Antares SQL 查询历史记录高亮显示问题分析与解决方案
问题背景
在Antares SQL数据库管理工具中,用户发现历史查询记录模块存在一个显示异常问题。当用户在历史记录中搜索特定查询时,搜索结果中出现了未渲染的HTML标签,而不是预期的视觉高亮效果。这个问题影响了用户体验,使得搜索结果的视觉反馈不够直观。
问题现象
用户在历史记录面板进行搜索时,预期看到的是搜索关键词以特殊样式(主色加粗)高亮显示。然而实际呈现的是未经处理的HTML标签字符串,如<span class="text-primary text-bold">SELECT</span>直接显示在界面上,而非渲染后的视觉效果。
更复杂的是,当SQL语法高亮功能与搜索高亮功能同时作用于同一文本时,两种高亮效果会产生冲突,导致最终的显示效果不符合预期。
技术分析
这个问题源于ModalHistory.vue组件中的双重高亮处理逻辑:
- 搜索关键词高亮:通过
highlightWord函数将匹配的搜索词用HTML span标签包裹,添加特定CSS类 - SQL语法高亮:通过
highlight函数对整个SQL语句进行语法着色
当这两个功能串联使用时(highlight(highlightWord(query.sql))),HTML标签会被当作普通文本处理,而非DOM元素,从而导致标签直接显示。
解决方案
开发团队提供了两种解决思路:
方案一:完全移除搜索高亮功能
直接使用SQL语法高亮,放弃搜索关键词的特殊标记。这种方法简单直接,但牺牲了搜索结果的视觉反馈。
// 修改前
v-html="highlight(highlightWord(query.sql), {html: true})"
// 修改后
v-html="highlight(query.sql, {html: true})"
方案二:调整高亮标记方式
保留搜索高亮功能,但修改标记方式,使用不会与SQL语法高亮冲突的符号:
// 原实现
return string.replace(regexp, '<span class="text-primary text-bold">$1</span>');
// 修改后实现
return string.replace(regexp, '%$1%');
这种方案使用百分号包裹搜索词,既保持了视觉区分度,又避免了HTML标签与语法高亮的冲突。修改后,搜索词会显示为绿色百分号包裹的文本,如%SELECT%。
实现选择与考量
在实际修复中,开发团队需要权衡以下因素:
- 用户体验:搜索高亮功能对于快速定位结果非常重要,完全移除可能影响使用效率
- 技术实现复杂度:双重高亮处理需要确保两种高亮机制不会相互干扰
- 视觉一致性:修改后的高亮样式需要与整体UI风格协调
最终,Antares SQL选择了方案二作为修复方案,因为它:
- 保留了搜索高亮的实用功能
- 解决了HTML标签直接显示的问题
- 通过简单的符号标记实现了足够的视觉区分度
- 避免了与SQL语法高亮的深层冲突
总结
这个案例展示了前端开发中常见的富文本处理挑战,特别是当多个文本处理功能需要叠加时。Antares SQL通过调整高亮标记策略而非完全移除功能,既解决了问题又保持了良好的用户体验,体现了对细节的关注和务实的技术决策。
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-X1-7BSpark-Prover-X1-7B 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-X1-7BSpark-Formalizer-X1-7B 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).Dockerfile015
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