鸿蒙5.0开发进阶:UI框架-ArkTS组件(Circle)

鸿蒙5.0版开发:ArkTS绘制组件(Circle) 用于绘制圆形的组件。 阅读详情

往期鸿蒙5.0全套实战文章必看:(文中附带全栈鸿蒙5.0学习资料)


Circle

用于绘制圆形的组件。

说明

该组件从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。

子组件

无

接口

Circle(value?: CircleOptions)

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

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

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueCircleOptions否设置圆形尺寸

CircleOptions对象说明

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

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

系统能力: SystemCapability.ArkUI.ArkUI.Full

名称类型必填说明
widthstring | number否

宽度。

默认值:0

默认单位:vp

异常值按照默认值处理。

heightstring | number否

高度。

默认值:0

默认单位:vp

异常值按照默认值处理。

属性

除支持通用属性外,还支持以下属性:

fill

fill(value: ResourceColor)

设置填充区域颜色。异常值按照默认值处理。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueResourceColor是

填充区域颜色。

默认值:Color.Black

fillOpacity

fillOpacity(value: number | string | Resource)

设置填充区域透明度。取值范围是[0.0, 1.0],若给定值小于0.0,则取值为0.0;若给定值大于1.0,则取值为1.0,其余异常值按1.0处理。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valuenumber | string | Resource是

填充区域透明度。

默认值:1

stroke

stroke(value: ResourceColor)

设置边框颜色,不设置时,默认没有边框。异常值不会绘制边框。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueResourceColor是边框颜色。

strokeDashArray

strokeDashArray(value: Array<any>)

设置边框间隙。异常值按照默认值处理。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueArray<any>是

边框间隙。

默认单位:vp

默认值:[]

strokeDashOffset

strokeDashOffset(value: number | string)

设置边框绘制起点的偏移量。异常值按照默认值处理。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valuenumber | string是

边框绘制起点的偏移量。

默认值:0

默认单位:vp

strokeLineCap

strokeLineCap(value: LineCapStyle)

设置边框端点绘制样式。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueLineCapStyle是

边框端点绘制样式。

默认值:LineCapStyle.Butt

strokeLineJoin

strokeLineJoin(value: LineJoinStyle)

设置边框拐角绘制样式。Circle组件无法形成拐角,该属性设置无效。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueLineJoinStyle是

边框拐角绘制样式。

默认值:LineJoinStyle.Miter

strokeMiterLimit

strokeMiterLimit(value: number | string)

设置斜接长度与边框宽度比值的极限值。Circle组件无法设置尖角图形,该属性设置无效。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valuenumber | string是

斜接长度与边框宽度比值的极限值。

默认值:4

strokeOpacity

strokeOpacity(value: number | string | Resource)

设置边框透明度。该属性的取值范围是[0.0, 1.0],若给定值小于0.0,则取值为0.0;若给定值大于1.0,则取值为1.0,其余异常值按1.0处理 。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valuenumber | string | Resource是

边框透明度。

默认值:1

strokeWidth

strokeWidth(value: Length)

设置边框宽度。该属性若为string类型, 暂不支持百分比,百分比按照1px处理。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueLength是

边框宽度。

默认值:1

默认单位:vp

antiAlias

antiAlias(value: boolean)

设置是否开启抗锯齿效果。

卡片能力: 从API version 9开始,该接口支持在ArkTS卡片中使用。

系统能力: SystemCapability.ArkUI.ArkUI.Full

参数:

参数名类型必填说明
valueboolean是

是否开启抗锯齿效果。

默认值:true

示例

使用fillOpacity、stroke、strokeDashArray分别绘制圆的透明度、边框颜色、边框间隙。

// xxx.ets
@Entry
@Component
struct CircleExample {
  build() {
    Column({ space: 10 }) {
      // 绘制一个直径为150的圆
      Circle({ width: 150, height: 150 })
      // 绘制一个直径为150、线条为红色虚线的圆环(宽高设置不一致时以短边为直径)
      Circle()
        .width(150)
        .height(200)
        .fillOpacity(0)
        .strokeWidth(3)
        .stroke(Color.Red)
        .strokeDashArray([1, 2])
    }.width('100%')
  }
}

鸿蒙Harmony应用开发—ArkTS声明式开发(绘制组件:Circle) ArkTS声明式开发(绘制组件:Circle) 阅读详情

相关推荐

鸿蒙ArkTS绘制组件:【Circle】

用于绘制圆形的组件。

2401_82772199的博客 527

ArKTS的基本组件

设置文本的字体粗细,number类型取值[100, 900],取值间隔为100,默认为400,取值越大,字体越粗。string类型仅支持number类型取值的字符串形式,例如“400”,以及“bold”、“bolder”、“lighter”、“regular”、“medium”,分别对应FontWeight中相应的枚举值。当文本内容较多超出了Text组件范围的时候,您可以使用textOverflow设置文本截取方式,需配合maxLines使用,单独设置不生效,maxLines用于设置文本显示最大行数。

morr_的博客 6965

鸿蒙HarmonyOS NEXT开发环境搭建与ArkTS实战

HarmonyOS NEXT是华为推出的新一代分布式操作系统,其核心开发语言ArkTS基于TypeScript扩展了声明式UI和状态管理能力。开发环境搭建需配置DevEco Studio IDE和HarmonyOS SDK,通过@State、@Prop等装饰器实现数据绑定,采用组件化架构提升代码复用率。在鸿蒙生态中,ArkTS面向对象特性与分布式能力结合,可高效开发跨设备应用。本文以新闻客户端为例,展示从环境配置到性能优化的全流程实践,涵盖状态管理、UI组件封装等核心开发场景,帮助开发者快速掌握Harmon

weixin_33957648的博客 433

使用画布绘制自定义图形(Canvas)

使用CanvasRenderingContext2D对象在Canvas画布上绘制。@Entry@Component//用来配置CanvasRenderingContext2D对象的参数,包括是否开启抗锯齿,true表明开启抗锯齿。//用来创建CanvasRenderingContext2D对象,通过在canvas中调用CanvasRenderingContext2D对象来绘制。build() {//在canvas中调用CanvasRenderingContext2D对象。

2932

ESP32-C61 eFuse控制器深度解析:寄存器架构与安全烧写实践

eFuse(电子熔丝)是嵌入式芯片实现硬件级不可逆配置与信任根构建的核心物理机制,其本质是通过电学编程固化关键安全参数。原理上依赖熔丝单元的单向导通/断开特性,结合Reed-Solomon纠错、多级写保护和时序可控编程,保障数据在宽温域与工艺偏差下的高可靠性。技术价值在于为Secure Boot、Flash加密、密钥隔离等安全功能提供可信锚点,支撑从启动到运行的全链路防护。典型应用场景涵盖物联网设备量产烧录、安全启动使能、MAC地址固化及抗DPA密码运算配置。本文聚焦ESP32-C61平台,深入解析其eFu

weixin_42589700的博客 123

谷歌DreamFusion使用方法及实例详解

DreamFusion 是谷歌提出的基于文本生成3D模型的突破性技术,无需3D训练数据,通过2D扩散模型(如Imagen)与NeRF(神经辐射场)结合实现。以下为使用社区开源实现(如。)的详细步骤及实例。

主攻大数据 人工智能 物联网 安全 低空经济等方向。mtsc 、gtest特邀分享嘉宾 1043

鸿蒙5.0版开发:UI框架JS组件-svg组件(circle)

圆形形状。

m0_69424697的博客 315

MobaXterm隧道配置详解:为PyCharm远程开发打通‘最后一公里’

本文详细解析了如何利用MobaXterm配置SSH隧道,实现PyCharm远程开发的高效连接。通过本地端口转发技术,开发者可以安全访问内网服务器,特别适用于需要通过跳板机的复杂网络环境。文章涵盖从基础配置到企业级运维的全套解决方案,包括性能优化、安全加固等实用技巧。

weixin_30566063的博客 507

HarmonyOS ArkTS开发实战:弹弹球物理碰撞游戏

弹弹球是一款经典的休闲物理小游戏,核心玩法是小球在屏幕内自由弹跳,用户点击小球使其加速并获得分数。在 HarmonyOS ArkTS 框架下,我们利用Canvas与Circle 组件的协同工作,配合onTouch 事件实现流畅的物理模拟与交互反馈。使用 ArkTS 声明式语法构建 UI 层Circle 组件实现圆形小球的绘制与动画矩形边界碰撞检测算法基于状态变量驱动的颜色循环触摸事件(onTouch)触发加速逻辑分数增量累积与实时显示ArkTS 提供了丰富的组件库,其中Circle。

2403_87838053的博客 233

Android SurfaceFlinger——概述(一)

对于系统渲染流程的理解是指导 SurfaceFlinger 设计的核心思想,从 Android 4.1 一直到 Android 9.0 都没有太大的变化。只要抓住这五个核心思想,我们阅读 SurfaceFlinger 的难度就会下降不少。下面看一下 SurfaceFlinger 的体系和 Skia 以及 View的绘制流程的关系。framework 面向开发者所有的 View 是便于开发的控件,里面仅仅只是提供了当前 View 各种属性以及功能。

小旭的专栏 2584

华为OD机试双机位C卷:打印机队列 (C++/Py/C/Java/Js/Go)

华为OD机试双机位C卷 打印机队列,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。华为OD机试 - 打印机队列。

qq_45776114的博客 1794

HarmonyOS应用开发实战:小事记 - Circle 与形状组件:Stack 叠加实现选中/未选中复选框

本文深入分析了ArkUI开发中Circle与Stack组件的组合应用,以小事记App为例,详细解析了选中/未选中状态的实现方式。文章包含核心代码示例、样式属性表格、常见问题解决方案及性能优化建议,并推荐了官方文档和社区资源。通过Stack叠加Circle实现多层级视觉效果,结合状态管理和动画过渡,为HarmonyOS应用开发提供了实用的组件交互实现方案。最后提供了进阶学习路径和项目实践建议,帮助开发者系统掌握相关技术。

2501_94022858的博客 477

FreeRTOS全攻略:从入门到精通

本文聚焦 FreeRTOS,从基础概念出发,阐述其开源、轻量级等优势。着重介绍 FreeRTOS 入门知识,涵盖内存管理、任务操作、同步互斥机制等核心内容。其中,空闲任务与钩子函数保障系统基础运行与功能扩展;队列、信号量、互斥锁和事件组等机制,分别从数据传递、资源访问控制、优先级问题解决及多任务同步等方面,为开发者提供高效的任务间协作与资源管理方案,助力开发者掌握 FreeRTOS 核心技术,为嵌入式项目开发筑牢基础。

邓邓子的博客 6362

【精通篇】打造React Native鸿蒙跨平台开发高级复合组件库开发系列:基于HarmonyOS API 24 Circle 环形进度条(圆环形的进度条组件)

克隆Response 对象的主要方式是使用clone()方法,这个方法会创建一个一模一样的副本,不。如果响应对象的bodyUsed 属性为true(即响应体已被读取),则不能再创建这个对象的副本。此外,通过创建带有原始响应体的Response 实例,可以执行伪克隆操作。对于重定向响应,这是最终的URL,非重定向响应就是它产生的。Response 对象包含一组只读属性,描述了请求完成后的状态,如下表所示。 error:表示响应对象是通过Response.error()创建的。可能是下列字符串值之一。

wanmeijuhao的博客 341

2024阅读AOSP源码的正确打开姿势

在Android系统开发中,阅读AOSP(Android Open Source Project)源码是非常重要的环节。然而,如何构建一个优雅的阅读环境却是一个不容忽视的问题。本文将介绍不同工具和方法下阅读AOSP源码的正确姿势,并对比其优缺点。

虎哥LoveDroid 2714

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

华为仓颉鸿蒙HarmonyOS NEXT仓颉绘制组件Circle 、Line

摘要:鸿蒙ArkUI中的Circle和Line是基础绘制组件,适用于数据可视化等场景。Circle可设置半径、颜色等属性,Line支持坐标设置和虚线样式。代码示例展示了组件的基本用法,包括绘制圆形和虚线。关键属性涉及填充、边框、坐标等。开发时需注意性能优化、坐标系统和交互实现。仓颉语言用于底层开发,ArkTS专注于应用层UI开发,高性能计算可通过两者交互实现。

2301_79392153的博客 504

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 HarmonyOS 应用开发实战 |模拟时钟(Analog Clock)— Stack 布局与旋转动画精讲

模拟时钟(Analog Clock)是一款经典的桌面时钟应用,它以传统钟表的指针式设计展示当前系统时间。应用通过时针、分针、秒针三根独立指针的旋转角度来直观呈现时间信息,同时辅以数字时间显示,兼顾美观与功能性。项目基于 HarmonyOS 的 ArkTS 语言和声明式 UI 框架构建,完美展示了 Stack 层叠布局、Circle 圆形组件、rotate 旋转变换以及 setInterval 定时器等核心技术的综合运用。

qizayaoshuap的博客 240

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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 布局深度解析:Stack 实现圆角头像与角标

鸿蒙ArkTS布局:Stack实现圆角头像与角标 本文深入解析在HarmonyOS NEXT中使用ArkTS实现"圆形头像+状态角标"的三种技术方案: Badge组件方案 - 利用系统内置角标组件快速实现右上角状态指示,适合标准场景 Stack+Circle方案 - 通过Stack层叠布局和Circle组件手动定位,实现灵活的位置控制 自定义组件方案 - 封装可复用的StatusAvatar组件,支持不同尺寸和状态位置 核心要点包括: Stack布局的层叠特性与子组件定位方法 使用borderRadius实

zjxcq520的博客 597

# HarmonyOS NEXT 原生 ArkTS 布局实战:Clip + RoundRect 圆角裁剪深度解析

本文深入解析了HarmonyOS NEXT中ArkTS布局的圆角裁剪技术,重点介绍了三种实现方案:borderRadius+clip(true)、clipShape+Rect和Path自定义路径。通过底层渲染原理分析和技术对比,文章指出borderRadius+clip(true)是最灵活推荐的方案,支持四角独立半径和子元素溢出裁剪。实战部分包含完整项目架构、路由配置和核心代码解析,并提供了入口页面的实现示例,帮助开发者掌握鸿蒙原生UI的圆角裁剪技术要点。

woshi_xiaoa的博客 481

鸿蒙 ArkTS 代码组件

页面顶部 / 底部导航栏,实现多页面切换(比如首页、我的、消息分页)

feird的博客 273

鸿蒙原生ArkTS-鸿蒙6.0新特性-动态模糊视频背景登录页

鸿蒙6.0 ArkTS动态模糊登录页技术解析 本项目基于鸿蒙6.0(HarmonyOS NEXT)的ArkUI框架,打造了一个具有动态模糊视频背景的沉浸式登录页面。核心特性包括: 三层视觉架构: 底层Canvas粒子动画系统(80个彩色粒子+星云光晕+连线效果) 中层渐变遮罩层 上层毛玻璃悬浮登录卡片 关键技术点: 采用backgroundBlurStyle实现毛玻璃效果 CanvasRenderingContext2D绘制动态粒子背景 @State响应式状态管理 animateTo弹性动画交互 深浅色主题

s1316339343的博客 411

鸿蒙 HarmonyOS 应用密码锁(Password Lock)— Grid 网格键盘与四阶段状态机

密码锁(Password Lock)是一款模拟数字密码锁的应用。它模拟了真实密码锁的完整操作流程:设置密码 → 确认密码 → 解锁验证 → 错误锁定。用户通过数字键盘输入 4 位密码,系统根据当前阶段执行不同逻辑,错误次数超过 5 次后触发 5 秒锁定机制。从技术角度看,这是系列教程中状态机设计最为复杂的一个应用。它包含四个明确的阶段(setconfirmunlocklocked),每个阶段对用户输入的响应完全不同。此外,应用还引入了Grid网格布局构建数字键盘、Circle组件作为密码点显示、

2403_87838053的博客 253

鸿蒙 ArkTS 实战:手把手教你开发花艺记录 App(花材搭配、螺旋技法、保鲜倒计时)

本文介绍了XEngine的RT VisibleMask技术,它通过光线追踪实现更精确的阴影和环境光遮蔽(AO)效果。主要内容包括: 技术原理:向光源方向发射光线检测阴影,向半球发射多条光线计算AO遮挡程度 实现步骤: 查询设备支持 创建VisibleMask对象 录制渲染命令 参数配置(阴影、AO、去噪等) 关键特性: 提供4种去噪质量模式(从无到高质量) 2种遍历模式(精确或性能优化) 适用于室内场景、角色阴影等需要精确光照效果的场景 使用建议:根据采样率和性能预算选择合适的去噪和遍历模式组合 该技术从X

weixin_42299977的博客 235

HarmonyOS 6 ArkUI - Row 与 Column 弹性布局 layoutWeight 权重分配原理,多元素等分占比自适应屏幕适配

在React Native中开发鸿组件(这里指的是鸿蒙(HarmonyOS)组件),你需要了解鸿蒙开发的基础以及如何在React Native项目中集成鸿蒙应用。鸿蒙OS是由华为开发的一个分布式操作系统,主要用于其智能设备,如手机、平板、智能手表等。首先,你需要熟悉鸿蒙OS的开发环境设置和基本开发流程。React Native本身主要用于Harmony和Harmony平台的开发,但你可以通过以下几种方式将鸿蒙应用集成到React Native项目中:A. 使用WebView。

2401_89578244的博客 913

HarmonyOS ArkTS App 关于页面实战:InfoRow 组件与功能网格布局

关于」页面通常是用户了解应用的窗口,展示版本号、开发者信息、功能列表等内容。InfoRow 信息区:展示应用图标、名称、版本号、开发者、版权等信息Feature Grid 功能区:使用 Grid 组件构建 3 列网格,展示 30 个功能入口项页面布局结构│ 应用 Logo + 名称 │ ← 应用头部│ 版本号 v1.0.0 ││ 开发者:HarmonyOS Team │ ← InfoRow 信息行│ 更新时间:2025-01-15 ││ 联系我们:support@example │。

2403_87838053的博客 164
上一篇: 鸿蒙5.0开发进阶:UI框架-ArkTS组件(Path2D)
下一篇: 鸿蒙5.0开发进阶:UI框架-ArkTS组件(Ellipse)
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