Pragmatic Drag and Drop 中如何传递自定义拖拽参数
2025-05-20 08:39:32作者:史锋燃Gardner
在实现拖拽交互功能时,开发者经常需要传递自定义数据或参数。Pragmatic Drag and Drop 库提供了灵活的数据传递机制,使开发者能够轻松地在拖拽过程中携带和访问自定义数据。
数据传递的核心机制
Pragmatic Drag and Drop 通过两种主要方式支持数据传递:
- 元素适配器:专门用于处理 HTML 元素的拖拽场景
- 数据存取方法:提供 getInitialData() 和 getData() 方法用于数据管理
实现数据传递的具体方法
1. 在可拖拽元素上设置初始数据
使用 getInitialData() 方法可以在拖拽开始时为元素附加自定义数据:
const draggable = makeDraggable({
element: document.getElementById('drag-item'),
getInitialData: () => ({
customParam: '自定义参数值',
elementType: 'special-item'
})
});
2. 在放置目标上获取数据
在放置目标处,可以通过 getData() 方法访问这些数据:
const dropTarget = makeDropTarget({
element: document.getElementById('drop-zone'),
getData: ({ source }) => {
const data = source.getData();
console.log(data.customParam); // 输出: "自定义参数值"
console.log(data.elementType); // 输出: "special-item"
}
});
实际应用场景
这种数据传递机制特别适用于以下场景:
- 列表重排序:携带项目ID和位置信息
- 看板系统:传递任务状态和优先级
- 表单构建器:携带组件类型和配置参数
- 文件管理器:传递文件元数据和权限信息
注意事项
- 传递的数据应当尽量轻量,避免包含大型对象
- 敏感数据不应通过这种方式传递
- 数据类型应保持简单(字符串、数字等)
- 考虑添加类型检查以确保数据完整性
通过合理使用这些数据传递机制,开发者可以构建出功能丰富且响应灵敏的拖拽交互界面。
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
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
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++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
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
🎉 (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
1.2 K
655
🔥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
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137