HarmonyOS6 ArkTS Tabs 设置TabBar的布局模式

HarmonyOS6 ArkTS Tabs 设置TabBar的布局模式

文章目录

Tabs与TabBar基础

Tabs组件由TabBar(页签导航栏)和TabContent(对应内容区)两部分组成。TabBar作为导航入口,其布局模式直接影响页面美观与操作流畅度。

核心属性:barMode

  • 作用:定义TabBar的布局规则,控制页签宽度分配与滚动能力
  • 类型BarMode枚举,包含两种核心模式
    • BarMode.Fixed固定均分模式(默认值)
    • BarMode.Scrollable可滚动模式
  • 配置位置Tabs组件的链式调用属性

两种布局模式

1. BarMode.Fixed(固定均分模式)

核心特性
  • 宽度均分:所有TabBar页签自动平均分配TabBar总宽度,每个页签宽度完全一致
  • 不可滚动TabBar区域固定,无法横向滑动,页签数量超出屏幕宽度时会被挤压截断
  • 布局稳定:页签位置固定,适合数量少、内容固定的导航场景
适用场景
  • 应用底部导航栏(通常3-5个固定页签,如首页、分类、我的)
  • 页签数量固定且较少(≤5个),无需动态扩展的场景
  • 要求导航栏布局稳定、无滚动行为的界面
代码配置
Tabs(){// TabContent定义...}.barMode(BarMode.Fixed)// 配置固定均分模式

2. BarMode.Scrollable(可滚动模式)

核心特性
  • 自适应宽度:每个TabBar页签宽度由内容(文字/图标)实际长度决定,非强制均分
  • 支持滚动:当所有页签总宽度超出TabBar容器宽度时,可横向滑动显示隐藏页签
  • 布局灵活:适配大量页签场景,内容展示更完整
适用场景
  • 应用顶部分类导航(如新闻频道、商品分类,页签数量多且不固定)
  • 页签文字长度差异大、需自适应宽度的场景
  • 动态增减页签、内容可扩展的导航界面
代码配置
Tabs(){// TabContent定义...}.barMode(BarMode.Scrollable)// 配置可滚动模式

完整代码

// xxx.ets@Entry@Component struct TabsExample {@State text:string='文本';@State barMode: BarMode = BarMode.Fixed;build(){Column(){// 文本控制按钮Row(){Button('文本增加 ').width('47%').height(50).backgroundColor(Color.Blue).fontColor(Color.White).borderRadius(12).onClick(()=>{this.text +='文本增加';}).margin({ right:'6%', bottom:12})Button('文本重置').width('47%').height(50).backgroundColor(Color.Orange).fontColor(Color.White).borderRadius(12).onClick(()=>{this.text ='文本';}).margin({ bottom:12})}// 模式切换按钮Row(){Button('Fixed固定模式').width('47%').height(50).backgroundColor('#0088ff').fontColor(Color.White).borderRadius(12).onClick(()=>{this.barMode = BarMode.Fixed;}).margin({ right:'6%', bottom:12})Button('Scrollable滚动模式').width('47%').height(50).backgroundColor('#33bb33').fontColor(Color.White).borderRadius(12).onClick(()=>{this.barMode = BarMode.Scrollable;}).margin({ bottom:12})}// 核心 Tabs 组件Tabs(){TabContent(){Column().width('100%').height('100%').backgroundColor(Color.Pink)}.tabBar(`${this.text} 页面1`)TabContent(){Column().width('100%').height('100%').backgroundColor(Color.Green)}.tabBar(`${this.text} 页面2`)TabContent(){Column().width('100%').height('100%').backgroundColor(Color.Blue)}.tabBar(`${this.text} 页面3`)}.height('60%').backgroundColor(0xf1f3f5).barMode(this.barMode).scrollable(true).animationDuration(300)}.width('100%').height('100%').padding(24)}}

运行效果图:

点击文本增加使文案增多,然后点击滚动模式,文案可以左右滑动:

模式效果对比

效果对比表

对比维度BarMode.FixedBarMode.Scrollable
页签宽度强制均分,宽度一致自适应内容,宽度不一
滚动能力不可滚动,超出挤压可横向滑动,完整展示
文字长度影响文字过长会被截断文字自适应宽度,无挤压
适用页签数量少量(3-5个)大量(≥5个)
布局稳定性高,位置固定中,可滑动调整

总结

Tabs组件的barMode属性是配置TabBar布局的核心,BarMode.Fixed适合固定少标签场景,BarMode.Scrollable适配多标签、动态内容场景。开发中需根据导航位置、页签数量、内容特性选择合适模式,结合样式配置(指示器、文字颜色)优化UI体验,打造符合HarmonyOS设计规范的高质量应用界面。

如果这篇文章对你有帮助,欢迎点赞、收藏、关注,你的支持是持续创作的动力

Read more

Python + Ollama 本地跑大模型:零成本打造私有 AI 助手

Python + Ollama 本地跑大模型:零成本打造私有 AI 助手

零 API 费用、零数据泄露风险、完全离线可用。本文带你从安装到实战,30 分钟跑起一个本地 AI 助手。 一、为什么要在本地跑大模型? 对比维度云端 API(ChatGPT / Claude)本地模型(Ollama)费用按量付费,$20/月起完全免费数据隐私数据上传到云端数据留在本地网络依赖必须联网离线可用模型选择固定自由切换开源模型硬件要求无需要一定配置 38%27%18%12%5%选择本地大模型的理由(2026年开发者调查)数据隐私与安全零成本长期使用离线可用可自由定制微调其他 二、Ollama 是什么? Ollama 是一个开源的本地大模型运行框架,核心特点: * 一键拉取模型:类似 docker pull 的体验 * 自动适配硬件:根据你的显存/内存自动量化 * 兼容 OpenAI API 格式:现有代码几乎不用改 * 跨平台:Windows

部署Qwen3-VL-32b的踩坑实录:多卡跑大模型为何vLLM卡死而llama.cpp却能“大力出奇迹”?

部署Qwen3-VL-32b的踩坑实录:多卡跑大模型为何vLLM卡死而llama.cpp却能“大力出奇迹”?

踩坑实录:多卡跑大模型Qwen-VL,为何vLLM模型加载卡死而llama.cpp奇迹跑通还更快? 前言:部署经历 针对 Qwen2.5-32B-VL-Instruct 满血版模型的部署实战。 手头的环境是一台配备了 4张 NVIDIA A30(24GB显存) 的服务器。按理说,96GB的总显存足以吞下 FP16 精度的 32B 模型(约65GB权重)。然而,在使用业界标杆 vLLM 进行部署时,系统却陷入了诡异的“死锁”——显存占满,但推理毫无反应,最终超时报错。 尝试切换到 Ollama(底层基于 llama.cpp),奇迹发生了:不仅部署成功,而且运行流畅。这引发了我深深的思考:同样的硬件,同样模型,为何两个主流框架的表现天差地别? 本文将围绕PCIe通信瓶颈、Tensor Parallelism(张量并行) 与 Pipeline

新手必看:Whisper 模型版本号解析与首次下载安装全流程

Whisper 模型版本号解析与首次下载安装全流程指南 作为新手,了解OpenAI的Whisper模型(一款高效的开源语音识别模型)的版本号和安装流程至关重要。Whisper模型支持多种语言和任务,如语音转文本(ASR),其版本号反映了模型的大小、性能和更新内容。本指南将逐步解析版本号,并提供完整的首次下载安装流程,确保你轻松上手。所有步骤基于官方文档和社区最佳实践,力求真实可靠。 第一部分:Whisper 模型版本号解析 Whisper模型的版本号由OpenAI发布,格式通常为whisper-<size>-v<version>,其中<size>表示模型大小(影响精度和速度),<version>表示迭代版本(优化功能和性能)。以下是关键版本解析: * 版本号结构: * 大小标识:如tiny、base、small、medium、large。模型越大,精度越高,但计算资源需求也越大。

如何用Faster-Whisper实现高效语音识别:从安装到实战的完整指南

如何用Faster-Whisper实现高效语音识别:从安装到实战的完整指南 【免费下载链接】faster-whisperFaster Whisper transcription with CTranslate2 项目地址: https://gitcode.com/GitHub_Trending/fa/faster-whisper Faster-Whisper是基于CTranslate2优化的语音识别工具,通过重新实现OpenAI的Whisper模型,显著提升了语音转文字的速度和效率。本文将带你了解这个强大工具的核心优势、安装方法和实际应用技巧,帮助你快速掌握高效语音识别的工程实践。 🚀 Faster-Whisper的核心优势 Faster-Whisper通过CTranslate2推理引擎对原始Whisper模型进行了深度优化,主要优势包括: * 速度提升:相比原生Whisper实现,推理速度提升2-4倍 * 内存优化:更小的内存占用,支持在资源受限设备上运行 * 精度保持:在加速的同时保持了与原始模型相当的转录质量 * 多平台支持:兼容CPU、GPU等多种计算设备