Jeecg Boot项目中表格列设置组件的优化实践
2025-05-02 18:39:19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
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
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.18 K
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
Ascend Extension for PyTorch
Python
228
258
暂无简介
Dart
679
160
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++
689
325
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (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
1.21 K
660
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
1.03 K
492