JeecgBoot项目中TAB页切换导致查询条件丢失的解决方案
2025-05-02 12:09:16作者:舒璇辛Bertina
在JeecgBoot v3.7.1版本中,开发者可能会遇到一个常见问题:当在页面查询数据后切换到另一个TAB页,再切换回原TAB页时,查询条件丢失且页面自动刷新。本文将深入分析这一问题的原因,并提供完整的解决方案。
问题现象分析
该问题表现为两种不同的行为模式:
- 保留查询条件的情况:如用户管理、角色管理等页面,切换TAB后查询条件仍然存在
- 丢失查询条件的情况:如数据字典、职务管理等页面,切换TAB后页面刷新且查询条件丢失
这种差异的根本原因在于路由缓存的配置不同。JeecgBoot框架提供了路由缓存功能,可以保持页面状态,避免切换TAB时丢失查询条件和数据。
解决方案
1. 配置路由缓存
对于需要保持状态的页面,需要在路由配置中启用缓存功能。具体实现步骤如下:
- 打开项目的路由配置文件(通常位于
src/router/index.js) - 找到对应页面的路由配置项
- 添加
meta属性并设置keepAlive为true
示例配置:
{
path: '/system/dict',
name: 'SystemDict',
component: () => import('@/views/system/DictList'),
meta: {
title: '数据字典',
keepAlive: true
}
}
2. Online表单生成页面的特殊处理
对于通过Online表单生成的页面,需要额外注意:
- 生成代码后,手动检查路由配置文件
- 确保生成的路由配置中包含
keepAlive属性 - 如果使用动态路由,需要在路由守卫中处理缓存逻辑
3. 页面组件调整
除了路由配置外,页面组件本身也需要做一些调整:
- 确保组件有唯一的
name属性 - 避免在
created或mounted钩子中直接重置查询条件 - 使用
activated和deactivated生命周期钩子处理缓存状态下的逻辑
实现原理
JeecgBoot的路由缓存功能基于Vue的keep-alive组件实现。当路由配置中设置了keepAlive: true时,框架会:
- 将组件实例缓存起来而不是销毁
- 再次访问时从缓存中恢复组件状态
- 保持所有数据、DOM状态和查询条件不变
注意事项
- 不要过度使用路由缓存,会占用较多内存
- 对于数据实时性要求高的页面,建议不使用缓存或在适当时机手动刷新
- 缓存的页面组件会跳过
created和mounted钩子,但会触发activated钩子 - 确保每个缓存页面的
name属性唯一,否则可能导致缓存混乱
通过以上配置和调整,可以确保JeecgBoot项目中的页面在TAB切换时保持查询条件和数据状态,提供更流畅的用户体验。
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
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
313
React Native鸿蒙化仓库
JavaScript
262
323
🔥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