Tom Select 开源项目安装与使用指南
项目介绍
Tom Select 是一个动态且框架独立的选择器控件,轻量级(约16KB压缩后)。它提供了自动完成功能及类似原生的键盘导航体验,适用于标签、联系人列表、国家选择器等多种场景。Tom Select源于对selectize.js的分支,旨在实现四个主要目标:
- 现代化代码库;
- 解耦jQuery;
- 扩展功能性;
- 处理遗留问题。
项目快速启动
为了在你的项目中集成Tom Select,可以采用以下几种方式之一进行安装或引入:
使用npm
通过npm安装Tom Select是最便捷的方式,仅需执行一条命令即可:
npm install tom-select
然后,在你的JavaScript文件中以如下方式导入并初始化:
import { TomSelect } from 'tom-select';
// 初始化实例
const selectElement = document.getElementById('my-select');
new TomSelect(selectElement);
引入CDN资源
如果你偏好CDN方式,可通过jsDelivr将Tom Select轻松加入到你的网页中:
<!-- CSS -->
<link href="https://cdn.jsdelivr.net/npm/tom-select@latest/dist/css/tom-select.css" rel="stylesheet">
<!-- JavaScript -->
<script src="https://cdn.jsdelivr.net/npm/tom-select@latest/dist/js/tom-select.complete.min.js"></script>
记得替换latest为你所需的确切版本号。
初始配置示例
<select id="my-select">
<option value="option1">Option 1</option>
<option value="option2">Option 2</option>
</select>
<script>
var settings = {};
new TomSelect('#my-select', settings);
</script>
应用案例和最佳实践
自定义搜索
Tom Select提供智能选项搜索排名,利用sifter进行实时排序。如需搜索条目名称与描述,只需简单设置即可满足需求。
多选功能与快捷键支持
支持多选项,并允许用户使用Command(Mac)或Ctrl(Windows)键一次选择多项删除。同时,箭头键用于移动已选中的项目位置,提升用户体验。
国际化支持
Tom Select能够识别和支持带重音和其他特殊字符的语言环境,为国际化的应用提供了良好基础。
动态创建新项
允许用户即时创建新项,可异步保存至数据库;控制台锁定直至回调函数被执行完毕。
远程数据加载
对于大量数据,Tom Select支持从服务器按需获取数据,优化了大数据情况下的性能表现。
典型生态项目
-
电影与电视节目选择 - 如下代码展示如何创建一个选择器,供用户选取他们最喜欢的电影或电视剧。
<select id="movie-tv-selector" multiple data-placeholder="选择您喜欢的电影或电视节目"> <option value="Lassiter" data-date="1984">Lassiter (1984)</option> <option value="MrBaseball" data-date="1992">Mr. Baseball (1992)</option> <!-- 更多选项... --> </select> -
自定义主题 - 用户可根据项目风格调整CSS样式,使Tom Select与其他元素保持一致。
-
集成插件开发 - 利用微插件架构扩展Tom Select的功能性,例如添加新的过滤规则或交互逻辑。
综上所述,Tom Select不仅是一个选择器组件,更是一个灵活、可定制的UI解决方案,适合任何追求高效用户交互的项目。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00