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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00