RuoYi-Vue-Pro 项目表单设计器解析函数保存问题分析与解决方案
2025-05-05 15:42:23作者:何举烈Damon
问题背景
在 RuoYi-Vue-Pro 项目的 BPM 模块中,表单设计器的下拉框组件存在一个功能性问题:当用户为下拉框组件设置解析函数并保存后,再次编辑时发现解析函数未能正确保存。这个问题影响了表单设计器的数据持久化功能,导致用户设置的解析逻辑无法在后续编辑中保留。
问题现象分析
通过开发者工具的调试发现:
- 在 Vue 调试工具中可以看到解析函数参数确实存在于组件状态中
- 但在实际保存后重新加载时,这些解析函数设置却丢失了
- 问题根源在于表单设计器在序列化和反序列化组件配置时,没有正确处理函数类型的属性
技术原理
表单设计器通常会将组件配置序列化为 JSON 格式进行存储。然而,JSON 标准本身不支持函数类型的序列化,这导致:
- 当组件配置中包含函数属性时,直接 JSON.stringify() 会丢失这些函数
- 从存储中恢复配置时,需要特殊处理这些函数属性的重建
解决方案
项目中的 src/utils/formCreate.ts 文件提供了表单字段的编码和解码功能。针对解析函数保存问题,我们进行了以下改进:
编码阶段处理
// 编码表单 Fields
export const encodeFields = (designerRef: object) => {
// @ts-ignore
const rule = designerRef.value.getRule()
const fields: string[] = []
rule.forEach((item) => {
if (item?.effect?.fetch?.parse) {
// 将函数转换为字符串表示
item.effect.fetch.parse = item.effect.fetch.parse.toString()
}
const itemTmp = JSON.stringify(item)
fields.push(itemTmp)
})
return fields
}
解码阶段处理
// 解码表单 Fields
export const decodeFields = (fields: string[]) => {
const rule: object[] = []
fields.forEach((item) => {
const itemTmp = JSON.parse(item)
if (itemTmp?.effect?.fetch?.parse) {
// 将字符串表示的函数重新转换为可执行函数
itemTmp.effect.fetch.parse = eval('(' + itemTmp.effect.fetch.parse + ')')
}
rule.push(itemTmp)
})
return rule
}
实现细节
- 函数序列化:在编码阶段,通过调用函数的
toString()方法将函数转换为字符串表示 - 函数重建:在解码阶段,使用
eval将字符串重新转换为可执行函数 - 安全处理:通过检查属性路径 (
item?.effect?.fetch?.parse) 确保只在存在解析函数时进行处理 - 类型安全:虽然使用了
@ts-ignore暂时忽略类型检查,但实际处理中确保了类型安全
注意事项
- eval 的安全风险:虽然在此场景下是必要的,但需要注意确保解析的函数来源可信
- 性能考虑:频繁的序列化和反序列化可能影响性能,特别是在大型表单中
- 兼容性:不同浏览器对函数 toString() 的结果可能略有差异,需要测试确保兼容性
总结
通过改进表单设计器的编码和解码逻辑,我们成功解决了 RuoYi-Vue-Pro 项目中下拉框组件解析函数无法保存的问题。这个解决方案不仅适用于当前问题,也为处理表单设计器中其他需要保存函数类型配置的场景提供了参考。开发者在处理类似问题时,需要注意 JSON 序列化的限制,并合理设计函数持久化的方案。
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
245
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
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++
662
312
React Native鸿蒙化仓库
JavaScript
262
322
🔥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
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
860
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218