Jeecg-Boot中BasicTable表格自定义合计行内容的实现方案
2025-05-02 01:42:15作者:郜逊炳
在Jeecg-Boot项目开发过程中,使用BasicTable组件时经常会遇到需要自定义合计行内容的需求。特别是当需要统计当前查询条件下的所有数据总和,而不仅仅是当前页面记录时,开发者可能会遇到一些技术难点。
问题背景
BasicTable组件默认提供的合计功能是基于当前页面数据的计算,但在实际业务场景中,我们往往需要统计的是符合当前查询条件的所有数据总和,而不仅仅是当前页面的数据。这种情况下,直接使用组件内置的summaryFunc可能无法满足需求。
技术难点分析
- 异步数据获取:直接从summaryFunc中调用接口获取合计数据会导致异步问题
- 数据更新时机:如何在查询条件变化时及时更新合计数据
- 性能考虑:避免不必要的重复计算和接口调用
解决方案
方案一:预加载合计数据
- 在查询按钮点击时,先调用获取合计数据的接口
- 将获取到的合计数据存储在组件的状态中
- 然后再调用获取列表数据的接口
- 在summaryFunc中使用预先存储的合计数据
// 示例代码
const [summaryData, setSummaryData] = useState({});
const handleSearch = async () => {
// 先获取合计数据
const totalRes = await fetchTotalData(searchParams);
setSummaryData(totalRes);
// 再获取列表数据
const listRes = await fetchListData(searchParams);
// ...处理列表数据
};
// 表格配置
const columns = [
{
title: '金额',
dataIndex: 'amount',
summaryFunc: () => {
return summaryData.amountTotal || 0;
}
}
// ...其他列配置
];
方案二:使用summaryData属性
- 在组件中维护一个合计数据的状态
- 在查询条件变化时,调用接口更新这个状态
- 将更新后的状态通过summaryData属性传递给表格组件
const [summaryData, setSummaryData] = useState([]);
// 查询方法
const handleSearch = async () => {
const [listRes, totalRes] = await Promise.all([
fetchListData(searchParams),
fetchTotalData(searchParams)
]);
setSummaryData([
{
amount: totalRes.amountTotal,
// ...其他合计字段
}
]);
// ...处理列表数据
};
// 表格配置
<BasicTable
columns={columns}
dataSource={listData}
summaryData={summaryData}
// ...其他属性
/>
最佳实践建议
- 性能优化:对于大数据量的合计计算,建议在后端完成,前端只负责展示
- 错误处理:做好接口调用的错误处理,避免因合计数据获取失败影响主流程
- 用户体验:可以在合计数据加载时显示加载状态,提升用户体验
- 缓存策略:对于相同的查询条件,可以考虑缓存合计数据,减少不必要的接口调用
总结
在Jeecg-Boot项目中实现BasicTable的自定义合计行功能,关键在于处理好数据获取的时机和顺序。通过将合计数据的获取提前到列表数据获取之前,或者使用summaryData属性动态更新,都可以有效解决异步数据获取的问题。开发者可以根据具体业务场景选择最适合的实现方案。
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