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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00