Jeecg Boot项目中表格列设置组件的优化实践
2025-05-02 20:22:38作者:房伟宁
问题背景
在Jeecg Boot项目(版本3.7.1及以上)中,表格列设置组件(ColumnSetting.vue)存在两个主要问题:
- 当用户取消所有列的显示后再次打开设置面板时,列选项不会显示
- 当用户勾选中间部分列并刷新页面后,未勾选的列会出现在最前面
这些问题影响了用户体验和数据展示的一致性,需要进行技术优化。
问题分析
通过分析源代码,发现问题主要出在以下几个方面:
- 列数据获取逻辑不完善:当所有列都被隐藏时,组件无法正确获取列数据
- 缓存处理机制不完整:列顺序的缓存处理没有完全覆盖所有场景
- 初始化流程存在缺陷:组件初始化时对列状态的判断不够严谨
解决方案
1. 完善列数据获取逻辑
优化后的getColumns
方法增加了对缓存列数据的获取逻辑:
function getColumns() {
const ret: Options[] = [];
let t = table.getColumns({ ignoreIndex: true, ignoreAction: true });
if (!t.length) {
t = table.getCacheColumns();
}
t.forEach((item) => {
ret.push({
label: (item.title as string) || (item.customTitle as string),
value: (item.dataIndex || item.title) as string,
...item,
});
});
return ret;
}
2. 优化初始化流程
重构后的init
方法解决了列顺序和显示状态的问题:
async function init() {
const columns = getColumns();
const checkList = table
.getColumns({ ignoreAction: true, ignoreIndex: true })
.map((item) => {
if (item.defaultHidden) {
return '';
}
return item.dataIndex || item.title;
})
.filter(Boolean) as string[];
if (!plainOptions.value.length) {
const { sortedList } = getCache() || {};
await nextTick();
let tmp = columns;
if (sortedList?.length) {
tmp = columns.sort((prev, next) => {
return sortedList.indexOf(prev.value) - sortedList.indexOf(next.value);
});
}
plainOptions.value = tmp;
plainSortOptions.value = tmp;
cachePlainOptions.value = tmp;
state.defaultCheckList = checkList;
} else {
unref(plainOptions).forEach((item: BasicColumn) => {
const findItem = columns.find((col: BasicColumn) => col.dataIndex === item.dataIndex);
if (findItem) {
item.fixed = findItem.fixed;
}
});
}
state.isInit = true;
state.checkedList = checkList;
state.checkAll = columns.length === checkList.length;
}
3. 补充缓存处理
在useColumnsCache
中增加获取缓存的方法:
getCache: () => $ls.get(cacheKey.value)
实现原理
- 双重数据源保障:当常规获取列数据失败时,自动从缓存中获取,确保数据不丢失
- 严格的排序处理:根据缓存中的排序信息对列进行重新排序,保持用户设置的一致性
- 完整的初始化状态:在初始化时正确设置所有状态变量,包括勾选状态和全选状态
优化效果
经过上述优化后:
- 即使隐藏所有列,再次打开设置面板时也能正确显示所有列选项
- 刷新页面后列的显示顺序与用户设置保持一致
- 勾选状态在各种操作后都能正确保持
总结
表格列设置组件的优化展示了前端开发中几个重要原则:
- 健壮性:组件应该能够处理各种边界情况
- 一致性:用户操作的结果应该在各种场景下保持一致
- 可维护性:代码结构清晰,便于后续维护和扩展
这些优化不仅解决了具体问题,也为类似组件的开发提供了参考模式。在实际项目中,我们应该充分考虑用户的各种操作路径,确保组件在各种场景下都能正常工作。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0118DuiLib_Ultimate
DuiLib_Ultimate是duilib库的增强拓展版,库修复了大量用户在开发使用中反馈的Bug,新增了更加贴近产品开发需求的功能,并持续维护更新。C++03GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。08- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile03
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
- Dd2l-zh《动手学深度学习》:面向中文读者、能运行、可讨论。中英文版被70多个国家的500多所大学用于教学。Python011
热门内容推荐
最新内容推荐
项目优选
收起

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
270

🎉 (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
909
541

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
341
1.21 K

openGauss kernel ~ openGauss is an open source relational database management system
C++
142
188

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
8
0

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
377
387

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
63
58

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.1 K
0

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
87
4