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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00