新闻详情

新闻详情

首页 / 资讯中心 / 详情

《HarmonyOS 7 跨设备数据协同专题》02:复杂对象同步、Change 事件与最小更新粒度【鸿蒙心迹】

发布时间:2026/11/10 18:00:17来源:尧图网络
《HarmonyOS 7 跨设备数据协同专题》02:复杂对象同步、Change 事件与最小更新粒度【鸿蒙心迹】
为什么改了 note.author.name另一台设备没反应第一篇做了标题同步跑通了。这篇加复杂数据作者、标签、编辑状态、光标位置。结果加了之后发现问题改了嵌套属性另一台设备没反应。最开始以为是 bug后来查文档才知道分布式数据对象的最小同步单元是根属性不是深层属性。一、根属性是最小同步单元先看数据结构noteObj.author{name:张三,avatar:xxx}如果你直接改 noteObj.author.name ‘李四’这个不会同步。因为分布式数据对象的最小同步单元是根属性也就是 author 整个。你要改 author就得整个根属性重新赋值// 这样才会同步noteObj.author{name:李四,avatar:xxx}操作是否同步noteObj.title ‘新标题’同步noteObj.author.name ‘李四’不同步noteObj.author {name:‘李四’}同步二、为什么是这个设计为什么设计成根属性是最小单元因为如果每个深层属性都同步数据量太大了性能也不好控制。根属性作为一个整体同步简单高效。这段代码解决什么问题正确更新复杂对象。文件distributed/NoteObject.ets用途跨设备笔记同步接入位置笔记编辑// 正确做法整个根属性更新updateAuthor(name:string,avatar:string){// 先读出来改完再整体赋值letoldAuthorthis.noteObj.author;letnewAuthor{name:name,avatar:avatar};this.noteObj.authornewAuthor;}三、change 回调怎么用change 回调返回的是变化的根属性字段noteObj.on(change,(fields:string[]){// fields 是变化的根属性名// 比如 [title, author]console.log(变化字段:,fields);// 根据变化字段局部刷新 UIif(fields.includes(title)){this.refreshTitle();}if(fields.includes(author)){this.refreshAuthor();}});不要 change 一触发就整个页面刷新。根据变化的字段局部刷新对应区域就行。四、几个容易踩的坑第一个坑直接修改深层属性却期待自动同步。改了 author.name根本不同步。第二个坑一个巨大 Object 装下所有状态。数据太复杂维护起来特别麻烦。第三个坑change 一触发就整体刷新页面。性能差也没必要。第四个坑把临时 UI 状态也跨设备同步。滚动位置、光标位置这些不需要同步。这次做复杂对象同步最大的体会是分布式数据对象的同步粒度是根属性不是每个深层属性都同步。设计数据结构的时候就要想好哪些是根属性哪些是临时状态。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/10 4:49:37

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/9 8:37:19

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/10 9:14:31

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/10 1:10:29

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/10 15:15:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/10 17:14:10

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉