Vizro项目中实现服务器端行模型(SSRM)展示树形数据的实践指南
2025-06-27 07:34:17作者:滑思眉Philip
引言
在现代Web应用开发中,高效展示大型数据集是一个常见挑战。Vizro作为基于Dash构建的数据可视化框架,提供了强大的表格展示能力。本文将详细介绍如何在Vizro项目中实现服务器端行模型(Server-Side Row Model, SSRM)来展示树形结构数据,这种技术特别适合处理大型层级数据集。
服务器端行模型(SSRM)概述
服务器端行模型是一种高级数据加载策略,它只在需要时从服务器请求数据,而不是一次性加载所有数据。这种模型特别适合以下场景:
- 处理超大型数据集(百万级行以上)
- 需要实现无限滚动或分页加载
- 数据需要复杂的服务器端处理
- 树形结构数据的懒加载
实现步骤详解
1. 基础环境配置
首先确保使用最新版本的Vizro(v0.1.39或更高)和相关依赖:
pip install vizro==0.1.39 dash-ag-grid==31.3.1
2. 数据准备与转换
树形数据通常以嵌套JSON格式存储,我们需要将其转换为适合SSRM处理的扁平结构:
import pandas as pd
import requests
# 获取原始树形数据
rowData = requests.get("https://www.ag-grid.com/example-assets/small-tree-data.json").json()
# 转换为扁平结构DataFrame
def extractRowsFromData(groupKeys, data):
response = []
if len(groupKeys) == 0:
for row in data:
response.append({
"group": not row.get("children") is None,
"employeeId": row["employeeId"],
"employeeName": row["employeeName"],
"employmentType": row["employmentType"],
"jobTitle": row["jobTitle"],
})
return response
key = groupKeys[0]
for row in data:
if row["employeeId"] == key:
response += extractRowsFromData(groupKeys[1:], row["children"])
return response
pandas_row_data = pd.DataFrame([
{
"employeeId": row["employeeId"],
"employeeName": row["employeeName"],
"employmentType": row["employmentType"],
"jobTitle": row["jobTitle"],
}
for row in extractRowsFromData([], rowData)
])
3. 服务器端数据处理API
创建Flask路由处理数据请求:
from vizro import Vizro
import flask
import json
app = Vizro()
server = app.dash.server
@server.route("/api/serverData", methods=["POST"])
def serverData():
response = extractRowsFromData(flask.request.json["groupKeys"], rowData)
return json.dumps(response)
4. Vizro仪表板配置
使用Vizro模型构建仪表板界面:
import vizro.models as vm
from vizro.tables import dash_ag_grid
page_1 = vm.Page(
title="组织结构树形展示",
components=[
vm.AgGrid(
figure=dash_ag_grid(
id="grid",
data_frame=pandas_row_data,
columnDefs=[
{"field": "employeeId", "hide": True},
{"field": "employeeName", "hide": True},
{"field": "jobTitle"},
{"field": "employmentType"},
],
defaultColDef={"flex": 1},
dashGridOptions={
"autoGroupColumnDef": {
"field": "employeeName",
"cellRendererParams": {"function": "groupRenderer"},
},
"treeData": True,
"isServerSideGroupOpenByDefault": {
"function": "params ? params.rowNode.level < 2 : null"
},
"isServerSideGroup": {"function": "params ? params.group : null"},
"getServerSideGroupKey": {
"function": "params ? params.employeeId : null"
},
},
enableEnterpriseModules=True,
rowModelType="serverSide",
),
)
],
)
dashboard = vm.Dashboard(pages=[page_1])
5. 客户端JavaScript处理
添加客户端逻辑处理数据加载:
async function getServerData(request) {
response = await fetch('./api/serverData', {
'method': 'POST', 'body': JSON.stringify(request),
'headers': { 'content-type': 'application/json' }
})
return response.json()
}
function createServerSideDatasource() {
return {
getRows: async (params) => {
console.log('ServerSideDatasource.getRows: params = ', params);
var allRows = await getServerData(params.request)
var request = params.request;
var doingInfinite = request.startRow != null && request.endRow != null;
var result = doingInfinite
? {
rowData: allRows.slice(request.startRow, request.endRow),
rowCount: allRows.length,
}
: { rowData: allRows };
console.log('getRows: result = ', result);
setTimeout(function () {
params.success(result);
}, 200);
},
};
}
var dagfuncs = window.dashAgGridFunctions = window.dashAgGridFunctions || {};
dagfuncs.groupRenderer = function () {
return {
innerRenderer: (params) => {
return params.data.employeeName;
}
}
}
6. 客户端回调注册
使用Dash的clientside_callback初始化数据源:
from dash import clientside_callback, Input, Output
clientside_callback(
"""async function (id) {
const delay = ms => new Promise(res => setTimeout(res, ms));
const updateData = (grid) => {
var datasource = createServerSideDatasource();
grid.setServerSideDatasource(datasource);
};
var grid;
try {
grid = dash_ag_grid.getApi(id)
} catch {}
count = 0
while (!grid) {
await delay(200)
try {
grid = dash_ag_grid.getApi(id)
} catch {}
count++
if (count > 20) {
break;
}
}
if (grid) {
updateData(grid)
}
return window.dash_clientside.no_update
}""",
Output("grid", "id"),
Input("grid", "id"),
)
性能优化建议
- 数据分块加载:实现更精细的数据分块策略,减少每次请求的数据量
- 缓存机制:在服务器端添加数据缓存,避免重复处理相同请求
- 预加载:对于可能被频繁访问的节点,实现预加载策略
- 压缩传输:启用Gzip压缩减少网络传输量
常见问题解决
- MantineProvider错误:确保使用最新版Vizro,该问题在v0.1.39已修复
- 数据格式不一致:严格验证输入数据格式,确保符合预期结构
- 跨域问题:在开发环境中配置正确的CORS策略
总结
通过Vizro实现服务器端行模型展示树形数据,我们能够高效处理大型层级数据集。这种方法结合了Vizro的易用性和AG Grid的强大功能,为复杂数据可视化需求提供了优雅的解决方案。关键点包括:
- 正确转换树形数据为适合SSRM处理的格式
- 实现高效的服务器端数据处理API
- 合理配置AG Grid的树形展示选项
- 使用客户端回调优化数据加载体验
这种实现方式不仅适用于组织结构数据,也可广泛应用于任何需要展示层级关系的场景,如文件系统、产品分类等。
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~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- 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).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

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

React Native鸿蒙化仓库
C++
192
273

🎉 (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
923
551

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
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

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
74
64

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
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8