Preline.js 在 Laravel 11 中的正确集成方式
Preline.js 是一个现代化的 UI 组件库,为开发者提供了丰富的交互组件。在 Laravel 项目中集成 Preline.js 时,开发者常会遇到加载问题,特别是当按照通用文档说明操作时。本文将详细介绍在 Laravel 11 项目中正确集成 Preline.js 的方法。
常见错误分析
许多开发者在 Laravel 项目中集成 Preline.js 时,会直接按照通用文档说明,在 HTML 文件中添加以下脚本引用:
<script src="./node_modules/preline/dist/preline.js"></script>
这种做法会导致 404 错误,因为 Laravel 的 Vite 构建系统不会直接暴露 node_modules 目录下的文件。错误信息通常会显示请求的 preline.js 文件无法找到。
正确的集成步骤
1. 安装 Preline.js
首先需要通过 npm 安装 Preline.js:
npm install preline
2. 配置 TailwindCSS
在 tailwind.config.js 文件中添加 Preline.js 的内容路径和插件:
module.exports = {
content: [
// 其他内容路径...
'node_modules/preline/dist/*.js',
],
plugins: [
require('preline/plugin'),
],
}
3. 在 JavaScript 入口文件中导入
在 resources/js/app.js 文件中添加 Preline.js 的导入:
import 'preline/preline'
4. 配置 Vite
确保 vite.config.js 正确配置了 CSS 和 JavaScript 的入口文件:
import { defineConfig } from 'vite'
import laravel from 'laravel-vite-plugin'
export default defineConfig({
plugins: [
laravel({
input: [
'resources/css/app.css',
'resources/js/app.js',
],
refresh: true,
}),
],
})
5. 在 Blade 模板中加载资源
最后,在 Blade 模板文件中使用 Vite 指令加载编译后的资源:
<!DOCTYPE html>
<html>
<head>
<!-- 其他 head 内容 -->
@vite(['resources/css/app.css', 'resources/js/app.js'])
</head>
<body>
<!-- 页面内容 -->
</body>
</html>
关键注意事项
-
不要手动引用 node_modules 中的文件:Laravel 的 Vite 构建系统会自动处理模块依赖,手动引用会导致路径问题。
-
确保构建过程完整:每次修改配置后,需要重新运行开发服务器或构建命令。
-
检查导入路径:在 JavaScript 文件中导入时,使用 'preline/preline' 而不是完整的 dist 路径。
-
开发与生产环境:开发环境下使用
npm run dev,生产环境使用npm run build来确保资源正确编译。
通过遵循这些步骤,开发者可以避免常见的 Preline.js 加载问题,并在 Laravel 11 项目中顺利使用这个强大的 UI 组件库。记住,框架特定的集成方式通常比通用文档更符合实际项目需求。
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