在jQuery-QueryBuilder中为规则组添加自定义权重字段
jQuery-QueryBuilder是一个强大的jQuery插件,用于创建复杂的查询条件界面。在实际应用中,我们经常需要为规则组添加额外的自定义字段来满足特定业务需求。本文将详细介绍如何为规则组添加权重字段并实现数据的存储与读取。
需求背景
在许多业务场景中,我们需要为不同的规则组分配不同的权重值。例如在搜索系统中,某些条件组合可能比其他组合更重要;在评分系统中,不同规则组可能对最终得分有不同的影响比例。
实现方案
1. 存储权重值
首先,我们需要一个全局对象来存储各个规则组的权重值:
let ruleGroupWeights = {};
const weightChanged = (value, levelId) => {
ruleGroupWeights[levelId] = value;
};
这里使用一个对象ruleGroupWeights来保存权重值,键是规则组的层级ID,值是对应的权重数值。weightChanged函数用于在权重值变化时更新存储。
2. 修改组模板
接下来,我们需要修改规则组的模板,添加权重输入框:
templates: {
group: ({group_id, level, conditions, icons, settings, translate, builder}) => {
return `<div id="${group_id}" class="rules-group-container">
<div class="rules-group-header">
<div class="btn-group float-end group-actions">
<input type="number" step="0.01" id="${group_id}_weight" name="${group_id}_weight" onchange="weightChanged(this.value, ${level})"/>
<button type="button" class="btn btn-sm btn-success" data-add="rule">
...
在组模板中添加了一个数字输入框,类型为number,步长为0.01以支持小数权重。当值变化时,调用weightChanged函数更新存储。
3. 获取规则时处理权重
最后,在获取规则时,我们需要将存储的权重值添加到规则对象中:
$('#btn-get').on('click', function () {
const result = $('#dateRuleBuilder').queryBuilder('getRules');
function populateWeights(result, level = 1) {
if (result.hasOwnProperty('condition')) {
result.weight = ruleGroupWeights[level];
if (result.hasOwnProperty('rules')) {
for (const rule in result.rules) {
populateWeights(result.rules[rule], level + 1);
}
}
}
}
populateWeights(result);
if (!$.isEmptyObject(result)) {
console.log(JSON.stringify(result, null, 2));
}
});
populateWeights函数递归遍历规则树,为每个规则组添加对应的权重值。level参数表示当前规则组的层级,从1开始递增。
技术要点
-
数据存储:使用全局对象存储权重值,确保在页面生命周期内数据不丢失。
-
模板定制:通过修改组模板添加自定义字段,保持UI一致性。
-
递归处理:使用递归函数处理嵌套的规则结构,确保所有层级的规则组都能正确获取权重值。
-
事件绑定:通过onchange事件实时更新权重值,保证数据同步。
扩展思考
这种模式可以扩展到其他自定义字段的添加,例如:
- 为规则组添加优先级字段
- 添加生效时间范围
- 添加说明文本等
只需要修改模板添加相应字段,并在获取规则时处理这些字段即可。这种灵活性使得jQuery-QueryBuilder能够适应各种复杂的业务场景需求。
总结
通过本文介绍的方法,我们成功实现了为jQuery-QueryBuilder的规则组添加权重字段的功能。这种方案具有以下优点:
- 非侵入式修改,不影响原有功能
- 实现简单,易于理解和维护
- 可扩展性强,可以方便地添加其他自定义字段
希望本文能为需要在jQuery-QueryBuilder中添加自定义字段的开发者提供有价值的参考。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00