1小时用$emit打造TodoList原型

快速体验

  1. 打开 InsCode(快马)平台 https://www.inscode.net
  2. 输入框内输入如下内容:
    快速开发一个TodoList应用原型,要求:1)使用Vue3 Composition API;2)通过$emit实现添加新任务、切换完成状态、删除任务功能;3)包含本地存储功能;4)实现简单的过滤功能(全部/已完成/未完成)。所有功能要在单个文件组件中完成,适合快速演示和迭代。
  3. 点击'项目生成'按钮,等待项目生成完整后预览效果

示例图片

最近在尝试用Vue3快速实现一个功能完整的TodoList应用原型,发现用Composition API结合$emit可以非常高效地完成这个需求。整个过程大概花了一小时左右,下面分享下具体实现思路和关键点。

1. 项目结构与基础设置

首先创建一个Vue3单文件组件,包含template、script和style三个部分。使用Composition API的setup函数来组织逻辑代码,这样可以让代码更清晰,也便于后续维护。

2. 数据状态管理

在setup函数中,使用ref和reactive来定义响应式数据:

  • 使用ref定义一个tasks数组来存储所有任务
  • 使用ref定义一个filter字符串来存储当前过滤条件
  • 使用reactive定义一个newTask对象来临时存储新增任务的内容

3. 核心功能实现

3.1 添加新任务
  1. 在模板中使用v-model绑定newTask对象
  2. 创建一个addTask方法,通过$emit触发添加事件
  3. 在父组件中监听这个事件,将新任务push到tasks数组中
  4. 同时清空输入框
3.2 切换任务状态
  1. 为每个任务项添加复选框
  2. 通过$emit触发toggle事件,传递任务id
  3. 在父组件中找到对应任务,切换其完成状态
3.3 删除任务
  1. 为每个任务项添加删除按钮
  2. 通过$emit触发delete事件,传递任务id
  3. 在父组件中过滤掉对应id的任务

4. 本地存储实现

使用localStorage来持久化任务数据:

  1. 在组件挂载时从localStorage读取已有任务
  2. 使用watchEffect监听tasks变化,自动保存到localStorage
  3. 注意JSON的序列化和反序列化处理

5. 过滤功能

实现一个computed属性filteredTasks:

  1. 根据filter值('all'/'active'/'completed')返回不同的任务列表
  2. 在模板中添加三个按钮来切换过滤条件
  3. 使用动态class来高亮当前选中的过滤条件

6. 样式与交互优化

  1. 添加基本的CSS样式美化界面
  2. 实现任务完成时的删除线效果
  3. 为空状态添加提示信息
  4. 为交互添加简单的过渡动画

经验总结

通过这个项目,我发现Vue3的Composition API配合$emit可以非常灵活地构建组件间通信。相比Options API,Composition API的代码组织更加清晰,逻辑复用也更方便。

$emit的用法需要注意几点:

  • 事件命名建议使用kebab-case
  • 传递的数据要保持简单,避免传递复杂对象
  • 在父组件中合理处理事件参数

这个小项目虽然简单,但包含了Vue开发中的很多常见模式,非常适合用来练习Vue3的新特性。

如果你想快速体验这个项目,可以访问InsCode(快马)平台,无需复杂配置就能直接运行和修改代码。平台内置的编辑器体验很流畅,一键部署功能也让分享变得特别方便。

示例图片

实际操作时我发现,即使没有Vue基础,跟着平台提供的示例也能很快理解核心概念。这种边做边学的方式效果比单纯看教程要好很多。

快速体验

  1. 打开 InsCode(快马)平台 https://www.inscode.net
  2. 输入框内输入如下内容:
    快速开发一个TodoList应用原型,要求:1)使用Vue3 Composition API;2)通过$emit实现添加新任务、切换完成状态、删除任务功能;3)包含本地存储功能;4)实现简单的过滤功能(全部/已完成/未完成)。所有功能要在单个文件组件中完成,适合快速演示和迭代。
  3. 点击'项目生成'按钮,等待项目生成完整后预览效果

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

AmberLeopard26

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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