在Pragmatic Drag and Drop中实现垂直树形拖拽布局
Pragmatic Drag and Drop是Atlassian推出的现代化拖拽库,提供了高度灵活和模块化的拖拽功能实现方案。本文将探讨如何在该库中实现垂直方向的树形结构拖拽交互。
标准树形拖拽的局限性
Pragmatic Drag and Drop默认提供的树形拖拽交互是针对水平布局设计的,其核心逻辑体现在standardHitbox函数中。该函数将每个树节点划分为三个区域:
- 顶部1/4区域:触发"reorder-above"(上移排序)
- 底部1/4区域:触发"reorder-below"(下移排序)
- 中间区域:触发"make-child"(创建子节点)
这种划分方式非常适合传统的垂直列表布局,但对于需要水平排列的树形结构(如横向组织结构图、流程图等)则不太适用。
垂直树形拖拽的实现方案
要实现垂直方向的树形拖拽,我们需要修改两个关键部分:
1. 修改命中检测逻辑
核心是调整standardHitbox函数的区域划分逻辑,将垂直检测改为水平检测:
function standardHitbox({ client, borderBox }) {
var quarterOfHeight = borderBox.width / 4; // 改为基于宽度计算
// 左侧1/4区域:触发"reorder-above"
if (client.x <= borderBox.left + quarterOfHeight) {
return 'reorder-above';
}
// 右侧1/4区域:触发"reorder-below"
if (client.x >= borderBox.right - quarterOfHeight) {
return 'reorder-below';
}
return 'make-child';
}
2. 自定义拖拽指示器
根据不同的拖拽指令显示不同的指示器:
import { DropIndicator as TreeItemDropIndicator } from "pragmatic-drag-and-drop-react-drop-indicator/tree-item";
import { DropIndicator as BoxDropIndicator } from "pragmatic-drag-and-drop-react-drop-indicator/box";
const DropIndicator = ({ instruction, gap }) => {
if (instruction.type === "reorder-above") {
return <BoxDropIndicator edge={"left"} gap={gap} />;
}
if (instruction.type === "reorder-below") {
return <BoxDropIndicator edge={"right"} gap={gap} />;
}
return <TreeItemDropIndicator instruction={instruction} />;
};
实现方案的技术考量
-
模块化设计:Pragmatic Drag and Drop的模块化架构允许开发者只替换需要的部分,而不必重写整个拖拽逻辑。
-
命中区域计算:修改后的命中检测将节点水平划分为三个区域,左侧和右侧各占1/4宽度用于排序操作,中间区域用于创建子节点。
-
视觉反馈:使用不同的指示器类型(左侧/右侧边缘指示器)提供清晰的视觉反馈,增强用户体验。
-
兼容性考虑:这种修改保持了与原有API的兼容性,只是调整了内部的行为逻辑。
最佳实践建议
-
明确交互意图:在垂直树形布局中,考虑使用更语义化的指令名称如"reorder-before"和"reorder-after",而非基于方向的命名。
-
视觉设计:确保拖拽指示器与整体UI风格一致,可以考虑添加动画效果提升体验。
-
边界情况处理:特别注意树节点在不同尺寸下的行为,确保命中区域计算始终准确。
-
性能优化:对于大型树结构,考虑实现虚拟滚动等技术优化性能。
总结
Pragmatic Drag and Drop的灵活架构使得实现非标准拖拽交互(如垂直树形布局)变得可行。通过修改命中检测逻辑和自定义指示器组件,开发者可以创建各种创新的拖拽交互模式,满足特定的产品需求。这种方案既保留了库的核心功能,又提供了足够的定制空间,体现了现代前端库设计的优秀实践。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C032
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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