Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Vue+ElementUI 搭建后台管理系统(实战系列四)

Vue+ElementUI 搭建后台管理系统(实战系列四)

作者头像
王小婷
发布于 2025-05-20 04:57:51
发布于 2025-05-20 04:57:51
9900
代码可运行
举报
文章被收录于专栏:编程微刊编程微刊
运行总次数:0
代码可运行
前言

使用ElementUI已经有一段时间了,在一边上手开发后台管理系统的同事,也记录了一些笔记,一直都没有时间将这些零零散散的笔记总结起来,整理成一个比较系统详细一点的教程,可以留着以后来看。


Vue+ElementUI 搭建后台管理系统(实战系列四)- form表单的处理

在项目中,经常会用到form表单的功能,不管是添加还是修改信息,都会涉及到,Radio 单选框,Checkbox 多选框,Input 输入框,Select 选择器等等。

文档:https://element.eleme.io/#/zh-CN/component/radio

对着文档,复制粘贴代码其实很容易,但是也要注意到一些细节问题,比如对这几个类型的取值赋值问题,以什么样的格式传值的问题,值的多看一看。

关于 form表单的处理,这里挑选了几个比较常用的,放在一起来比较一下了,首先就是input输入框,最常用到的。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
<el-form-item label="用户名" prop="userName">
<el-input  v-model="questionForm.userName"    placeholder="请输入角色名称"/>
</el-form-item>

在输入框里面,只需要使用v-model指令用来在input上创建双向绑定即可。它会根据控件类型自动选取正确的方法来更新元素。尽管有些神奇,但 v-model 本质上不过是语法糖,它负责监听用户的输入事件以更新数据,并特别处理一些极端的例子。

除此之外,还会用到radio表单控件

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
<el-form-item label="分类">
          <el-radio-group
            v-model="questionForm.questionCategory"
            style="margin-right: 12px"
          >
            <el-radio
              v-for="(radio, index) in subjectList"
              :key="index"
              :label="radio"
              >{{ radio }}</el-radio
            >
          </el-radio-group>
        </el-form-item>

select表单控件

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
<el-form-item label="部门">
          <el-select
            v-model="questionForm.organId"
            placeholder="请选择"
            style="width: 100%"
            @change="changeHandler"
          >
            <el-option
              v-for="item in getOrganList"
              :key="item.id"
              :label="item.organName"
              :value="item.id"
            >
            </el-option>
          </el-select>
        </el-form-item>

这里值得一提的是基础多选,在select表单控件里面,我可以选择一个选项或者选择多个选项,也可以对选择的选项进行删除的功能,需要用到multiple属性。

为el-select设置multiple属性即可启用多选,此时v-model的值为当前选中值所组成的数组。默认情况下选中值会以 Tag 的形式展现,你也可以设置collapse-tags属性将它们合并为一段文字。

关于实现一个表单的步骤:如下

步骤: 这里我用到了json本地的数据,因为掉接口数据,不太方便写demo,后面统一都用到mock,json数据了,如果需要用到项目里面,后面直接修改一下。

后面如果需要将mock数据替换成后端给的api接口的话,就直接将以下代码

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
getOrgan() {
      import("./mock").then((res) => {
        this.getOrganList = res.data.organs;
      });
    },

改成这样即可

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//调用接口
import {getZtreeList} from "@/api/permission/role";
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
getZtreeList(params).then((res) => {
        this.getOrganList = res.data.organs;
});

好了,话不多说了,来看具体的操作吧,这里写了一个比较现成的demo,如果需要测试的话,直接复制粘贴到自己的后台管理系统的test.vue里面进行测试就行了。

1:在views底下新建一个test文件夹 里面新建一个vue文件和一个json文件

2:使用mock.json 这里的数据是自己准备的,测试需要,所以就自己准备咯

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
{
    "msg": "success",
    "code": 1,
    "data": {
      
        "organs": [
            {
                "id": 1,
                "organName": "部门1"
            },
            {
                "id": 2,
                "organName": "部门2"
            },
            {
                "id": 3,
                "organName": "部门3"
            },
            {
                "id": 4,
                "organName": "部门4"
            }
        ]
    }
}
测试使用demo

例子:test.vue实例代码

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
<template>
  <div class="tab-container">
    <div class="filter-container" style="margin-bottom: 20px">
      <el-form
        :model="questionForm"
        ref="dataForm"
        label-position="left"
        label-width="90px"
        style="width: 400px; margin-left: 50px"
      >
        <el-form-item label="用户名" prop="userName">
          <el-input
            v-model="questionForm.userName"
            placeholder="请输入角色名称"
          />
        </el-form-item>

        <el-form-item label="分类">
          <el-radio-group
            v-model="questionForm.questionCategory"
            style="margin-right: 12px"
          >
            <el-radio
              v-for="(radio, index) in subjectList"
              :key="index"
              :label="radio"
              >{{ radio }}</el-radio
            >
          </el-radio-group>
        </el-form-item>

        <el-form-item label="部门">
          <el-select
            v-model="questionForm.organId"
            placeholder="请选择"
            style="width: 100%"
            @change="changeHandler"
          >
            <el-option
              v-for="item in getOrganList"
              :key="item.id"
              :label="item.organName"
              :value="item.id"
            >
            </el-option>
          </el-select>
        </el-form-item>

        <el-form-item label="所属年级">
          <el-select
            v-model="questionForm.userGrades"
            class="filter-item"
            placeholder="选择年级"
            style="width: 100%"
            multiple
          >
            <el-option
              v-for="item in tabMapOptions"
              :key="item.key"
              :label="item.label"
              :value="item.key"
            />
          </el-select>
        </el-form-item>
      </el-form>

      <div slot="footer" class="dialog-footer">
        <el-button type="primary" @click="createData()">确定</el-button>
      </div>
    </div>
  </div>
</template>
<script>
//调用接口
// import { getOrgan } from "@/api/alarm/query";
export default {
  data() {
    return {
      questionForm: {
        userName: "",
        questionCategory: "",

        organName: "",
        organId: "",
        userGrades: [],
      },

      subjectList: ["黄金", "白银", "钻石"],

      tabMapOptions: [
        { label: "幼儿园", key: "kinderGarten" },
        { label: "一年级", key: "firstGrade" },
        { label: "二年级", key: "secondGrade" },
        { label: "三年级", key: "threeGrade" },
        { label: "四年级", key: "fourthGrade" },
        { label: "五年级", key: "fifthGrade" },
        { label: "六年级", key: "sixGrade" },
        { label: "小学以上", key: "gradeSchool" },
      ],

      getOrganList: [],
    };
  },
  created() {
    //加载部门
    this.getOrgan();
  },
  methods: {
    changeHandler(value) {
      const checkedItem = this.getOrganList.find((a) => a.id === value);
      this.questionForm.organName = checkedItem.organName;
    },
    //获取部门信息接口定义
    getOrgan() {
      import("./mock").then((res) => {
        this.getOrganList = res.data.organs;
      });
    },

    //添加用户
    async createData() {
      const params = this.questionForm;
      alert(JSON.stringify(params));
    },
  },
};
</script>
<style scoped>
.tab-container {
  margin: 30px;
}
</style>

点击提交按钮的时候,可以发现,选中的数据都获取到并且提交了。

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2025-05-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
全新Self-RAG框架亮相,自适应检索增强助力超越ChatGPT与Llama2,提升事实性与引用准确性
大型语言模型(LLMs)具有出色的能力,但由于完全依赖其内部的参数化知识,它们经常产生包含事实错误的回答,尤其在长尾知识中。
汀丶人工智能
2023/11/23
1.9K0
全新Self-RAG框架亮相,自适应检索增强助力超越ChatGPT与Llama2,提升事实性与引用准确性
再靠近亿点点,RAG 优化策略
在现有的向量数据库中,典型的上下文增强可能面临挑战:难以捕捉长距离的关联知识,信息稀疏性高(尤其是当LLM上下文窗口有限时)。
掘金安东尼
2024/04/13
4330
再靠近亿点点,RAG 优化策略
Self-RAG 框架:更精准的信息检索与生成
尽管LLM(大型语言模型)的模型和数据规模不断增加,但它们仍然面临事实错误的问题。现有的Retrieval-Augmented Generation (RAG)方法可以通过增强LLM的输入来减少知识密集任务中的事实错误,但可能会影响模型的通用性或引入无关的、低质量的内容。
唐国梁Tommy
2023/11/09
3.6K0
Self-RAG 框架:更精准的信息检索与生成
LLM的检索增强--SELF-RAG
*《SELF-RAG: LEARNING TO RETRIEVE, GENERATE, AND CRITIQUE THROUGH SELF-REFLECTION》*
云帆沧海
2024/11/25
1990
从零开始优化 RAG 流程的终极指南,解决检索增强生成的核心挑战
首先,我们将 RAG 工作流程分为三个部分,以增强我们对 RAG 的理解,并优化每个部分以提高整体性能:
致Great
2025/02/22
1.1K0
从零开始优化 RAG 流程的终极指南,解决检索增强生成的核心挑战
RAG技术的三大范式和技术演进
老_张
2025/05/23
3520
RAG技术的三大范式和技术演进
RAG科普文!检索增强生成的技术全景解析
增强生成 (RAG) 是塑造应用生成式 AI 格局的关键技术。Lewis 等人在其开创性论文中提出了一个新概念面向知识密集型 NLP 任务的检索增强生成之后,RAG 迅速成为基石,提高了大型语言模型 (LLM) 输出的可靠性和可信度。
致Great
2025/02/15
9500
RAG科普文!检索增强生成的技术全景解析
解密Prompt系列37.RAG之前置决策何时联网的多种策略
之前我们分别讨论过RAG中的召回多样性,召回信息质量和密度,还有calibration的后处理型RAG。前置判断模型回答是否要走RAG的部分我们之前只提及了自我矛盾和自我拒绝者两个方案。这一章我们再补充几种RAG前置判断方案。
风雨中的小七
2024/08/29
5940
解密Prompt系列37.RAG之前置决策何时联网的多种策略
知识图谱增强的KG-RAG框架
昨天我们聊到KG在RAG中如何发挥作用,今天我们来看一个具体的例子。 我们找到一篇论文: https://arxiv.org/abs/2311.17330 ,论文的研究人员开发了一种名为知识图谱增强的提示生成(KG-RAG)框架(https://github.com/BaranziniLab/KG_RAG),该框架利用生物医学知识图谱SPOKE与大型语言模型相结合,有效的提升了LLM在医疗领域的问答效果。
JadePeng
2024/04/12
1.6K0
知识图谱增强的KG-RAG框架
最全梳理:一文搞懂RAG技术的5种范式!
本文主要回顾 RAG 技术的发展,第一部分梳理了综述和关键论文,第二部分梳理了工程实践工具。 
Datawhale
2025/02/24
1.9K0
最全梳理:一文搞懂RAG技术的5种范式!
深入解析 RAG:检索增强生成的原理与应用
RAG 是“检索增强生成”(Retrieval-Augmented Generation)的简称,简单来说,就是一种让 AI 更聪明的方法。它把“找资料”和“写答案”两件事结合起来。怎么做到的呢?
码事漫谈
2025/03/11
9500
深入解析 RAG:检索增强生成的原理与应用
干货!带你了解7种检索增强生成 (RAG) 技术
在简单RAG中,大型语言模型(LLM)接收用户查询,在向量存储库中进行相似性搜索或在知识图谱中进行关系搜索,然后基于检索到的信息生成答案。
致Great
2025/01/06
5.7K0
干货!带你了解7种检索增强生成 (RAG) 技术
一文带你了解RAG(检索增强生成) | 概念理论介绍+ 代码实操(含源码)
针对大型语言模型效果不好的问题,之前人们主要关注大模型再训练、大模型微调、大模型的Prompt增强,但对于专有、快速更新的数据却并没有较好的解决方法,为此检索增强生成(RAG)的出现,弥合了LLM常识和专有数据之间的差距。
ShuYini
2023/12/21
41.9K79
一文带你了解RAG(检索增强生成) | 概念理论介绍+ 代码实操(含源码)
如何实现参加RAG比赛但进不了复赛的总结
好久没写文章了,断更了一个多月了,刚开始一段时间主要是上班精神内耗太严重没有精力去写文了,到六月初的时候,参加了一个RAG相关的比赛,初赛本周结束,作为菜鸟的我也是理所应当的没进复赛,跟第一名差了十分多,尝试了很多办法,但的确已经到个人能力的尽头了,决定就此放弃,这也是我第一次参加跟AI相关的比赛,而且还是自己单打独斗,也不能再强求更好了,总的来说,四个字:菜就多练🐶。
叶子的技术碎碎念
2025/04/08
950
如何实现参加RAG比赛但进不了复赛的总结
RAG七十二式:2024年度RAG清单
回顾2024,大模型日新月异,智能体百家争鸣。作为AI应用的重要组成部分,RAG也是“群雄逐鹿,诸侯并起”。年初ModularRAG持续升温、GraphRAG大放异彩,年中开源工具如火如荼、知识图谱再创新机,年末图表理解、多模态RAG又启新征程,简直“你方唱罢我登场”,奇技叠出,不胜枚举!
AI研思录
2025/02/20
2700
RAG七十二式:2024年度RAG清单
检索增强生成(RAG)
检索增强生成(Retrieval-Augmented Generation, RAG)是一种结合了检索机制和生成模型的先进技术,旨在提高自然语言处理系统的准确性和上下文相关性。本文将详细介绍如何从零开始构建一个RAG系统,包括数据处理、检索、生成以及部署等各个环节。
@小森
2025/01/03
4390
同济大学发布最新检索增强(RAG)的LLM生成技术综述
摘要主要介绍了大型语言模型(LLMs)在实际应用中面临的挑战,比如幻觉、知识更新缓慢和答案缺乏透明度等问题,并提出了检索增强生成(Retrieval-Augmented Generation,RAG)作为一种解决方案。RAG通过从外部知识库检索相关信息来辅助大型语言模型回答问题,已经被证明能显著提高回答的准确性,减少模型产生的幻觉,尤其是在知识密集型任务中。
唐国梁Tommy
2023/12/21
17.2K0
同济大学发布最新检索增强(RAG)的LLM生成技术综述
Graph RAG: 知识图谱结合 LLM 的检索增强
本文为大家揭示 NebulaGraph 率先提出的 Graph RAG 方法,这种结合知识图谱、图数据库作为大模型结合私有知识系统的最新技术栈,是 LLM+ 系列的第三篇,加上之前的图上下文学习、Text2Cypher 这两篇文章,目前 NebulaGraph + LLM 相关的文章一共有 3 篇。
NebulaGraph
2023/10/10
3.3K0
Graph RAG: 知识图谱结合 LLM 的检索增强
介绍 RAG(检索增强生成)
RAG(Retrieval-Augmented Generation)是一种将检索和生成结合在一起的模型架构,特别适用于回答开放域问答、生成相关文本以及需要丰富背景信息的任务。它结合了检索系统和生成模型的优势,通过从大型数据库中检索相关信息并使用生成模型对其进行处理,生成更准确和上下文相关的答案或内容。
IT蜗壳-Tango
2024/07/29
1.5K0
检索增强生成 (RAG) 的 5 大 提示词,非常实用!
从去年到现在,检索增强生成(RAG)这套玩法越来越火。简单来说,它就是让大型语言模型(LLM)结合外部数据,确保回答更准确、不胡说八道(减少“幻觉”)。这样一来,RAG 系统不仅能给出更靠谱的答案,还能紧跟最新信息。
致Great
2025/03/15
6410
检索增强生成 (RAG) 的 5 大 提示词,非常实用!
推荐阅读
相关推荐
全新Self-RAG框架亮相,自适应检索增强助力超越ChatGPT与Llama2,提升事实性与引用准确性
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验