JeecgBoot项目中JVXEtable表格固定列覆盖滚动条的解决方案
问题背景
在使用JeecgBoot项目中的JVXEtable组件时,开发人员可能会遇到一个常见的UI问题:当表格设置了过多的固定列时,固定列区域会覆盖底部的水平滚动条,导致用户无法正常使用滚动功能。这种情况在数据表格需要同时展示大量列并且需要固定左右两侧列时尤为常见。
问题现象分析
从技术实现角度来看,JVXEtable基于VxeTable组件进行封装。当表格同时设置了左侧固定列和右侧固定列时,VxeTable会生成三个独立的渲染区域:
- 左侧固定列区域(.vxe-table--fixed-left-wrapper)
- 主体滚动区域
- 右侧固定列区域(.vxe-table--fixed-right-wrapper)
默认情况下,这三个区域的高度都是100%,这意味着固定列区域会完全覆盖下方空间,包括滚动条所在的位置。当用户需要水平滚动查看被隐藏的列时,滚动条被遮挡会导致操作困难。
解决方案
通过CSS调整固定列区域的高度,可以有效地解决这个问题。具体实现方式如下:
:deep(.vxe-table--fixed-left-wrapper) {
height: calc(100% - 10px) !important;
}
:deep(.vxe-table--fixed-right-wrapper) {
height: calc(100% - 10px) !important;
}
技术原理说明
-
calc()函数:使用CSS3的calc()函数进行动态高度计算,从100%的总高度中减去10px,为滚动条留出空间。
-
:deep()选择器:在Vue的scoped样式中,使用:deep()穿透组件样式作用域,确保样式能应用到子组件内部的元素上。
-
!important规则:用于覆盖组件库中可能已经定义的样式,确保我们的调整能够生效。
实现建议
-
调整值的优化:10px是一个经验值,实际项目中可以根据滚动条的实际高度和UI设计需求进行调整。
-
浏览器兼容性:calc()函数在现代浏览器中都有很好的支持,但在极少数旧版本浏览器中可能需要考虑降级方案。
-
响应式考虑:在不同屏幕尺寸下,可能需要通过媒体查询动态调整这个高度差值。
-
全局样式:建议将这段样式放在全局或公共样式文件中,避免在多个组件中重复定义。
扩展思考
这个问题实际上反映了前端开发中一个常见的布局挑战:如何在固定区域和滚动区域之间找到平衡。类似的解决方案也可以应用于其他需要同时处理固定元素和滚动内容的场景,例如:
- 固定头部和可滚动内容的布局
- 左右侧边栏固定而中间内容可滚动的布局
- 复杂表单中的固定操作栏
理解这个解决方案背后的原理,可以帮助开发人员在遇到类似布局问题时快速找到解决思路。
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