JimuReport实现部门人员清单动态分页打印方案
2025-06-01 18:47:54作者:谭伦延
需求背景
在企业日常管理中,经常需要打印各部门人员清单报表。传统做法是简单地将所有人员数据打印在一份报表中,但实际业务中往往需要按部门进行分页打印,每个部门的人员信息独立成页,便于分发和管理。
解决方案
JimuReport提供了两种实现部门人员清单动态分页打印的方案:
方案一:参数化查询分页打印
-
实现原理:
- 将部门ID或部门名称设置为报表参数
- 每次查询只获取指定部门的人员数据
- 打印时逐个部门执行打印操作
-
实施步骤:
- 创建部门参数下拉框
- 设计人员清单报表模板
- 设置SQL查询条件关联部门参数
- 通过循环调用实现批量打印
-
优缺点:
- 优点:实现简单,适合部门数量较少的情况
- 缺点:需要多次调用打印,效率较低
方案二:主子表循环块批量打印
-
实现原理:
- 使用JimuReport的主子表循环块功能
- 主数据集查询所有部门信息
- 子数据集关联查询各部门人员
- 报表引擎自动按部门分页
-
实施步骤:
- 创建主数据集:查询部门列表
- 创建子数据集:关联部门ID查询人员
- 设计报表模板时设置主子表关系
- 配置循环块实现自动分页
-
核心配置:
- 主表字段:部门ID、部门名称
- 子表字段:人员ID、姓名、性别等
- 关联条件:部门ID相等
-
优缺点:
- 优点:一次性生成所有部门报表,效率高
- 缺点:配置稍复杂,需要理解主子表概念
技术实现细节
数据准备
需要准备两个SQL查询:
- 部门查询SQL:
SELECT dept_id, dept_name FROM sys_department ORDER BY dept_id
- 人员查询SQL:
SELECT * FROM sys_user WHERE dept_id = '${dept_id}' ORDER BY user_id
报表设计要点
-
主表区域:
- 放置部门名称作为每页标题
- 可添加打印日期等公共信息
-
子表区域:
- 设计人员信息表格
- 设置合适的行高和列宽
- 可添加序号列
-
分页设置:
- 确保每个部门数据在新页开始
- 设置合适的页眉页脚
实际应用建议
- 对于小型企业(部门数量<10),两种方案均可,推荐方案二更高效
- 对于大型企业(部门数量多),必须使用方案二
- 可考虑添加部门汇总行,显示各部门人数统计
- 打印时可选择导出PDF或直接打印,建议先预览
常见问题处理
-
部门分页不生效:
- 检查主子表关联条件是否正确
- 确认是否设置了循环块属性
-
数据重复或缺失:
- 验证SQL查询条件
- 检查参数传递是否正确
-
打印格式错乱:
- 调整报表模板布局
- 检查纸张方向设置
通过合理运用JimuReport的报表功能,可以轻松实现部门人员清单的动态分页打印需求,大大提高企业日常管理效率。
登录后查看全文
热门项目推荐
相关项目推荐
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
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
245
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
672
157
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218