JeecgBoot项目中实现多Sheet的Map数据导出方案
在JeecgBoot 3.6.1版本中,开发者经常需要处理复杂的数据导出需求,特别是需要将不同类型的数据分别导出到Excel的不同Sheet页中。本文将详细介绍如何基于JeecgBoot框架实现多Sheet导出功能,其中每个Sheet使用Map数据结构作为数据源。
多Sheet导出的核心原理
JeecgBoot的Excel导出功能基于Spring MVC的视图解析机制,通过NormalExcelConstants.JEECG_EXCEL_VIEW视图实现。多Sheet导出的关键在于构建正确的模型数据,包括:
- 每个Sheet的配置信息
- 每个Sheet对应的数据集合
- 导出参数设置
实现步骤详解
1. 准备导出数据结构
首先需要创建一个包含多个Sheet信息的列表,每个Sheet信息包含三个关键元素:
List<Map<String, Object>> exportParamList = Lists.newArrayList();
2. 构建单个Sheet的配置
对于每个Sheet,需要构建一个Map包含以下内容:
Map<String, Object> valueMap = Maps.newHashMap();
valueMap.put(NormalExcelConstants.PARAMS, view.getExportParams()); // 导出参数
valueMap.put(NormalExcelConstants.DATA_LIST, view.getDataList()); // 数据列表
valueMap.put(NormalExcelConstants.CLASS, view.getCls()); // 数据类型
3. 组装多Sheet配置
将所有Sheet配置添加到导出参数列表中:
exportParamList.add(valueMap);
4. 设置导出文件名
在模型数据中设置导出文件名:
modelMap.put(NormalExcelConstants.FILE_NAME, new DateTime().toString("yyyyMMddHHmmss"));
5. 设置多Sheet配置
将组装好的多Sheet配置放入模型数据:
modelMap.put(NormalExcelConstants.MAP_LIST, exportParamList);
6. 返回Excel视图
最后返回JeecgBoot的Excel视图:
return NormalExcelConstants.JEECG_EXCEL_VIEW;
完整示例代码
// 准备导出参数列表
List<Map<String, Object>> exportParamList = Lists.newArrayList();
// 获取业务数据(此处为示例,实际应根据业务调整)
ExportMoreView moreView = this.getBaseTransferService().mergeExportView(templateTypeCode);
// 遍历每个Sheet配置
for(ExportView view : moreView.getMoreViewList()) {
Map<String, Object> valueMap = Maps.newHashMap();
valueMap.put(NormalExcelConstants.PARAMS, view.getExportParams());
valueMap.put(NormalExcelConstants.DATA_LIST, view.getDataList());
valueMap.put(NormalExcelConstants.CLASS, view.getCls());
exportParamList.add(valueMap);
}
// 设置导出文件名
modelMap.put(NormalExcelConstants.FILE_NAME, new DateTime().toString("yyyyMMddHHmmss"));
// 设置多Sheet配置
modelMap.put(NormalExcelConstants.MAP_LIST, exportParamList);
// 返回Excel视图
return NormalExcelConstants.JEECG_EXCEL_VIEW;
关键点说明
-
数据源类型:虽然示例中使用了
ExportView对象,但实际上可以直接使用Map结构作为数据源,只需确保数据结构与模板匹配。 -
动态列处理:当使用Map作为数据源时,Excel列会动态匹配Map的key值,这为处理动态列提供了便利。
-
性能考虑:对于大数据量导出,建议分批处理数据,避免内存溢出。
-
样式定制:可以通过
ExportParams对象定制每个Sheet的表头样式、标题等属性。
常见问题解决方案
-
Sheet名称设置:在
ExportParams中设置title属性作为Sheet名称。 -
列顺序问题:当使用Map时,列顺序可能不稳定,建议在模板中明确指定列顺序。
-
数据类型转换:Map中的值会自动转换为Excel单元格类型,但复杂对象需要特殊处理。
通过上述方法,开发者可以灵活地在JeecgBoot项目中实现基于Map数据源的多Sheet导出功能,满足各种复杂的业务导出需求。
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