分享:Hierarchy Datagrid 解决方案 (转)

如何实现 Handy Control DataGrid 全选功能 通过以上前端和后端代码的配合,我们成功实现了 Handy Control DataGrid 的全选功能。核心在于利用的头部放置全选复选框,并在其状态改变时,通过事件处理方法更新数据源中每一项的IsSelected属性,从而实现全选和全不选的效果。希望这篇文章能帮助你在项目中轻松实现 DataGrid 的全选功能。如果你有任何疑问或其他需求,欢迎留言讨论。以上公众号文章围绕你提供的代码,详细阐述了如何实现 Handy Control DataGrid 的全选功能,希望对你有所帮助。 阅读详情
DataGrid是非常好用的.net web控件,TreeView也是,但是,尚无一个成熟的控件可以综合两者的优点以表达结构更复杂的数据。

  Denis Bauer提供了一个他称为“Hierarchy Datagrid”的解决方案(http://www.denisbauer.com/ASPNETControls/HierarGrid.aspx),这个方案很好,但需要说明的是

    1、这里实现的“Hierarchy Datagrid”与我们在vb 6中常用的MSHFlexGrid(即Microsoft Hierarchy Flexgrid)的结构并不是一样的。在MSHFlexGrid中,父层的项纵向并排,而子层跟在父层的右边(各层的各列称为一个Band)。而这个实现,子层是在父层的下面像TreeView一样展开,我觉得也许“TreeGrid”这样的名字更合适一些。

    2、这里实现的“Hierarchy Datagrid”基本的思路是,每一层都做成一个User Control,而Denis Bauer的类,则提供了从Page到User Control的一个通用的调用方法。

    3、这个实现一个不好的地方是,比较难以实现Edit的功能。因为父层只向子层传递DataSource,并不纪录子层中的状态,或者说子Datagrid的EditItemIndex。

  SVG兄实现了一个TreeView,它基本像一个DataGrid,但最左一列像TreeView,可以动态的展开。他的思路是用javascript+xmlhttp读取数据,然后用javascript写左边的列。写左边的列的过程,类似于Treeview的htc文件生成列的方法。这个方法的缺点是自己要写的代码比较多,而且修改子层数据的时候,不能利用DataGrid已经实现的功能。

  最近我的一个项目也提出了类似的要求,起初我是用Nested DataGrid做的,但是嵌套的各子层的DataGrid并不属于同一个DataGrid,他们各列之间无法对齐。后来突发奇想,实验了一个方法,成功了。

  其实说穿了一点也不复杂。在msdn的文章“How to Build Tables Dynamically”(http://msdn.microsoft.com/workshop/author/tables/buildtables.asp)中已经介绍,相对于DOM(Document Object Model),以<table>, <tr>, <td>这些来控制Table,还可以利用Table Object Model,直接找到row, cell等,进行增删修改。

  于是,假如我绑定生成这样的表格:
      李 强  天津 天津 数学 80
      李 强  天津 天津 语文 90
      李 强  天津 天津 音乐 70
      李 强  天津 天津 体育 60
      王大明  河北 保定 数学 90
      王大明  河北 保定 语文 80
      陈晓刚  湖南 长沙 数学 90

利用Table Object Model删去重复项,并适当设定重复项中保留下来的那一项的rowspan得值的话,Table中相同的Cell就Merge了。

我的解决方案如下:

1、在.aspx中引用fcnAthosColumnMerge函数

2、在.aspx的<body> tag中声明onload="fcnAthosTableMerge('strMyTableName');"

3、然后声明javascript函数fcnAthosTableMerge(strTableName),其中利用fcnAthosColumnMerge按列对表格进行合并就可以了。

例如上面的表格,可以写作:

function fcnAthosTableMerge(strTableName)
{
fcnAthosHtvgColumnMerge(strTableName, [0], [0, 1, 2], true, true, false);
}

其中[0]表示以第0列(下标从0开始)的值为依据进行合并,[0,1,2]表示若某几行第0列的值相同,则合并其第0,1,和2列。

参数中的三个true/false参数是表示表格是否有Header, Footer和Paging行。

这样上面表格合并后就是
    ———————————————————————
    |            |数学 | 80 |
    | 李 强  天津 天津 |语文 | 90 |
    |            |音乐 | 70 |
    |            |体育 | 60 |
    ———————————————————————
    | 王大明  河北 保定 |数学 | 90 |
    |            |语文 | 80 |
    ———————————————————————
    | 陈晓刚  湖南 长沙 |数学 | 90 |
    ———————————————————————

这样做的好处是,别的部分,完全可以使用datagrid控件。Datagrid产生的table,在浏览器端被merge之后,postback的时候不受任何影响,于是利用datagrid来edit, update, insert数据就很方便了。

另外说明的是,fcnAthosTableMerge函数可以调用fcnAthosColumnMerge多次,但是merge的时候要从右往左的来。

附fcnAthosColumnMerge代码如下:

  function fcnAthosColumnMerge(strGridId, arrIndexCol, arrMergeCol, blHasHeader, blHasFooter, blHasPageLine)
  {
     var tbl = document.all[strGridId];
     var iH = 0;
     var iF = 0;
     
     if(blHasHeader == true) iH++;
     if(blHasFooter == true) iF++;
     if(blHasPageLine == true) iF++;

   tRows = tbl.children[0].children;
   i0 = iH;
   strKey = new Array(arrIndexCol.length);
   strPrevKey = new Array(arrIndexCol.length);
   
   for(ii=0; ii<arrIndexCol.length;ii++)
   {
    strKey[ii] = tRows[iH].children[arrIndexCol[ii]].innerText;
    strPrevKey[ii] = strKey[ii];
   }

   for(i=iH+1;i<tRows.length-iF;i++)
   {
    blEqual = true;
    for(ii=0; ii<arrIndexCol.length;ii++)
    {
     strKey[ii] = tRows[i].children[arrIndexCol[ii]].innerText;
     if(strKey[ii] != strPrevKey[ii]) 
      blEqual = false;
    }

    if(blEqual == false)
    {
     for(ii=0;ii<arrMergeCol.length;ii++)
      tRows[i0].children[arrMergeCol[ii]].rowSpan = i-i0;
     for( j=i0+1; j<i; j++)
      for(ii=arrMergeCol.length-1;ii>=0;ii--)
       tRows[j].children[arrMergeCol[ii]].removeNode(true);
     i0 = i;
     
     for(ii=0;ii<strKey.length;ii++)
      strPrevKey[ii] = strKey[ii];
    }
   }

   for(ii=0;ii<arrMergeCol.length;ii++)   
    tRows[i0].children[arrMergeCol[ii]].rowSpan = i-i0;

   for( j=i0+1; j<i; j++)
    for(ii=arrMergeCol.length-1;ii>=0;ii--)
     tRows[j].children[arrMergeCol[ii]].removeNode(true);

   return;        

  }

easyui tree扁平化扩展,不用再为children嵌套结构烦恼 对easyui tree扁平化扩展,不用再为children嵌套结构烦恼,使用版本1.4.2 立即下载

相关推荐

Silevrlight GridView多表嵌套

通过设置DataGrid的HierarchyChildTemplate可以实现主从表关系,但是从表结构都是一样的,这里做了一些操作多个不同从表结构的嵌套。

分享:Hierarchy Datagrid 解决方案

  DataGrid是非常好用的.net web控件,TreeView也是,但是,尚无一个成熟的控件可以综合两者的优点以表达结构更复杂的数据。  Denis Bauer提供了一个他称为“Hierarchy Datagrid”的解决方案(http://www.denisbauer.com/ASPNETControls/HierarGrid.aspx),这个方案很好,但需要说明的是    1、

athos 1334

地平线Matrix-Client实战:3分钟搞定摄像头调试与3D视图配置(附避坑指南)

本文详细介绍了地平线Matrix-Client在摄像头调试与3D视图配置中的实战技巧,包括环境准备、核心功能快速上手、高阶调试与性能优化等。通过3分钟快速配置指南和避坑建议,帮助开发者高效完成智能视觉系统开发,特别适用于自动驾驶和机器人视觉领域。

w7x8y9z的博客 270

kendo grid Hierarchy

Hierarchy grid中不能使用下面的这段代码,会造成传值传不过来,把下面的代码注释,不用models,直接用form表单传值就行,暂时没搞明白为什么 //parameterMap: function (options, operation) { // if (operation !== "read" && options.models...

weixin_30315435的博客 140

SAP 财务接口开发:完全清账 vs 标准过账的 CO-PA(获利能力字段) 赋值全解析(含设计哲学)

用于完全清账场景:用于标准凭证过账/部分清账两者对 CO-PA 数据的传递方式截然不同。本文不仅提供完整的代码实现,更深入解析为什么 SAP 要这样设计——了解设计哲学,才能灵活应对各类需求。完全清账→ 调用,必须在T_FTPOST中传递,其他特征用BSEG-RKE_前缀。标准过账/部分清账→ 调用,在CRITERIA表中传递特征,字段名直接用WERKSARTNR等。SAP 的设计智慧面向不同场景,采用不同机制,各司其职。通过接口抽象,将复杂的 CO-PA 配置逻辑封装在内部,对外提供简洁的调用方式。

Pegasus666的博客 331

学习STM32的CAN总线通信

在配置时,确保您启用了CAN总线功能。CAN节点是CAN总线上的一个设备,每个节点都有唯一的标识符。在CAN总线中,有两种类型的节点:CAN控制器和CAN外设。步骤2:配置CAN总线 在STM32CubeMX中,选择CAN总线模块并进行必要的配置。在CAN总线中,有两个重要的概念:CAN节点和CAN帧。步骤5:测试CAN总线通信 在成功编译和烧录代码后,您可以使用串口调试助手或其他CAN总线工具来测试CAN总线通信。步骤3:编写CAN总线通信代码 在项目的主代码文件中,我们将编写CAN总线通信的示例代码。

2401_85258012的博客 497

WPF 【十月的寒流】学习笔记(3):DataGrid分页

我们这次详细了解一下列表通知的底层是怎么实现的分页是我们最常用的功能,这次简单实现了分页的效果。HandyControl没有提供主动的分页,需要我们组合一下。详细代码可以看我的Github仓库。三种过滤我都写了。

qq_44695769的博客 3888

ArduPilot简介

一,什么是ArduPilot? ArduPilot是一个可信的,多用途的,开源的自动驾驶系统。该系统支持了非常多的交通工具类型,包括多旋翼无人机,传统直升机,固定翼飞行器,船,潜艇,巡逻车等。源码由大型开发者社区的专家和爱好者共同开发和维护。也欢迎更多的开发者加入源码的迭代演进,最好的“打开”方式就是加入开发者团队论坛。该论坛对所有人开放,在这里可以深入感受到开发者们对ArduPilot的热爱。 论坛链接:ArduPilot Discourse 开发者指南:Welcome to the ArduPil

从0到1,突破自己 5456

拥抱大前端 盘点那些值得你了解的最佳开发实践

前端领域生态繁荣,致力于提高生产效率的技术、工具不断推陈出新,可谓群雄割据且各有千秋。企业及前端开发者在实际开发中可选择的空间大大增加,但也面临着选择困难症。抑或虽已确定了技术栈,但实际开发中却时不时遭遇各种“坑”的牵绊。深入了解各大技术的优势与劣势,同时结合自身业务需求,你的技术选择之路将会变得更加明朗;深入了解其他企业对各大技术的应用实践及所踩过的坑,你的技术应用之路将会更加顺畅。毕竟有些人,有

优快云研发技术 1万+

Ubuntu开机进入initramfs,解决办法来了!

摘要:Ubuntu系统启动时卡在initramfs界面,表明系统无法正常挂载根文件系统。常见原因包括引导配置错误、文件系统损坏、驱动程序问题和硬件故障。解决方法包括:1)使用fsck修复文件系统;2)通过dmesg排查驱动问题;3)检查硬盘等硬件状态;4)重新安装GRUB引导程序。建议做好系统备份等预防措施,遇到问题时按步骤排查。该问题通常可通过文件系统修复或引导配置重建解决。(148字)

米可的博客! 3422

Android应用发布到Google Play的步骤和注意事项

发布Android应用到Google Play是将您的应用分享给全球用户的重要步骤。Google Play是Android平台上最大的应用分发渠道之一,使得开发者可以轻松将他们的应用推广到数百万的用户。在本篇博客中,我们将逐步介绍如何将您的Android应用发布到Google Play,同时提供详细的步骤和注意事项,以及相关的代码示例。

2201_76125261的博客 850

HierarchicalDataTemplate 动态菜单 Command 绑定

Value="{Binding DataContext.SysMenuCommand, ElementName=TestMainWindow}" />                                                                                                2. 有子

smalltownboy的专栏 1706

ABB机器人将实时坐标发送给西门子PLC的具体方法示例

ABB机器人将实时坐标发送给西门子PLC的具体方法示例

Robot_PLC_HMI_Automation 4914

利用ASP.NET DataGrid显示主次关系的数据(VB.NET)

利用ASP.NET DataGrid显示主次关系的数据作者:孟宪会 出自:【孟宪会之精彩世界】 发布日期:2003年4月18日 12点0分0秒     大家在实际工作中有没有遇到要在DataGrid中显示带有主次结构的数据呢?如果你对ADO.NET和SQL Server2000熟悉的话,我们下面就举一个利用VS.NET自带的示例数据库Northwind和VB

1088

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

壹[1],HandyControl开发记录

注:下载后运行源码时,可依据自身的安装环境,对项目进行调整,源码是支持多个平台的。

FairyTailQ的博客 1958

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

2017暑期实习招聘-产品经理-腾讯IMG(1)

Title Content 时间 2017-04-27 2:30 地点 北四环西路中国技术交易大厦F7 部门 腾讯IMG,做地图的 形式 面试 面试官 男性(好帅!) 插曲我提前半个小时到的,然后就是等待,过了面试时间20min,面试官还没有找我,我给hr打电话。过了一会将近15:00,面试官才来找我(看在面试官的颜值上,我的内心小小的不爽也释然了)。 面

iyangdi的博客 1177

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

身体各个时辰的变化

传统养生理论认为,人体各主要器官在一天中的十二个时辰内都有其相对固定的活动频繁期,即“生物钟”。        自然状态下,“小周天”运行一周恰好是一天,所以“小周天”也叫“子午周天”。中医经络学的“子午流注”理论就来源于此。穴位与经络一样,一昼夜的十二个时辰中是有变化的,这种变化称为“开合变化”,有气功点穴歌诀云:“周身气血沿经络,日夜不停在奔波。遇时点穴如受损,十人有九命归阴。”

eland_edwiin's coding journey 2000

28岁的千万富翁说:我为什么能够赚钱?

作者:http://www.donews.net/pangshengdong  mail: 200551@gmail.com版权声明:可以任意转载,转载时请务必以超链接形式标明文章原始出处和作者信息及本声明http://www.donews.net/pangshengdong题记:我自己都不好意思,这个标题有点张扬,但是没有办法,我希望更多的媒体转载这篇文章,能够让更多人看到,所以,标题一

庞升东的专栏 1965

KendoUI 官方示例之 Grid / Hierarchy

详细示例进入:http://kendoui.io/examples/grid/hierarchy.html   KendoUI中文网: http://www.kendoui.io

KendoUI中文 420
上一篇: 计算机端口详解zt
下一篇: 分享:Hierarchy Datagrid 解决方案 (转)
AllenTing
博客等级 码龄22年 2粉丝 16原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值