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
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07
项目优选
收起
deepin linux kernel
C
32
16
暂无描述
Dockerfile
771
5.02 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
693
1.36 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
865
1.96 K
Ascend Extension for PyTorch
Python
746
926
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
461
455
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++
1.09 K
1.12 K
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
1.94 K
199
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
3.09 K
643
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.02 K
266