Semi-Design 树形控件动态设置默认选中项的实现方案
前言
在 Semi-Design 组件库中,Tree 树形控件是一个常用的交互组件,它能够以层级结构展示数据并支持节点选择。在实际开发中,我们经常会遇到需要动态设置默认选中项的需求,比如从接口获取数据后初始化选中状态。本文将详细介绍如何在 Semi-Design 中实现这一功能。
默认属性与受控属性的区别
Semi-Design 的 Tree 组件提供了两种设置选中项的方式:
-
defaultValue/defaultCheckedKeys:这些以
default开头的属性只在组件初次渲染时生效,后续的更新不会影响组件的选中状态。这种设计符合 React 的受控组件模式,default系列属性仅用于初始化。 -
value/checkedKeys:这些属性使组件成为受控组件,开发者可以通过 state 完全控制组件的选中状态,任何更新都会反映在 UI 上。
实现动态设置选中项的正确方式
要实现动态设置选中项,应该使用受控模式而非 defaultValue。以下是具体实现方案:
const [checkedKeys, setCheckedKeys] = useState([]);
// 从接口获取数据后更新选中状态
useEffect(() => {
async function fetchData() {
const response = await fetch('/api/checked-items');
const data = await response.json();
setCheckedKeys(data.checkedKeys);
}
fetchData();
}, []);
// 渲染树形控件
<Tree
treeDataSimpleJson={treeData}
checkedKeys={checkedKeys}
multiple
filterTreeNode
showFilteredOnly={true}
onChange={(keys) => setCheckedKeys(keys)}
style={{
width: '100%',
height: 500,
border: '1px solid var(--semi-color-border)',
}}
emptyContent="暂无数据"
/>
常见问题解决方案
-
数据加载时机问题:如果树数据和选中项数据是异步获取的,需要确保两者都加载完成后再渲染组件。可以使用条件渲染或加载状态来处理。
-
性能优化:对于大型树结构,频繁更新选中状态可能导致性能问题。可以考虑使用
useMemo优化树数据的处理,或使用shouldUpdate相关的性能优化手段。 -
数据一致性:确保传入的选中项 keys 与树数据中的节点 key 匹配,否则可能导致选中状态不生效。
最佳实践建议
-
始终优先考虑使用受控模式(value/checkedKeys)而非 defaultValue,除非你确定选中状态在组件生命周期内不会改变。
-
对于复杂的树形结构,考虑将树数据和选中状态管理封装成自定义 Hook,提高代码复用性。
-
在异步场景下,添加适当的加载状态和错误处理,提升用户体验。
-
定期检查 Semi-Design 的更新日志,了解 Tree 组件的最新特性和优化。
通过以上方案,开发者可以灵活地实现树形控件选中状态的动态管理,满足各种业务场景需求。
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