Blazorise DataGrid 列验证问题分析与解决方案
问题背景
在使用Blazorise 1.4.0版本时,开发者在DataGrid组件中遇到了一个验证相关的错误。具体表现为当尝试在DataGrid的编辑模式下使用Autocomplete组件并添加验证时,系统抛出"Input component is not assigned"的异常。
问题现象
开发者在DataGrid列中定义了一个可编辑的Autocomplete组件,并尝试通过外部的Validation组件为其添加验证规则。代码如下:
<DataGridColumn Field="@nameof(Rework.Product)" Caption="@Loc["ProductColumnName"]" Editable>
<EditTemplate>
<Validation Validator="ValidationRule.IsNotEmpty">
<Autocomplete TItem="string" TValue="string" Data="@products" TextField="@(t => t)" ValueField="@(t => t)"
SelectedValue="(string)context.CellValue" SelectedValueChanged="@(v => context.CellValue = v)">
</Autocomplete>
</Validation>
</EditTemplate>
</DataGridColumn>
当用户点击保存按钮时,浏览器控制台会显示以下错误:
System.ArgumentNullException: Input component is not assigned. (Parameter 'inputComponent')
问题分析
这个问题的根本原因在于验证组件的使用方式不正确。Blazorise的Autocomplete组件已经内置了验证功能,不需要再额外包裹Validation组件。当外部Validation组件尝试验证时,找不到对应的输入组件引用,因此抛出异常。
此外,开发者还提到Autocomplete组件似乎不接受Feedback组件作为子组件,这也是因为Autocomplete已经内置了完整的验证和反馈机制。
解决方案
正确的做法是直接使用Autocomplete组件内置的验证功能,而不是在外层包裹Validation组件。修改后的代码如下:
<DataGridColumn Field="@nameof(Rework.Product)" Caption="@Loc["ProductColumnName"]" Editable>
<EditTemplate>
<Autocomplete TItem="string" TValue="string" Data="@products" TextField="@(t => t)" ValueField="@(t => t)"
SelectedValue="(string)context.CellValue" SelectedValueChanged="@(v => context.CellValue = v)"
Validator="ValidationRule.IsNotEmpty">
</Autocomplete>
</EditTemplate>
</DataGridColumn>
技术要点
-
组件内置验证:Blazorise的许多输入组件(如Autocomplete、TextEdit等)都内置了验证功能,不需要额外包裹Validation组件。
-
验证规则传递:验证规则可以直接通过组件的Validator属性设置,如
Validator="ValidationRule.IsNotEmpty"。 -
错误反馈:内置验证的组件会自动处理错误状态的显示,不需要手动添加Feedback组件。
-
DataGrid集成:在DataGrid中使用编辑模板时,验证逻辑应与普通表单中的使用方式保持一致。
最佳实践建议
-
在使用Blazorise组件时,优先查阅官方文档了解组件是否已经内置验证功能。
-
对于复杂验证场景,考虑使用FluentValidation等更强大的验证库与Blazorise集成。
-
在DataGrid中使用编辑模板时,保持验证逻辑的简洁性,避免多层嵌套验证结构。
-
测试验证逻辑时,不仅要测试前端验证,还应确保后端也进行了相应的验证处理。
通过这种方式,开发者可以避免验证相关的异常,同时保持代码的简洁性和可维护性。
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