当前位置:首页 > 文章列表 > 文章 > java教程 > JTable列求和不修改数据的技巧

JTable列求和不修改数据的技巧

2026-03-15 10:00:42 0浏览 收藏
本文深入剖析了Swing中JTable列求和的安全实践,聚焦于如何在不破坏原始表格数据的前提下,精准实现按条件(如“Type & Size”为"R6")对指定列(如“Weight”)进行汇总计算——核心在于彻底摒弃遍历中调用removeRow()等危险操作,转而采用只读访问、健壮空值与异常处理、内存内聚合、目标模型独立写入的清晰分离逻辑,不仅解决了常见数据污染问题,更提供了一套可扩展、高性能、易维护的Swing表格数据处理范式。

JTable列求和时保持原始数据不变的正确实现方法

本文详解如何在Swing中对JTable指定列(如“Weight”)按条件(如“Type & Size”为"R6")安全求和,同时确保原始表格数据不被修改——关键在于避免在遍历过程中调用removeRow(),改用只读访问与独立聚合逻辑。

本文详解如何在Swing中对JTable指定列(如“Weight”)按条件(如“Type & Size”为"R6")安全求和,同时确保原始表格数据不被修改——关键在于避免在遍历过程中调用removeRow(),改用只读访问与独立聚合逻辑。

在Swing开发中,使用JTable进行数据展示与汇总分析是常见需求。但许多开发者在实现列求和功能时,误将数据过滤逻辑(如跳过空行)与数据修改操作(如removeRow())混入计算循环,导致原始表格内容被意外清除——正如示例中dataModel.removeRow(i)在actionPerformed内执行,直接破坏了dataTable的初始状态。

根本问题在于:removeRow() 是模型级变更操作,会永久删除行,而非仅跳过处理。 正确做法应严格遵循“读取-计算-写入”分离原则:仅通过getValueAt(row, col)安全读取,用条件判断过滤无效值,所有聚合运算在内存中完成,最后将结果写入目标表模型。

以下是修复后的核心逻辑(已整合进完整可运行示例):

sumButton.addActionListener(e -> {
    DefaultTableModel dataModel = (DefaultTableModel) dataTable.getModel();
    DefaultTableModel summaryModel = (DefaultTableModel) summeryTable.getModel();

    // 清空汇总表(安全:仅操作目标模型)
    summaryModel.setRowCount(0);

    // 独立聚合:遍历原始数据,只读取,不修改
    BigDecimal totalR6Weight = BigDecimal.ZERO;
    for (int i = 0; i < dataModel.getRowCount(); i++) {
        // 安全判空:先检查第2列("Type & Size")是否非null
        Object typeSizeObj = dataModel.getValueAt(i, 2);
        if (typeSizeObj instanceof String && "R6".equals(typeSizeObj)) {
            Object weightObj = dataModel.getValueAt(i, 3);
            if (weightObj != null && !weightObj.toString().trim().isEmpty()) {
                try {
                    BigDecimal weight = new BigDecimal(weightObj.toString().trim());
                    totalR6Weight = totalR6Weight.add(weight).setScale(2, RoundingMode.HALF_UP);
                } catch (NumberFormatException ex) {
                    // 忽略非法数值格式,避免中断计算
                    System.err.println("Invalid weight value at row " + i + ": " + weightObj);
                }
            }
        }
    }

    // 写入汇总结果(仅影响summeryTable)
    summaryModel.addRow(new Object[]{"R6", totalR6Weight});
});

关键改进点说明:
✅ 彻底移除 removeRow() 调用:原始dataTable模型全程未被修改,初始数据100%保留;
✅ 健壮的空值与类型检查:使用instanceof String替代强制转型,先判空再取值,防止NullPointerException;
✅ 异常防护:对BigDecimal解析添加try-catch,容忍脏数据而不崩溃;
✅ 语义清晰的变量命名:totalR6Weight 比 tWeightRsix 更具可读性与可维护性;
✅ 汇总表重置更规范:使用setRowCount(0)替代循环removeRow(),性能更优且代码简洁。

扩展建议:

  • 若需支持多类型分组汇总(如同时统计"R6"、"T10"、"T20"),可改用Map存储各类型总和,再批量写入summaryModel;
  • 对于大数据量场景,考虑在后台线程(SwingWorker)中执行计算,避免阻塞UI;
  • 使用TableRowSorter配合Filter实现前端动态筛选,而非后端逻辑硬编码过滤条件。

遵循此模式,你不仅能解决当前的求和数据污染问题,更能建立起Swing表格操作的稳健范式:永远区分“源数据读取”与“目标数据写入”,严禁在遍历源模型时修改其结构。

终于介绍完啦!小伙伴们,这篇关于《JTable列求和不修改数据的技巧》的介绍应该让你收获多多了吧!欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识,快来关注吧!

PHP商城系统下载安装教程详解PHP商城系统下载安装教程详解
上一篇
PHP商城系统下载安装教程详解
微博如何管理收藏夹?分类标签全攻略
下一篇
微博如何管理收藏夹?分类标签全攻略
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    343次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    403次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    402次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    362次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    183次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码