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。
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