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。
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00