TanStack Table 中复选框渲染性能优化实践
2025-05-07 14:41:36作者:伍希望
问题背景
在使用 TanStack Table(原 React Table)构建权限管理表格时,开发者遇到了复选框渲染延迟的问题。表格中每一行代表一个权限,每一列代表一个角色,单元格内使用复选框表示该角色是否拥有该权限。当用户点击复选框时,会出现明显的延迟才能看到状态变化。
原始实现分析
最初实现中,开发者采用了以下关键设计:
- 使用
useMemo缓存列定义(columns),依赖项为角色列表和角色权限数据 - 在复选框的
onCheckedChange回调中,先更新本地状态,再调用 API 更新后端 - 使用
defaultChecked而非checked来控制复选框状态
这种实现方式虽然遵循了 TanStack Table 的最佳实践(使用 useMemo 缓存列定义),但却导致了性能问题。每次点击复选框时,由于状态更新触发了列定义的重新计算,进而导致整个表格的重新渲染,造成了明显的延迟。
性能问题根源
经过深入分析,发现性能瓶颈主要来自以下几个方面:
- 状态更新导致的列重新计算:每次复选框状态变化都会触发
rolePermissions状态更新,进而触发useMemo重新计算列定义 - 不必要的本地状态管理:实际上权限数据来自父组件,本地状态只是作为中间层,增加了复杂性
- 列定义的复杂性:动态生成的列(每个角色对应一列)使得列定义计算成本较高
优化方案
最终采取的优化方案是:
- 移除不必要的本地状态:直接使用父组件传入的
rolePermissions和permissions,不再维护本地副本 - 简化数据流:复选框点击直接调用父组件传入的
onUpdateRolePermission方法,不再经过本地状态中转 - 保留 useMemo 优化:继续使用
useMemo缓存列定义,但依赖项减少,计算更高效
优化后的关键代码如下:
const handleCheckboxChange = async (
roleId: string,
permissionId: string,
currentChecked: boolean
) => {
try {
await onUpdateRolePermission(roleId, permissionId, !currentChecked);
} catch (e) {
console.error("error from change", e);
}
};
const columns = React.useMemo(() => {
return getColumns({ roles, handleCheckboxChange, rolePermissions });
}, [roles, rolePermissions]);
优化效果
经过上述优化后:
- 复选框响应变得即时,不再有可感知的延迟
- 代码更加简洁,减少了不必要的状态管理
- 仍然保持了 TanStack Table 的最佳实践
- 数据流更加清晰,便于维护
经验总结
通过这个案例,我们可以总结出以下 TanStack Table 使用经验:
- 谨慎管理状态:在表格组件中,应该尽量减少不必要的本地状态,特别是当数据来自父组件时
- 合理使用 useMemo:对于复杂的列定义,useMemo 是必要的,但要确保依赖项尽可能简单
- 直接操作数据源:当数据来自外部时,优先考虑直接操作外部数据源,而不是通过本地状态中转
- 性能监控:对于交互复杂的表格,应该密切关注用户操作的响应速度,及时优化
这个案例展示了如何在使用 TanStack Table 构建复杂交互表格时,平衡功能实现与性能优化的关系,为类似场景的开发提供了有价值的参考。
登录后查看全文
热门项目推荐
相关项目推荐
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00
最新内容推荐
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
478
3.57 K
React Native鸿蒙化仓库
JavaScript
287
340
暂无简介
Dart
728
175
Ascend Extension for PyTorch
Python
288
321
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++
850
447
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
239
100
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
10
1
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
451
180
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.28 K
705