Lenis 平滑滚动库在 Next.js 中的页面导航问题解决方案
问题背景
在使用 Lenis 平滑滚动库与 Next.js 框架结合开发时,开发者可能会遇到一个常见问题:当从一个未完全滚动到底部的页面导航到新页面时,新页面不会自动滚动到顶部。这会导致用户体验不一致,特别是当页面内容较长时,用户可能会在新页面中看到中间位置的内容而非预期的顶部内容。
问题分析
这个问题源于 Lenis 平滑滚动库的工作机制。Lenis 接管了页面的滚动行为,当页面切换时,如果前一个页面没有完成滚动动画,Lenis 的状态可能会影响到新页面的初始滚动位置。在传统的网页应用中,页面导航通常会重置滚动位置,但在使用 Lenis 的单页应用(SPA)或现代框架如 Next.js 中,这种行为需要手动处理。
解决方案
原始实现的问题
最初,开发者可能会简单地使用 ReactLenis 组件包裹应用内容:
"use client";
import { ReactLenis } from "@studio-freight/react-lenis";
import { PropsWithChildren } from "react";
const Lenis = ({ children }: PropsWithChildren) => {
return (
<ReactLenis className="h-full" options={{ lerp: 0.1 }} root>
{children}
</ReactLenis>
);
};
这种实现虽然提供了平滑滚动效果,但没有处理页面导航时的滚动位置重置问题。
改进后的解决方案
通过结合 Next.js 的路由钩子和 Lenis 的 API,我们可以创建一个更完善的解决方案:
"use client";
import { ReactLenis, useLenis } from "@studio-freight/react-lenis";
import { usePathname, useSearchParams } from "next/navigation";
import { PropsWithChildren, useEffect } from "react";
const LenisProvider = ({ children }: PropsWithChildren) => {
const lenis = useLenis();
const pathname = usePathname();
const searchParams = useSearchParams();
useEffect(() => {
if (lenis) {
lenis.stop();
}
const handleScrollToTop = () => {
if (lenis) {
lenis.start();
window.scrollTo(0, 0);
}
};
handleScrollToTop();
}, [pathname, searchParams, lenis]);
return (
<ReactLenis className="h-full" options={{ lerp: 0.1 }} root>
{children}
</ReactLenis>
);
};
解决方案解析
-
路由变化监听:使用 Next.js 的
usePathname和useSearchParams钩子来检测路由变化。 -
Lenis 实例获取:通过
useLenis钩子获取当前 Lenis 实例。 -
滚动控制:
- 在路由变化时,首先调用
lenis.stop()暂停 Lenis 的滚动动画 - 然后使用原生
window.scrollTo(0, 0)将页面重置到顶部 - 最后调用
lenis.start()重新启用 Lenis 的平滑滚动
- 在路由变化时,首先调用
-
依赖项处理:将
pathname、searchParams和lenis作为 useEffect 的依赖项,确保任何路由变化都会触发滚动重置。
注意事项
-
版本选择:注意使用最新版本的 Lenis,官方推荐使用
lenis/react而非已废弃的@studio-freight/react-lenis。 -
性能考虑:频繁的路由变化可能会导致多次滚动重置,在实际应用中应考虑优化策略。
-
平滑过渡:如果需要更平滑的页面过渡效果,可以结合 CSS 过渡或动画来实现。
总结
通过这种解决方案,开发者可以在保留 Lenis 平滑滚动效果的同时,确保页面导航时始终从顶部开始,提供一致的用户体验。这种模式也展示了如何将第三方库与现代前端框架的路由系统进行深度集成,解决常见的交互问题。
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
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- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00