINTL等。
问题根源分析
经过技术团队深入调查,发现问题的根本原因在于Fortune-Sheet与formulajs库之间的数据类型兼容性问题。具体表现为:
-
数据类型不匹配:formulajs库中的TODAY()函数返回的是一个JavaScript Date对象,而Fortune-Sheet的单元格目前仅支持字符串(String)和数字(Number)两种数据类型。
-
自动转换失败:当Date对象被传入Fortune-Sheet时,系统无法自动将其转换为可识别的格式,导致最终显示为NaN(Not a Number)。
-
影响范围广:这个问题不仅限于TODAY()函数,所有返回Date对象的日期函数都会遇到相同的兼容性问题。
技术解决方案
针对这个问题,技术团队提出了以下解决方案:
-
类型检查与转换:在公式执行层(execfunction)添加类型检查逻辑,当检测到函数返回值为Date对象时,自动调用toString()方法将其转换为字符串。
-
日期格式标准化:转换后的日期字符串将保持标准格式,例如:"Sat Jun 01 2024 00:00:00 GMT+0530 (India Standard Time)"。
-
兼容性考虑:这种解决方案既保持了与formulajs库的兼容性,又满足了Fortune-Sheet对数据类型的要求,是一种优雅的中间层处理方式。
实现细节
在实际实现中,技术团队重点关注了以下几个关键点:
-
执行时机:类型转换发生在公式解析完成后,结果返回给单元格之前。
-
性能影响:额外的类型检查对性能影响极小,几乎可以忽略不计。
-
用户体验:转换后的日期字符串保持了可读性,用户可以直接理解其含义。
-
后续处理:虽然以字符串形式存储,但这些日期数据仍然可以被其他函数正确处理和使用。
总结与展望
Fortune-Sheet作为一款功能强大的电子表格库,处理日期函数的能力是其重要特性之一。通过这次对TODAY()函数问题的修复,不仅解决了当前的功能缺陷,还为未来处理类似的数据类型兼容性问题提供了参考方案。
技术团队将继续关注日期相关功能的完善,未来可能会考虑增加对Date对象的原生支持,或者提供更灵活的日期格式选项,以进一步提升用户体验和功能完整性。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- 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
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00