在百度AMIS中实现多行选择回填InputTable的方法
2025-05-12 10:37:53作者:董斯意
百度AMIS作为一款优秀的前端低代码框架,提供了丰富的表单组件和交互功能。在实际开发中,我们经常会遇到需要从Picker组件选择多行数据并回填到InputTable组件的场景。本文将详细介绍如何实现这一功能。
核心实现原理
AMIS框架本身并没有直接提供Picker多选回填InputTable的内置功能,但我们可以通过自定义JavaScript代码来实现这一需求。主要思路是:
- 监听Picker组件的onChange事件
- 在事件回调中获取用户选择的多行数据
- 将这些数据处理成InputTable需要的格式
- 使用setValue方法将数据设置到InputTable中
具体实现步骤
1. 配置Picker组件
首先需要确保Picker组件支持多选功能。在AMIS配置中,Picker通常需要设置以下属性:
{
"type": "picker",
"name": "multiPicker",
"label": "选择数据",
"multiple": true,
"source": "/api/data-source",
"valueField": "id",
"labelField": "name"
}
关键属性说明:
multiple: true启用多选功能source指定数据源APIvalueField和labelField定义数据项的键名
2. 添加onChange事件处理
在Picker组件中添加onChange事件处理函数:
{
"type": "picker",
"name": "multiPicker",
"onChange": {
"actions": [
{
"actionType": "custom",
"script": "function(event) { handlePickerChange(event.data); }"
}
]
}
}
3. 实现处理函数
在页面级的JavaScript代码中实现处理函数:
function handlePickerChange(selectedItems) {
// 转换数据格式
const tableData = selectedItems.map(item => ({
...item,
// 可以在这里添加额外的处理逻辑
}));
// 设置到InputTable
this.props.onBulkChange && this.props.onBulkChange({
'inputTableName': tableData
});
}
4. 配置InputTable接收数据
确保InputTable组件有正确的name属性,与处理函数中设置的名称一致:
{
"type": "input-table",
"name": "inputTableName",
"columns": [
{
"name": "id",
"label": "ID"
},
{
"name": "name",
"label": "名称"
}
]
}
高级应用场景
数据合并处理
如果需要将新选择的数据与InputTable中已有数据合并,可以修改处理函数:
function handlePickerChange(selectedItems) {
const currentTableData = this.props.data.inputTableName || [];
const newData = selectedItems.filter(newItem =>
!currentTableData.some(existingItem => existingItem.id === newItem.id)
);
const tableData = [...currentTableData, ...newData];
this.props.onBulkChange && this.props.onBulkChange({
'inputTableName': tableData
});
}
数据校验与过滤
可以在处理函数中添加业务逻辑校验:
function handlePickerChange(selectedItems) {
// 只保留符合条件的数据
const validItems = selectedItems.filter(item =>
item.status === 'active' && item.value > 0
);
// 转换格式
const tableData = validItems.map(item => ({
id: item.id,
name: item.name,
value: item.value
}));
// 更新表格
this.props.onBulkChange && this.props.onBulkChange({
'inputTableName': tableData
});
}
常见问题解决
- 数据格式不匹配:确保Picker返回的数据结构与InputTable列定义匹配
- 重复数据问题:如上所示,可以在处理函数中添加去重逻辑
- 性能问题:当数据量较大时,考虑分页加载或虚拟滚动
通过以上方法,开发者可以灵活地在百度AMIS中实现Picker多选回填InputTable的功能,满足各种业务场景需求。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 TextAnimator for Unity:打造专业级文字动画效果的终极解决方案 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 32位ECC纠错Verilog代码:提升FPGA系统可靠性的关键技术方案 谷歌浏览器跨域插件Allow-Control-Allow-Origin:前端开发调试必备神器 Python案例资源下载 - 从入门到精通的完整项目代码合集 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 深入解析Windows内核模式驱动管理器:系统驱动管理的终极利器
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
664
152
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
659
298
Ascend Extension for PyTorch
Python
216
236
React Native鸿蒙化仓库
JavaScript
255
320
仓颉编译器源码及 cjdb 调试工具。
C++
133
866
仓颉编程语言运行时与标准库。
Cangjie
140
875
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.18 K
648
仓颉编程语言开发者文档。
59
818