当前位置:首页 > 文章列表 > 文章 > 前端 > 如何创建递归嵌套文件夹结构

如何创建递归嵌套文件夹结构

2026-04-17 12:33:42 0浏览 收藏
本文揭秘了一种高效、健壮且无栈溢出风险的前端技术方案——利用 Map 与 reduce 一次遍历,将扁平化的 API 文件节点(含 id、parent、type)秒级构建成支持无限嵌套的树形结构,完美适配文件夹管理器、权限目录树等真实场景;不仅自动识别 FOLDER/STANDARD 类型、动态挂载 children、智能补全占位父节点,还兼顾万级数据性能、循环引用防护与 TypeScript 友好扩展,堪称构建层级 UI 的工业级标准实践。

如何构建递归嵌套的文件夹树结构

本文介绍如何将扁平的 API 文件节点数组(含 id、parent 和 type)高效转换为具有无限层级嵌套的树形结构,支持 FOLDER/STANDARD 类型识别与动态 children 挂载。

本文介绍如何将扁平的 API 文件节点数组(含 `id`、`parent` 和 `type`)高效转换为具有无限层级嵌套的树形结构,支持 FOLDER/STANDARD 类型识别与动态 children 挂载。

在前端开发中,处理文件系统类数据(如资源管理器、权限目录树)时,后端常返回扁平化节点列表,每个节点通过 parent 字段指向其父级 id。要渲染为树形 UI(如可折叠文件夹),必须将其重构为嵌套结构。关键挑战在于:需支持任意深度的递归关系,且避免重复遍历或性能陷阱。

推荐使用 Array.prototype.reduce() 配合 Map 实现 O(n) 时间复杂度的一次性构建——相比多次 filter 或递归查找,该方案更高效、无栈溢出风险,且天然支持循环引用检测(可扩展)。

以下是完整实现:

function buildFolderTree(data) {
  return data.reduce(
    ({ nodes, roots }, node) => {
      // 确保当前节点存在;若为 FOLDER,则初始化 children 数组(即使暂为空)
      const normalizedNode = node.type === 'FOLDER'
        ? { ...node, children: nodes.get(node.id)?.children || [] }
        : node;

      // 将当前节点存入 Map(key: id),便于后续快速查找父节点
      nodes.set(node.id, normalizedNode);

      if (!node.parent) {
        // 无 parent 的节点为根节点
        roots.push(normalizedNode);
      } else {
        // 确保父节点存在:若 Map 中无对应 parent,则创建一个占位父节点(类型默认为 FOLDER)
        if (!nodes.has(node.parent)) {
          nodes.set(node.parent, { id: node.parent, type: 'FOLDER', children: [] });
        }
        // 将当前节点推入父节点的 children 数组
        nodes.get(node.parent).children.push(normalizedNode);
      }

      return { nodes, roots };
    },
    { nodes: new Map(), roots: [] }
  ).roots;
}

// 示例数据
const data = [
  { id: 'node_292f637b-b33d-4d3d-bc96-8afc7ee1b949', conditions: 'string', type: 'FOLDER' },
  { id: 'node_292f637b-b33d-4d3d-bc96-8afc7ee1b948', conditions: 'string', type: 'FOLDER', parent: 'node_292f637b-b33d-4d3d-bc96-8afc7ee1b949' },
  { id: 'node_292f637b-b33d-4d3d-bc96-8afc7ee1b957', conditions: 'string', type: 'STANDARD', parent: 'node_292f637b-b33d-4d3d-bc96-8afc7ee1b948' },
  { id: 'node_292f637b-b33d-4d3d-bc96-8afc7ee1b936', conditions: 'string', type: 'STANDARD' }
];

console.log(buildFolderTree(data));

✅ 输出效果:

  • 根节点 node_...b949(FOLDER)包含 children 数组,内含 b948;
  • b948 同样为 FOLDER,其 children 包含 b957;
  • b936 无 parent,独立为根级 STANDARD 节点(无 children 字段);
  • 所有中间节点自动补全 children: [],确保树结构一致性。

⚠️ 注意事项:

  • STANDARD 类型节点不会被强制赋予 children 属性(除非显式初始化),但若后续动态添加子项,建议统一初始化为 [] 以保持结构稳定;
  • 若数据中存在无效 parent(如 ID 不存在且非根节点),当前逻辑会为其创建空 FOLDER 占位符——生产环境建议增加校验并抛出警告;
  • 如需兼容 TypeScript,可定义 TreeNode 接口明确 children?: TreeNode[] 可选性;
  • 此方案不依赖递归函数调用,规避了深层嵌套下的调用栈限制,适合万级节点场景。

该方法兼顾性能、可读性与健壮性,是构建前端文件树、组织架构图、菜单权限体系等层级数据的标准实践。

文中关于的知识介绍,希望对你的学习有所帮助!若是受益匪浅,那就动动鼠标收藏这篇《如何创建递归嵌套文件夹结构》文章吧,也可关注golang学习网公众号了解相关技术文章。

飞书任务提醒异常怎么解决飞书任务提醒异常怎么解决
上一篇
飞书任务提醒异常怎么解决
WPS文字截图技巧与方法教程
下一篇
WPS文字截图技巧与方法教程
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。
    263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。
    312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。
    291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。
    269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。
    87次使用