SortableJS中实现部分元素固定排序的技术方案
2025-05-05 10:56:40作者:董宙帆
背景介绍
SortableJS是一个功能强大的JavaScript拖拽排序库,广泛应用于现代Web开发中。在实际项目中,我们经常会遇到一些特殊需求,比如需要固定列表中某些元素的位置,同时允许其他元素自由排序。本文将详细介绍如何利用SortableJS实现这种部分元素固定排序的功能。
核心实现思路
要实现部分元素固定排序,关键在于以下几点:
- 为每个可排序元素设置唯一标识
- 维护一个排序状态数组
- 利用SortableJS的store API同步排序状态
具体实现步骤
1. 元素标识设置
首先,我们需要为列表中的每个元素设置唯一标识。这可以通过HTML5的data-*属性实现:
<ul id="sortable-list">
<li data-item-id="el1">固定元素1(不可移动)</li>
<li data-item-id="el2">可排序元素1</li>
<li data-item-id="el3">可排序元素2</li>
<li data-item-id="el4">固定元素2(不可移动)</li>
</ul>
2. 初始化排序状态数组
在JavaScript中,我们需要维护一个反映当前排序状态的数组:
let orderElements = ["el1", "el2", "el3", "el4"];
这个数组的初始顺序应该与DOM中的元素顺序一致。
3. 配置SortableJS实例
创建Sortable实例时,关键配置如下:
new Sortable(document.getElementById('sortable-list'), {
animation: 150,
dataIdAttr: 'data-item-id', // 指定元素标识属性
store: {
get: function() {
return orderElements;
},
set: function(sortable) {
orderElements = sortable.toArray();
}
},
filter: '.fixed', // 过滤掉固定元素(如果有特定类名)
onMove: function(evt) {
// 可以在这里添加额外逻辑防止固定元素被移动
if (evt.related.classList.contains('fixed')) {
return false;
}
}
});
4. 服务器端数据同步
当需要从服务器获取预设排序时,可以这样做:
// 假设从API获取的排序数据
const serverOrder = ["el1", "el3", "el2", "el4"];
// 更新本地排序状态
orderElements = serverOrder;
// 强制Sortable重新排序DOM
const sortable = new Sortable(...);
sortable.sort(orderElements);
高级应用技巧
动态更新固定元素
如果需要动态改变哪些元素是固定的,可以:
- 为固定元素添加特定类名(如'fixed')
- 在Sortable配置中使用filter选项排除这些元素
- 在onMove回调中阻止固定元素的移动
混合固定与可排序元素
对于更复杂的场景,比如每隔几个可排序元素就有一个固定元素,可以通过:
- 在store.get()中预处理排序数组
- 使用多维数组维护不同分组的排序状态
- 结合CSS样式区分不同类型的元素
性能优化建议
- 减少DOM操作:在大量元素排序时,避免在每次排序后都进行完整DOM更新
- 使用虚拟滚动:对于超长列表,考虑结合虚拟滚动技术
- 节流事件处理:对频繁触发的排序事件进行节流处理
常见问题解决
- 固定元素意外移动:检查filter配置和onMove回调是否正常工作
- 排序状态不同步:确保store.get/set实现正确,并在数据变化时调用sort()
- 动画卡顿:适当调整animation时长或禁用某些复杂动画
总结
通过合理配置SortableJS的store API和利用元素标识,我们可以灵活实现部分元素固定、部分元素可排序的复杂交互需求。这种方案不仅保持了SortableJS的核心功能,还能满足各种业务场景下的特殊排序需求。开发者可以根据实际项目情况,调整上述方案的具体实现细节。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
299
2.65 K
Ascend Extension for PyTorch
Python
130
152
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
608
196
React Native鸿蒙化仓库
JavaScript
229
307
暂无简介
Dart
592
129
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.05 K
612
仓颉编译器源码及 cjdb 调试工具。
C++
122
511
本项目是CANN提供的是一款高效、可靠的Transformer加速库,基于华为Ascend AI处理器,专门为Transformer模型的训练和推理而设计。
C++
48
77
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
181
67
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
457