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 StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
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
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
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
项目优选
收起
deepin linux kernel
C
28
16
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
570
99
暂无描述
Dockerfile
709
4.51 K
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++
958
955
🎉 (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
1.61 K
942
Ascend Extension for PyTorch
Python
572
694
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
413
339
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.42 K
116
暂无简介
Dart
952
235
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
12
2