Blazorise DataGrid 自定义排序功能解析
背景介绍
Blazorise 是一个基于 Blazor 的 UI 组件库,其中的 DataGrid 组件提供了强大的数据展示和排序功能。在实际开发中,我们经常会遇到需要对混合类型数据(如包含字母和数字的字符串)进行特殊排序的需求。
问题场景
在常规的数据网格排序中,字符串类型的列会按照字典序进行排序,这会导致类似 "A-1, A-2, A-10" 这样的数据被排序为 "A-1, A-10, A-2",而这通常不是用户期望的结果。用户期望的是能够识别字符串中的数字部分,并按数值大小进行排序,即 "A-1, A-2, A-10"。
解决方案演进
Blazorise 团队针对这一需求提出了几种解决方案:
-
简单字段映射方案:通过添加一个专门用于排序的计算属性,对原始数据进行预处理,使其能够正确排序。例如将 "A-10" 转换为 "A-00010" 这样的固定长度格式。
-
自定义排序字段函数:在 DataGridColumn 上提供 SortFieldFunc 属性,允许开发者传入一个 lambda 表达式,动态计算排序键值。
-
自定义比较器方案:实现完整的 IComparer 接口,提供更灵活的比较逻辑,可以处理各种复杂的混合字符串排序场景。
技术实现细节
对于最复杂的第三种方案,开发者可以实现如下比较逻辑:
public class AlphanumericComparer : IComparer<string>
{
public int Compare(string x, string y)
{
// 分割字符串为字母和数字部分
var xParts = Regex.Split(x, "([0-9]+)");
var yParts = Regex.Split(y, "([0-9]+)");
// 逐部分比较
for (int i = 0; i < Math.Min(xParts.Length, yParts.Length); i++)
{
// 如果都是数字,按数值比较
if (int.TryParse(xParts[i], out int xNum) &&
int.TryParse(yParts[i], out int yNum))
{
if (xNum != yNum)
return xNum.CompareTo(yNum);
}
// 否则按字符串比较
else
{
int strCompare = string.Compare(xParts[i], yParts[i], StringComparison.OrdinalIgnoreCase);
if (strCompare != 0)
return strCompare;
}
}
// 如果共同部分都相同,长度短的排在前面
return xParts.Length.CompareTo(yParts.Length);
}
}
最佳实践建议
-
简单场景:如果数据格式相对固定,优先使用计算属性方案,性能最佳。
-
中等复杂度:当需要处理多种格式但规则明确时,使用 SortFieldFunc 方案。
-
高度复杂:只有在前两种方案无法满足时,才考虑实现完整比较器,因为这会带来额外的性能开销。
性能考量
对于大数据量的排序,需要注意:
-
正则表达式分割虽然方便,但性能较差,可以考虑优化为手动解析。
-
计算属性方案在数据不变的情况下可以缓存结果,避免重复计算。
-
在 Blazor 的虚拟滚动场景中,排序性能尤为关键,应尽量减少不必要的计算。
总结
Blazorise DataGrid 通过灵活的排序方案设计,满足了从简单到复杂的各种排序需求。开发者可以根据实际场景选择最适合的方案,在功能实现和性能之间取得平衡。对于常见的混合字符串排序问题,合理使用这些特性可以显著提升用户体验。
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