ThingsBoard中实现Markdown/HTML卡片的动态刷新机制
背景介绍
在ThingsBoard物联网平台开发过程中,Markdown/HTML卡片是一种非常灵活的组件,允许开发者通过自定义HTML和JavaScript代码来创建复杂的界面元素。然而,许多开发者在实际使用中会遇到一个常见问题:如何在不刷新整个页面的情况下,动态更新Markdown/HTML卡片的内容。
问题分析
传统上,开发者可能会通过隐藏的数据字段来触发卡片更新,这种方法虽然可行但不够优雅。当需要实现更复杂的交互,比如通过侧边栏导航切换卡片状态时,就需要更高效的解决方案。
解决方案
通过深入分析ThingsBoard的架构,我们发现可以利用AngularJS的作用域(scope)和广播服务(broadcastService)来实现卡片的动态刷新。以下是具体实现步骤:
1. 状态管理
首先,我们需要在卡片的作用域中存储当前状态。这样可以在不同事件间保持状态的一致性:
var state = ctx.$scope.state ? ctx.$scope.state : "6_channel";
2. HTML模板构建
构建包含动态状态的HTML模板,其中tb-dashboard-state组件会根据当前状态显示不同的内容:
<div class="full-size">
<tb-dashboard-state [ctx]="ctx" stateId="${state}"></tb-dashboard-state>
<div style="display: none">${data[0].deviceName}</div>
</div>
3. 事件监听与处理
通过ThingsBoard提供的广播服务监听自定义事件,当事件触发时更新状态并刷新卡片:
const $injector = ctx.$scope.$injector;
const broadcastService = $injector.get(ctx.servicesMap.get('broadcastService'));
broadcastService.on('SOME_CUSTOM_EVENT', (evt, msg) => {
ctx.$scope.state = msg[0];
ctx.$scope.markdownWidget.onDataUpdated();
});
技术原理
这个解决方案的核心在于:
-
作用域继承:利用AngularJS的作用域继承特性,在父作用域和子作用域之间共享状态数据。
-
广播机制:ThingsBoard的广播服务允许不同组件间进行松耦合的通信,非常适合处理用户交互事件。
-
手动刷新:通过调用
markdownWidget.onDataUpdated()方法,可以绕过常规的数据绑定机制,直接触发卡片重新渲染。
最佳实践
在实际项目中应用此方案时,建议:
-
为不同的事件类型定义清晰的命名规范,避免事件冲突。
-
在状态变更时添加必要的验证逻辑,确保传入的状态ID有效。
-
考虑添加防抖机制,防止频繁的状态更新导致性能问题。
-
对于复杂的状态管理,可以结合ThingsBoard的实体服务进行更系统的设计。
总结
通过本文介绍的方法,ThingsBoard开发者可以轻松实现Markdown/HTML卡件的动态内容更新。这种方案不仅解决了基本的刷新需求,还为构建更复杂的交互式仪表板提供了基础。理解这些底层机制后,开发者可以进一步扩展应用场景,如实现多卡片协同、条件渲染等高级功能。
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