Flutter Shadcn UI v0.17.5 版本发布:组件排序策略与布局增强
项目简介
Flutter Shadcn UI 是一个基于 Flutter 框架的 UI 组件库,它借鉴了流行的 Shadcn 设计风格,为开发者提供了一套美观且实用的 UI 组件。该库特别注重组件的可定制性和灵活性,让开发者能够轻松构建现代化的用户界面。
版本亮点
v0.17.5 版本带来了两个重要的新特性:组件排序策略和按钮布局增强。这些改进进一步提升了组件的灵活性和布局控制能力。
1. 新增组件排序策略
本次更新引入了四种全新的排序策略类,用于控制列表中项目的顺序:
OrderPolicy:排序策略基类LinearOrderPolicy:线性排序策略ReverseOrderPolicy:反向排序策略CustomOrderPolicy:自定义排序策略
这些策略特别适用于需要精确控制组件内部元素排列顺序的场景,比如 Shadcn 风格组件的各个部分。
应用范围
排序策略已添加到以下组件中:
- ShadOption
- ShadAlert
- ShadButton
- ShadCheckbox 及其表单字段版本
- ShadDatePicker 及其表单字段版本
- ShadRadio
- ShadSwitch 及其表单字段版本
- ShadToast
使用场景示例
假设你正在使用 ShadAlert 组件,想要改变图标和文本的排列顺序,现在可以通过设置 orderPolicy 轻松实现:
ShadAlert(
orderPolicy: ReverseOrderPolicy(),
// 其他参数...
)
2. 按钮布局增强
新增的 expands 属性为 ShadButton 组件带来了更灵活的布局控制:
- 默认值为
false,保持原有布局行为 - 设置为
true时,按钮的子元素会扩展以填充可用空间
这个特性特别适合需要按钮内容自适应容器大小的场景,比如全宽按钮或响应式布局中的按钮。
使用示例
ShadButton(
expands: true,
child: Text('自适应宽度按钮'),
)
技术实现分析
排序策略的设计
排序策略采用了策略设计模式,这种设计有以下几个优点:
- 开闭原则:可以轻松添加新的排序策略而不影响现有代码
- 灵活性:运行时可以动态切换排序策略
- 可测试性:每种策略可以独立测试
布局扩展的实现
expands 属性的实现可能利用了 Flutter 的 Expanded widget 或类似的布局机制,确保子元素能够充分利用可用空间。这种实现方式既保持了 API 的简洁性,又提供了强大的布局控制能力。
升级建议
对于现有项目,建议在以下场景考虑升级:
- 需要精细控制组件内部元素顺序的项目
- 需要按钮内容自适应布局的项目
- 使用多个受支持组件并希望保持统一排序策略的项目
升级时应注意检查现有组件是否使用了受影响的属性,特别是如果自定义了组件布局,可能需要调整以适应新的排序策略。
总结
Flutter Shadcn UI v0.17.5 通过引入排序策略和布局增强,进一步提升了组件的灵活性和实用性。这些改进使得开发者能够更精确地控制界面元素的排列和布局,特别是在构建复杂的、需要高度定制化的用户界面时。排序策略的引入也体现了该库对设计模式的良好应用,为未来的扩展奠定了良好的基础。
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。C093
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00