JeecgBoot中表单参数componentProps为函数时的注意事项
问题背景
在使用JeecgBoot框架开发时,开发者发现当表单参数的componentProps属性设置为函数返回值时,存在两个主要问题:
- 定义的valueType属性不生效
- 使用updateSchema更新表单参数时,必须更新整个componentProps方法返回的所有值,否则未更新的字段会失效
技术分析
valueType属性失效问题
在多选组件并要求以数组格式传值给后端时,如果componentProps以函数形式定义,其中设置的valueType属性不会生效。这是因为框架底层代码在获取componentProps的valueType时,没有处理函数形式的componentProps,而是直接使用componentProps.valueType取值。
当componentProps为函数时,componentProps.valueType实际上是undefined,导致框架无法正确识别开发者期望的数据类型。
updateSchema更新问题
当使用updateSchema方法更新表单参数时,如果componentProps是函数形式,开发者必须完整更新该函数返回的所有属性值。如果只更新部分属性,未更新的属性将会失效。这是因为框架在处理函数形式的componentProps时,会完全替换原有的函数定义,而不是进行属性合并。
解决方案
针对valueType问题
-
对于需要明确指定valueType为"array"的场景,建议直接在字段定义中设置valueType属性,而不是通过componentProps函数设置。
-
如果确实需要通过componentProps函数设置valueType,可以考虑在字段定义和componentProps中都设置valueType,确保至少有一处能生效。
针对updateSchema问题
-
在更新componentProps时,建议先获取当前完整的componentProps定义,然后在此基础上进行修改,最后再整体更新。
-
可以考虑将componentProps拆分为静态部分和动态部分,静态部分直接定义在字段中,动态部分通过函数处理。
最佳实践
-
对于简单的数据类型定义,优先在字段定义中直接设置valueType属性。
-
对于复杂的componentProps逻辑,可以考虑封装成独立的函数,确保每次更新时都能返回完整的属性集合。
-
在开发过程中,注意检查框架版本,确保使用的是包含相关修复的最新版本。
总结
JeecgBoot框架在处理函数形式的componentProps时存在一些特殊行为,开发者需要特别注意valueType的设置和参数更新的方式。通过遵循上述建议,可以避免因componentProps函数使用不当导致的各种问题,确保表单功能按预期工作。
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