Hilla 24.7.0 版本发布:全面升级的全栈开发体验
Hilla 是一个现代化的全栈开发框架,它无缝连接了 Java 后端和 TypeScript 前端,让开发者能够高效构建企业级 Web 应用。最新发布的 Hilla 24.7.0 版本带来了一系列重要改进和新特性,显著提升了开发体验和功能完整性。
核心架构改进
本次版本最显著的架构变化是改进了 TypeScript 生成的机制。Hilla 现在完全依赖 Spring 框架来发现 @BrowserCallable 和 @Endpoint 注解的类,取代了之前独立的类路径扫描机制。这一变化带来了几个重要优势:
- 简化配置:不再需要维护两套类路径配置(Spring 和 Hilla 各一套),减少了配置复杂性
- 提高可靠性:完全依赖 Spring 的成熟机制,减少了潜在的兼容性问题
- 性能优化:移除了额外的构建工具执行步骤,加快了构建速度
开发者需要注意,现在所有浏览器可调用的服务都必须是 Spring 管理的 Bean。如果服务定义在依赖或其他包中,必须确保它们被包含在 Spring 的组件扫描范围内。
文件上传支持
Hilla 24.7.0 新增了对文件上传的原生支持。开发者现在可以:
- 在 Java 后端使用
MultipartFile作为参数类型 - 在前端 TypeScript 代码中使用
File类型作为对应参数 - 轻松实现文件上传功能而无需处理底层细节
这一特性大大简化了文件处理相关功能的开发流程,让开发者能够更专注于业务逻辑的实现。
注解支持增强
在类型安全和空值处理方面,Hilla 24.7.0 做了重要改进:
- 标准化注解支持:新增对 Spring 和 JSpecify 标准
@Nullable和@NonNull注解的支持 - 注解迁移:Hilla 原有的空值注解被标记为废弃,建议迁移到标准注解
- Kotlin 支持:Gradle 插件现在会自动添加编译器参数以支持 Kotlin 中的空值性和验证注解
这些改进使得代码更加标准化,提高了与其他 Java 生态系统的互操作性。
数据绑定与UI集成
Hilla 24.7.0 在数据绑定和UI组件集成方面做了多项增强:
-
专用钩子函数:
useGridDataProvider:简化 Grid 组件与服务端的连接useComboBoxDataProvider:优化 ComboBox 与后端数据的集成
-
表单验证改进:
- 为日期组件提供了更好的非可解析输入验证反馈
- 增强了整体表单验证的用户体验
-
AutoCrud 增强:
- 自动遵守 Spring 的最大分页大小限制
- 支持移除新建按钮的配置选项
这些改进使得前端组件与后端服务的集成更加无缝,减少了样板代码,提高了开发效率。
响应式编程增强
在响应式编程方面,Hilla 24.7.0 引入了几个实用功能:
- 静默调用选项:新增
mute调用选项,允许绕过内置的进度指示器 - 错误处理增强:
onError响应式订阅回调现在支持错误消息参数 - 实验性支持:客户端默认值现在变为可选参数,提供了更大的灵活性
这些改进使得异步编程更加灵活和强大,能够更好地处理各种边缘情况。
总结
Hilla 24.7.0 是一个功能丰富的版本,它在架构简化、功能增强和开发者体验方面都做出了重要改进。从文件上传支持到标准化注解,从数据绑定优化到响应式编程增强,这些变化共同提升了 Hilla 作为全栈开发框架的成熟度和实用性。
对于现有项目,建议评估这些变化对代码的影响,特别是关于类路径扫描和空值注解的变更。新项目则可以充分利用这些新特性,构建更加健壮和高效的 Web 应用。
随着 Hilla 框架的持续演进,它为 Java 和 TypeScript 全栈开发提供了越来越完善的支持,是企业级应用开发的强大选择。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01