Laravel-AdminLTE 中实现左侧菜单项拖拽排序的技术方案
2025-06-17 02:16:12作者:范靓好Udolf
背景介绍
Laravel-AdminLTE 是一个流行的 Laravel 后台管理模板,基于 AdminLTE 前端框架构建。在实际开发中,我们经常需要对其左侧菜单进行定制化改造,其中实现菜单项的拖拽排序是一个常见需求。
技术挑战
原生 Laravel-AdminLTE 的菜单系统虽然提供了丰富的配置选项,但默认不支持动态拖拽排序功能。主要存在以下技术难点:
- 菜单项
<li>标签缺乏必要的标识类和结构 - 原生 JavaScript 事件监听可能与拖拽库冲突
- 菜单层级结构复杂,难以直接应用排序功能
解决方案
基础方案:利用子菜单实现排序
通过配置子菜单项,我们可以相对容易地实现局部排序功能:
-
引入 SortableJS 库 通过 CDN 方式引入 SortableJS 库,修改 Laravel-AdminLTE 的插件配置
-
配置可排序的子菜单 在菜单配置中创建一个包含多个子项的菜单组
-
初始化排序功能 在页面 JavaScript 中针对特定子菜单初始化 Sortable 实例
这种方案适合对局部菜单进行排序的场景,实现简单且侵入性小。
高级方案:自定义侧边栏视图
对于更复杂的排序需求,可以通过发布并修改 Laravel-AdminLTE 的视图文件来实现:
-
发布视图文件 使用 Artisan 命令发布侧边栏视图模板
-
修改侧边栏结构 在
left-sidebar.blade.php中添加自定义的 DOM 结构区域 -
应用排序功能 针对自定义区域初始化 SortableJS
这种方案提供了更大的灵活性,可以完全控制菜单的 HTML 结构和样式。
实现细节
菜单项标识
虽然 Laravel-AdminLTE 不直接支持拖拽所需的类名,但我们可以利用现有的配置选项:
- 使用
id属性为菜单项或菜单组添加唯一标识 - 通过
classes属性添加自定义 CSS 类 - 利用
submenu属性创建可排序的容器
JavaScript 初始化
正确的选择器是排序功能的关键:
// 针对子菜单的排序
var el = document.querySelector('#menu_id > ul');
// 针对自定义区域的排序
var el = document.querySelector('#custom_sortable_area');
样式调整
为确保拖拽效果良好,可能需要添加一些额外样式:
/* 为可排序项添加视觉反馈 */
.sortable-item {
cursor: move;
transition: all 0.3s;
}
/* 拖拽时的占位符样式 */
.sortable-ghost {
opacity: 0.5;
background: #c8ebfb;
}
注意事项
- 事件冲突:AdminLTE 自带 JavaScript 可能会与拖拽库产生冲突,需要测试各种交互场景
- 状态持久化:排序后的状态需要自行实现保存逻辑,通常通过 AJAX 调用后端接口
- 移动端适配:确保拖拽功能在触摸设备上也能正常工作
- 性能考虑:对于大型菜单,应考虑虚拟滚动等技术优化性能
扩展思路
- 嵌套排序:实现多级菜单的嵌套拖拽排序
- 视觉反馈:添加拖拽时的动画和状态提示
- 权限集成:根据用户权限动态控制可排序的范围
- 多主题支持:确保排序功能在各种主题下表现一致
通过以上方案,开发者可以在 Laravel-AdminLTE 中灵活实现菜单拖拽排序功能,既可以选择简单的子菜单排序,也可以深度定制整个侧边栏的交互体验。
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
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
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++
660
308
🔥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
64
19
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
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878