鸿蒙5.0开发进阶:UI框架-ArkTS组件(PanGesture)

鸿蒙Harmony应用开发—ArkTS声明式开发(基础手势:PanGesture) ArkTS声明式开发(基础手势:PanGesture) 阅读详情

往期鸿蒙全套实战文章必看:(文中附带全栈鸿蒙学习资料)


PanGesture

滑动手势事件,当滑动的最小距离达到设定的最小值时触发滑动手势事件。

说明

从API Version 7开始支持。后续版本如有新增内容,则采用上角标单独标记该内容的起始版本。

接口

PanGesture(value?: { fingers?: number, direction?: PanDirection, distance?: number } | PanGestureOptions)

元服务API: 从API version 11开始,该接口支持在元服务中使用。

参数:

参数名称参数类型必填参数描述
fingersnumber否

用于指定触发滑动的最少手指数,最小为1指, 最大取值为10指。

默认值:1

取值范围:[1,10]

说明:

当设置的值小于1或不设置时,会被转化为默认值。

directionPanDirection否

用于指定触发滑动的手势方向,此枚举值支持逻辑与(&)和逻辑或(|)运算。

默认值:PanDirection.All

distancenumber否

用于指定触发滑动手势事件的最小滑动距离,单位为vp。

默认值:5

说明:

Tabs组件滑动与该滑动手势事件同时存在时,可将distance值设为1,使滑动更灵敏,避免造成事件错乱。

当设定的值小于0时,按默认值5处理。

PanDirection枚举说明

与SwipeDirection不同,PanDirection没有角度限制。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

名称描述
All所有方向。
Horizontal水平方向。
Vertical竖直方向。
Left向左滑动。
Right向右滑动。
Up向上滑动。
Down向下滑动。
None任何方向都不可触发滑动手势事件。

PanGestureOptions

通过PanGestureOptions对象接口可以动态修改平移手势识别器的属性,从而避免通过状态变量修改属性(状态变量修改会导致UI刷新)。

PanGestureOptions(value?: { fingers?: number, direction?: PanDirection, distance?: number })

元服务API: 从API version 11开始,该接口支持在元服务中使用。

参数:

参数名称参数类型必填参数描述
fingersnumber否

用于指定触发滑动的最少手指数,最小为1指, 最大取值为10指。

默认值:1

directionPanDirection否

用于指定设置滑动方向,此枚举值支持逻辑与(&)和逻辑或(|)运算。

默认值:PanDirection.All

distancenumber否

用于指定触发滑动手势事件的最小滑动距离,单位为vp。

默认值:5

说明:

Tabs组件滑动与该滑动手势事件同时存在时,可将distance值设为1,使滑动更灵敏,避免造成事件错乱。

当设定的值小于0时,按默认值5处理。

建议设置合理的滑动距离,滑动距离设置过大时会导致滑动不跟手(响应时延慢)的问题。

接口

名称功能描述
setDirection(value: PanDirection)

设置direction属性。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

setDistance(value: number)

设置distance属性。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

setFingers(value: number)

设置fingers属性。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

getDirection()12+: PanDirection

获取direction属性。

元服务API: 从API version 12开始,该接口支持在元服务中使用。

事件

名称功能描述
onActionStart(event: (event: GestureEvent) => void)

Pan手势识别成功回调。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

onActionUpdate(event: (event: GestureEvent) => void)

Pan手势移动过程中回调。

fingerList为多根手指时,该回调监听每次只会更新一根手指的位置信息。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

onActionEnd(event: (event: GestureEvent) => void)

Pan手势识别成功,手指抬起后触发回调。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

onActionCancel(event: () => void)

Pan手势识别成功,接收到触摸取消事件触发回调。

元服务API: 从API version 11开始,该接口支持在元服务中使用。

属性

元服务API: 从API version 11开始,该接口支持在元服务中使用。

名称类型描述
tag11+string设置Pan手势标志,用于自定义手势判定时区分绑定的手势。

示例

该示例通过PanGesture实现了单指/双指滑动手势的识别。

// xxx.ets
@Entry
@Component
struct PanGestureExample {
  @State offsetX: number = 0
  @State offsetY: number = 0
  @State positionX: number = 0
  @State positionY: number = 0
  private panOption: PanGestureOptions = new PanGestureOptions({ direction: PanDirection.Left | PanDirection.Right })

  build() {
    Column() {
      Column() {
        Text('PanGesture offset:\nX: ' + this.offsetX + '\n' + 'Y: ' + this.offsetY)
      }
      .height(200)
      .width(300)
      .padding(20)
      .border({ width: 3 })
      .margin(50)
      .translate({ x: this.offsetX, y: this.offsetY, z: 0 }) // 以组件左上角为坐标原点进行移动
      // 左右滑动触发该手势事件
      .gesture(
      PanGesture(this.panOption)
        .onActionStart((event: GestureEvent) => {
          console.info('Pan start')
        })
        .onActionUpdate((event: GestureEvent) => {
          if (event) {
            this.offsetX = this.positionX + event.offsetX
            this.offsetY = this.positionY + event.offsetY
          }
        })
        .onActionEnd((event: GestureEvent) => {
          this.positionX = this.offsetX
          this.positionY = this.offsetY
          console.info('Pan end')
        })
      )

      Button('修改PanGesture触发条件')
        .onClick(() => {
          // 将PanGesture手势事件触发条件改为双指以任意方向滑动
          this.panOption.setDirection(PanDirection.All)
          this.panOption.setFingers(2)
        })
    }
  }
}

示意图:

向左滑动:

点击按钮修改PanGesture触发条件,双指向左下方滑动:

鸿蒙开发新手必备-如何快速实现手势使用场景 今天分享一下鸿蒙的手势,使用场景比较多,也是比较重要的一个功能点。 阅读详情

相关推荐

HarmonyOS NEXT实战开发:组合手势

组合手势由多种单一手势组合而成,通过在GestureGroup中使用不同的GestureMode来声明该组合手势的类型...........

hanyanyou的博客 912

Qt之深入理解gesture

Qt最新的版本4.7中有五个gesture,分别是QPanGesture, QPinchGesture, QSwipeGesture, QTapAndHoldGesture, and QTapGesture, 前三个比较常用,但用过的人仍然很少,很多人人对这个gesture意思感觉也陌生,更不用说对说出他们之间的区别了。这里我先解释一下: Pan Gesture就是指一个手指在屏幕上滑动,当滑动

tianyu的专栏 - Linux site:blog.youkuaiyun.com/wishfly 3051

鸿蒙5.0版开发:ArkTS组件通用属性-PanGesture

拖动手势事件,当滑动的最小距离达到设定的最小值时触发拖动手势事件。

m0_69424697的博客 1165

HarmonyOS应用API手势方法-PanGesture

描述:用于触发拖动手势事件,滑动的最小距离为5vp时拖动手势识别成功。Api:从API Version 7开始支持。

weixin_69135651的博客 968

鸿蒙5.0版开发:ArkTS组件基础手势(PanGesture)

拖动手势事件,当滑动的最小距离超过设定的最小值时触发拖动手势事件。

m0_69424697的博客 1206

鸿蒙NEXT开发:ArkTS组件-手势处理(PanGesture)

滑动手势事件,当滑动的最小距离达到设定的最小值时触发滑动手势事件。

ZPYQAQ的博客 1046

【鸿蒙next开发】ArkUI框架:ArkTS组件-PanGesture

本文详细介绍了鸿蒙5.0开发中的PanGesture滑动手势事件,包括其接口、参数、枚举类型及使用方法。

m0_73088370的博客 734

ORB-SLAM3单目摄像头

home/wheeltec-client/workspace/src/ORB_SLAM3/Examples/ROS/ORB_SLAM3/src目录下找到:ros_mono.cc文件,打开找到并修改成我们自己摄像头的订阅话题(usb_cam/imahe_raw)即相机设置文件,官方提供的是Asus.yaml,可以另复制命名一个文件My_camera.yaml,将里面的相机参数修改成自己标定过的参数。sudoaptinstalllibeieng3-dev#命令安装的版本是eigen。

疯狂的石头 742

鸿蒙API14开发【PanGesture】ArkTS组件

滑动手势事件,当滑动的最小距离达到设定的最小值时触发滑动手势事件。

bbq的博客 1127

以太网物理层协议整理(2)-万兆以太网

在万兆以太网标准化过程中,IEEE和10GEA(万兆以太网联盟)是两个最重要的组织。 万兆以太网标准和规范都比较繁多,在标准方面,首先有2002年的IEEE 802.3ae,后来也不断有新的万兆以太网规范推出,如2006年的IEEE 802.3an标准(10GBase-T)就推出了基于双绞铜线的万兆以太网规范,同样的IEEE 802.3aq标准推出了基于光纤的10GBase-LRM;2007年的

NowOrNever 3万+

Qt实现思维导图功能5『纵向分布模式』

思维导图纵向分布模式:模式一

浮生流年的博客 1062

HarmonyOS6 PC端拖拽手势PanGesture入门——让你的元素随手而动

PanGesture是所有手势里最"实用"的一个。拖拽排序、拖拽移动、拖拽调整大小,全靠它。今天这个案例是最基础的自由拖拽,后面两篇会讲方向限制和边界约束,让拖拽交互更精确、更可控。

qq_37048082的博客 781

回归预测 | MATLAB实现SVR(支持向量机回归)K折交叉验证

回归预测 | MATLAB实现SVR(支持向量机回归)K折交叉验证 目录回归预测 | MATLAB实现SVR(支持向量机回归)K折交叉验证基本介绍划分原理留一划分交叉验证K折交叉数据下载程序设计参考资料致谢 基本介绍 在机器学习里,通常来说我们不能将全部用于数据训练模型,否则我们将没有数据集对该模型进行验证,从而评估我们的模型的预测效果。为了解决这一问题,有如下常用的方法: 第一种是最简单的,也是很容易就想到的。我们可以把整个数据集分成两部分,一部分用于训练,一部分用于验证,这也就是我们经常提到的训练集

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 6377

鸿蒙API13开发【PanGesture】ArkTS组件

滑动手势事件,当滑动的最小距离达到设定的最小值时触发滑动手势事件。

鸿蒙的技术博客 826

大数据分析案例-基于随机森林算法构建二手房价格预测模型

通过应用随机森林算法,我们希望建立一个能够有效预测二手房价格的模型。这个模型可以基于各种因素,如区域位置、房屋属性、市场供需等,来预测未来某一时间点的房价。通过提高预测准确性,我们可以更好地把握房地产市场动态,为决策提供更有价值的参考。揭示影响二手房价格的因素及其影响方式:通过分析随机森林算法生成的模型,我们可以进一步了解哪些因素对二手房价格有重要影响,以及这些因素如何影响房价。这有助于我们深入理解房地产市场的运行规律,为制定更为有效的市场策略提供依据。

m0_64336780的博客 1万+

MyBatis-Plus 实战:敏感字段自动加解密支持模糊查询

本文基于MyBatis-Plus框架提出了一种全链路敏感字段加密方案。通过自定义TypeHandler实现数据入库自动加密和查询自动解密,结合重写LambdaQueryWrapper处理查询条件加密,并适配多种查询方式。方案核心包括:1)AESUtil工具类提供加解密基础能力;2)EncryptTypeHandler实现字段类型转换;3)实体类通过注解配置加密字段。该方案在保证数据安全的同时,对业务代码侵入性小,支持姓名、手机号等敏感信息的全流程加密处理,满足系统开发的安全需求。

蔡定努 596

鸿蒙HarmonyOS ArkTS原生拖拽排序深度解析

本文介绍了在HarmonyOS NEXT中使用ArkTS和ArkUI框架实现拖拽排序功能的技术方案。重点讲解了PanGesture手势组件的使用方法,包括基本配置、事件回调以及GestureEvent对象属性。通过示例代码展示了如何利用响应式状态管理实现元素拖拽效果,并详细说明了PanGestureOptions的配置项和PanDirection方向控制。文章为开发者提供了在ArkUI中实现流畅拖拽交互的完整技术路径,涵盖从基础概念到实践应用的各个关键环节。

langruotian的博客 549

【AI大模型:认知升级】1、全面解析AI大模型:从起源到发展脉络与应用价值

AI大模型是具备超大规模参数(千亿至万亿级)、海量训练数据(TB级)和强迁移学习能力的基础模型。其技术特征包括Transformer架构革新、大数据预训练范式及参数规模超过临界值后的能力涌现。发展历程经历了语言模型突破(2018-2020)、多模态融合(2021-2023)和架构创新(2023至今)三波浪潮,遵循数据、算力、算法协同进化规律。底层驱动因素包括能力涌现机制、算力基础设施突破和应用场景拓展,正在重构产业价值链。通过"知识星系""认知

2025博客之星Top81。专注AI工程化与架构实战。从分布式思维到模型部署,用工程化视角为你厘清AI落地的真实路径。 2295

鸿蒙 ArkTS 实战:手势演示 GestureDemo

购物清单(Shopping List)是一款实用的购物管理工具,帮助用户高效管理购物计划。用户可以在购物前创建清单,添加需要购买的物品,进行分类管理,购物时标记已购物品,并追踪购物支出。该应用以HarmonyOS NEXT的ArkTS框架为基础,深入展示了增删改查(CRUD)操作、分类管理、搜索过滤、排序算法、数据持久化和用户交互设计等关键技术。CRUD操作:完整的物品增删改查操作,支持快速编辑和批量操作。分类管理系统:12种预设分类,支持自定义,颜色编码便于识别。多维度搜索过滤。

2403_87838053的博客 289

Python数据分析师必备:OpenClaw开启Pandas清洗脚本自动生成新时代

本文介绍了OpenClaw这一AI智能体框架如何帮助Python数据分析师高效完成数据清洗工作。OpenClaw通过自然语言交互理解用户需求,自动生成Pandas清洗脚本,显著提升了数据清洗效率,降低了技术门槛。文章详细阐述了OpenClaw的工作原理、实战应用步骤及其在电商、金融、医疗等行业中的成功案例。相比传统手动编写脚本方式,OpenClaw能快速生成规范准确的清洗代码,使数据分析师能更专注于业务洞察。该工具为数据驱动决策提供了可靠支持,是数据分析领域的重要创新。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 231

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

鸿蒙ArkTS声明式开发:跨平台支持列表【PanGesture】 基础手势

用于触发拖动手势事件,滑动的最小距离为5vp时拖动手势识别成功。从API Version 7开始支持。后续版本如有新增内容,则采用上角标单独标记该内容的起始版本。

2401_82772199的博客 998

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")

鸿蒙ArkTS学习日记(二):拖拽事件

本文中代码基于小编的上一篇文章进行修改编写,完成组件button拖拽效果,松开返回原点。上一篇文章给大家引用在下方如需代码自行拿取。详细代码示例请查看下方华为官方文档,本文仅展示个人练习代码,不做示例代码搬运。鸿蒙ArkTS学习日记(一):UI组件使用之button。Harmony3.0/4.1 单一手势。

刘小猿的博客 712

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

【共创季稿事节】鸿蒙原生 ArkTS 布局方式之 PanGesture 拖拽手势布局:从原理到实战

本文深入解析了HarmonyOS NEXT中PanGesture(平移拖拽手势)的核心原理与实现。主要内容包括: PanGesture在ArkUI手势体系中的定位与应用场景(自由拖拽、滑动手势、拖拽排序、边界约束) 详细API分析: 核心参数:direction(拖拽方向)、distance(最小触发距离)、fingers(手指数量) 生命周期回调:onActionStart/Update/End/Cancel API命名变更说明(V1到V2版本迁移) 实践案例剖析: 项目结构:包含三种拖拽模式枚举(无限制

2501_94378233的博客 713

鸿蒙 ArkTS 实战:拖拽排序 DragSort

心情日记(Mood Diary)是一款帮助用户记录和追踪每日情绪变化的应用。用户可以通过选择心情表情、撰写文字记录、添加标签等方式记录每日心情,系统自动分析情绪趋势、生成月度报告、提供情绪洞察。该应用以HarmonyOS NEXT的ArkTS框架为基础,深入展示了情绪数据模型、日期管理、统计聚合、趋势分析、条件渲染和数据持久化等关键技术。情绪数据模型:7级心情等级系统,配合Emoji和颜色编码,直观表达情绪状态。统计聚合引擎:支持总条目数、平均心情值、心情分布、连续天数等全方位统计。趋势分析算法。

2403_87838053的博客 244

【HarmonyOS 6】数据可视化:实现热力图时间块展示

在时间管理类应用中,如何直观地展示一天的时间使用情况是一个重要的设计挑战。本文将详细讲解如何在 HarmonyOS 应用中实现一个交互式的热力图时间块展示页面,用户可以通过点击和拖动来快速记录时间,同时以网格形式直观地查看时间分布。如何使用 Grid 组件实现网格布局如何实现复杂的手势交互(长按、拖动、点击)如何动态计算和渲染时间单元格如何处理时间块的冲突和拆分如何实现数据驱动的 UI 更新@Component// 基础数据。

qq_37566395的博客 2188

鸿蒙ArkTS按钮双击事件实现与优化指南

在移动应用开发中,手势识别是实现交互功能的核心技术之一。ArkTS作为鸿蒙系统的开发语言,其手势系统基于Gesture组件家族实现,包括单击、长按、平移等多种手势类型。通过TapGesture的count参数可以配置点击次数,这为双击事件等复杂交互提供了基础支持。在实际工程实践中,合理组合手势识别器并优化时间/位置阈值参数,能够显著提升交互响应性能。本文以鸿蒙ArkTS按钮组件为例,详细解析双击事件的三种实现方案及其适用场景,特别针对手势冲突和性能优化等常见问题提供解决方案。对于需要同时处理单击和双击的复合

weixin_30470643的博客 439
上一篇: 鸿蒙5.0开发进阶:UI框架-ArkTS组件(LongPressGesture)
下一篇: 鸿蒙5.0开发进阶:UI框架-ArkTS组件(PinchGesture)
懂你的大海
博客等级 码龄6年 9049粉丝 1381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