TanStack Table 中复选框渲染性能优化实践
2025-05-07 09:02:51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
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
9
1
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++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878