【springboot的分页功能TableDataInfo，有时候需要艰难的分页实现，怎么办呢？】

学习目标：

springboot的分页功能TableDataInfo，有时候需要复杂的分页实现，怎么办呢？
简单的分页功能的实现：

/**
* 查询水库闸门矩阵信息列表
*/
@ApiOperation("查询水库闸门矩阵信息列表")
@GetMapping("/list")
public TableDataInfo list(ModelEngineeringRelSectionZamenMatrix modelEngineeringRelSectionZamenMatrix)
{
startPage();
List<ModelEngineeringRelSectionZamenMatrix> list = modelEngineeringRelSectionZamenMatrixService.selectModelEngineeringRelSectionZamenMatrixList(modelEngineeringRelSectionZamenMatrix);
  return getDataTable(list);
  }

重点：startPage()只对紧随其后的第一个查询有效。当其后面是一系列复杂的查询的时候，那么分页功能就失效了。
但是，在实际工作中，我们难免会有很复杂的逻辑查询，比如切换不同的数据源进行数据的查询，查询之后，再进行数据的组装。这时候就需要我们自己是实现数据的组装，之后再按照TableDataInfo的格式返回正确的数据。

学习内容：

示例代码：
1.Controller层代码：

/**
* 预报：查询累积降水量列表
*/
@ApiOperation("查询累积降水量列表")
@GetMapping("/rainfallSumListByForecastByPage")
public TableDataInfo rainfallSumListByForecastByPage(StPptnRForecast stPptnRForecast)
{
// 获取分页参数
PageDomain pageDomain = TableSupport.buildPageRequest();
//查询用户信息
LoginUser loginUser = tokenService.getLoginUser();
/**  edit by helj 20250317 添加第三方数据源判断  **/
/*** 是否使用第三方数据源forecast_data_source*/
String forecastDataSource = "false";
if(loginUser != null ){
if(loginUser.getForecastDataSource() != null && !loginUser.getForecastDataSource().equals("")){
forecastDataSource = loginUser.getForecastDataSource();
}
}
//查询降雨量数据
List<StPptnRWithSumDrp> list = new ArrayList<>();
  if(stPptnRForecast.getParams().get("beginTm") != null && !stPptnRForecast.getParams().get("beginTm").equals("")
  && stPptnRForecast.getParams().get("endTm") != null && !stPptnRForecast.getParams().get("endTm").equals("")
  && stPptnRForecast.getPubtime() != null && !stPptnRForecast.getPubtime().equals("")
  && stPptnRForecast.getRainBindingType() != null
  && ((stPptnRForecast.getBasinCode() != null && !stPptnRForecast.getBasinCode().equals(""))
  || (stPptnRForecast.getRegionCode() != null && !stPptnRForecast.getRegionCode().equals("")))){
  if(stPptnRForecast.getParams().get("isStartPage") != null && Boolean.parseBoolean(stPptnRForecast.getParams().get("isStartPage").toString())){
  if (StringUtils.isNotBlank(forecastDataSource) && forecastDataSource.equals("true")) {
  //预报第三方数据源
  list = selectRainfallSumListByForecastTrdDataSource(stPptnRForecast, true);
  //是否分页-内存分页
  if(list.size() > 0){
  int total = list.size();
  List<StPptnRWithSumDrp> pageList = handleMemoryPagination(list, pageDomain);
    //自定义一个TableDataInfo返回给前端
    TableDataInfo tableDataInfo = new TableDataInfo();
    tableDataInfo.setCode(200);
    tableDataInfo.setMsg("查询成功");
    tableDataInfo.setRows(pageList);
    tableDataInfo.setTotal(total);
    return tableDataInfo;
    } else {
    // 无数据情况
    TableDataInfo tableDataInfo = new TableDataInfo();
    tableDataInfo.setCode(200);
    tableDataInfo.setMsg("查询成功，无数据");
    tableDataInfo.setRows(new ArrayList<>());
      tableDataInfo.setTotal(0);
      return tableDataInfo;
      }
      }else{
      list = stPptnRForecastService.selectRainfallSumListByForecast(stPptnRForecast, true);
      }
      }
      }
      return getDataTable(list);
      }

重点：自己实现内存分页处理

/**
* 内存分页处理
*/
private List<StPptnRWithSumDrp> handleMemoryPagination(List<StPptnRWithSumDrp> allList, PageDomain pageDomain) {
  int pageNum = pageDomain.getPageNum();
  int pageSize = pageDomain.getPageSize();
  // 计算分页范围
  int startIndex = (pageNum - 1) * pageSize;
  if (startIndex >= allList.size()) {
  return new ArrayList<>();
    }
    int endIndex = Math.min(startIndex + pageSize, allList.size());
    return allList.subList(startIndex, endIndex);
    }

学习产出：

1.内存分页处理实现
2.如果 TableDataInfo 需要更多参数
如果您的 TableDataInfo 类需要更多分页信息，可以这样实现：

// 自定义TableDataInfo返回给前端
TableDataInfo tableDataInfo = new TableDataInfo();
tableDataInfo.setCode(HttpStatus.SUCCESS);
tableDataInfo.setMsg("查询成功");
tableDataInfo.setRows(pageList);
tableDataInfo.setTotal(total);
tableDataInfo.setPageNum(pageDomain.getPageNum());    // 当前页码
tableDataInfo.setPageSize(pageDomain.getPageSize());  // 每页大小
tableDataInfo.setPages((total + pageDomain.getPageSize() - 1) / pageDomain.getPageSize()); // 总页数
return tableDataInfo;

3.两个list数据，基于相同的stcd字段，进行高效快速匹配的实现方法。
使用Map优化方案

结论
坚决选择方案2（Map优化），因为：

性能差异巨大：1.23亿次 vs 2.2万次操作

用户体验：毫秒级响应 vs 可能卡顿几秒

系统资源：避免不必要的CPU和内存消耗

对于万级数据，双重循环会产生上亿次比较，这在生产环境中是不可接受的。
代码实现：

//数据均存在，循环数据判断stcd相等，将数据组装存储到list中
if(rainList.size() > 0 && stationList.size() > 0){
// 使用Map优化方案 - 推荐！
Map<String, StStbprpB> stationMap = stationList.stream()
  .collect(Collectors.toMap(StStbprpB::getStcd, station -> station, (oldVal, newVal) -> oldVal));
  for(StPptnRWithSumDrp rainData : rainList){
  StStbprpB station = stationMap.get(rainData.getStcd());
  if(station != null){
  StPptnRWithSumDrp vo = new StPptnRWithSumDrp();
  // 组装数据
  vo.setStcd(rainData.getStcd());
  vo.setDrp(rainData.getDrp());
  vo.setLgtd(station.getLgtd());
  vo.setLttd(station.getLttd());
  list.add(vo);
  }
  }
  //list按照drp降序排列
  if (!list.isEmpty()) {
  list.sort(Comparator.comparing(StPptnRWithSumDrp::getDrp, Comparator.reverseOrder()));
  }
  // 打印输出
  System.out.println("数据组装完成：降雨数据" + rainList.size() + "条，" + "站点数据" + stationList.size() + "条，成功组装" + list.size() + "条");