Choices.js 中保留原始 option 元素属性的技术实践
背景介绍
在使用 Choices.js 这个强大的选择框库时,开发者经常会遇到需要保留原始 select 元素中 option 标签自定义属性的需求。这些自定义属性(如 data-*)可能包含了重要的业务数据,需要在 Choices.js 渲染的界面中继续使用。
问题核心
当使用 Choices.js 替换原生 select 元素时,默认情况下它会创建一个全新的 UI 组件,而原始 option 元素的自定义属性不会自动保留。这导致开发者需要寻找方法来访问和保留这些原始属性。
解决方案
Choices.js 提供了 callbackOnCreateTemplates 回调函数,这是一个强大的扩展点,允许开发者自定义模板的创建过程。通过这个回调,我们可以访问并保留原始 option 元素的属性。
实现方法
-
使用 callbackOnCreateTemplates: 这是 Choices.js 提供的核心扩展点,允许开发者覆盖默认的模板创建逻辑。
-
保留原始属性: 在创建自定义模板时,可以从原始 option 元素中提取需要的属性,并将它们应用到新创建的 Choices 元素上。
-
示例代码:
const choicesInstance = new Choices(selectElement, {
callbackOnCreateTemplates: function() {
const originalTemplates = Choices.defaults.templates;
return {
choice: (classNames, data) => {
// 获取原始 option 元素
const originalOption = selectElement.options[data.choiceId];
// 创建默认的 choice 元素
const choiceEl = originalTemplates.choice.call(this, classNames, data);
// 保留原始 data 属性
if (originalOption) {
Array.from(originalOption.attributes).forEach(attr => {
if (attr.name.startsWith('data-')) {
choiceEl.dataset[attr.name.replace('data-', '')] = attr.value;
}
});
}
return choiceEl;
},
item: (classNames, data) => {
// 类似处理 item 模板
// ...
}
};
}
});
技术细节
-
原始 option 访问: 通过
selectElement.options[data.choiceId]可以获取到对应的原始 option 元素。 -
属性转移: 使用
datasetAPI 可以方便地处理和转移 data-* 属性。 -
模板继承: 在自定义模板中,首先调用原始模板方法 (
originalTemplates.choice.call) 确保基础功能正常,然后再添加自定义逻辑。
最佳实践
-
选择性保留属性: 不是所有原始属性都需要保留,应根据业务需求选择性地转移重要属性。
-
性能考虑: 对于包含大量选项的选择框,属性转移操作可能会影响性能,应进行必要的优化。
-
兼容性处理: 添加适当的空值检查,确保代码在原始 option 不存在时也能正常工作。
总结
通过合理利用 Choices.js 的 callbackOnCreateTemplates 回调,开发者可以灵活地保留和转移原始 select 元素中的自定义属性,实现更复杂的业务需求。这种方法既保持了 Choices.js 的强大功能,又解决了与原始元素属性的兼容性问题。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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 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
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