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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C030
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