鸿蒙5.0开发进阶:JS服务卡片UI组件通用信息-无障碍

JS可折叠区域及accessbility实现(无障碍网页) 实现效果 源码 <!DOCTYPE html> <html> <head> <title>collapsible menu</title> </head> <style type="text/css"> .collapsibleMenu{ width: 400px; color: #0072ac; margin-bottom: 20px; } .isCollapsible{ display: blo 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)


无障碍

组件可以设置相应的无障碍属性和事件来更好地使用无障碍能力。

说明

从API Version 8 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。

无障碍属性

名称类型默认值描述
accessibilitygroupbooleanfalse无障碍组,设置为true时表示该组件及其所有子组件为一整个可以选中的组件,无障碍服务将不再关注其子组件内容。
accessibilitytextstring-无障碍文本,当组件不包含文本属性时,屏幕朗读选中此组件时不播报,使用者无法清楚地知道当前选中了什么组件。为了解决此场景,开发人员可为不包含文字信息的组件设置无障碍文本,当屏幕朗读选中此组件时播报无障碍文本的内容,帮助屏幕朗读的使用者清楚地知道自己选中了什么组件。若组件既拥有文本属性,又拥有无障碍文本属性,则组件被选中时,仅播报无障碍文本内容。
accessibilitydescriptionstring-无障碍说明,用于为用户进一步说明当前组件,如帮助用户理解将要执行的操作可能导致什么后果,尤其是当这些后果无法从组件本身属性与无障碍文本中了解到时。开发人员可为组件的该属性设置相对较详细的解释文本,帮助用户理解将要执行的操作。若组件既拥有文本属性又拥有无障碍说明属性,则组件被选中时,先播报组件的文本属性,再播报无障碍说明属性的内容。
accessibilityimportancestringauto无障碍重要性,用于控制某个组件是否可被无障碍辅助服务所识别。具体值可以设置为auto,yes,no和no-hide-descendants(最后一个值会使屏幕朗读忽略当前组件及其所有子组件)。若设置为yes,当前组件对无障碍辅助服务而言可选中;若设置为no,则当前组件对无障碍辅助服务来说是不可选中的。
  • accessibilitygroup

    <div accessibilitygroup="true">
      <text>text1</text>
      <text>text2</text>
    </div>
  • accessibilitytext

    <image src="common/image/barrierfree.jpg" accessibilitytext="这是一张风景图"></image>
  • accessibilitydescription

    <button accessibilitydescription="点击此按键会弹出一个对话框" onclick="DialogShow">按键</button>
  • accessibilityimportance

    此情况下,div和text都不会被无障碍框选中。若想让某些默认不会被无障碍框选中的组件可以被选中,则给该组件增加一个accessibilityimportance="yes"即可。

    <div accessibilityimportance="no-hide-descendants">
      <text>text</text>
    </div>

无障碍事件

名称参数描述
accessibilityAbilityEvent无障碍服务下发的事件。

表1AbilityEvent属性列表

属性类型说明
eventTypenumber

事件类型:

- 0:custom event

- 1:accessibility focus

- 2:clear accessibility focus

无障碍系统下发的非焦点相关的事件为0,无障碍系统下发的获焦事件为1,无障碍系统下发的失焦事件为2。

paramObject无障碍辅助应用发送自定义事件时需传入对应参数。

Next.js 独立开发教程(十四):提升无障碍访问能力(Improving Accessibility) 在现代 Web 开发中,无障碍访问(Accessibility,简称 A11y)是一个重要但常被忽视的领域。它的目标是确保所有用户,包括有视觉、听觉、身体或认知障碍的用户,都能够顺畅地使用网站或应用。Next.js 提供了强大的工具和最佳实践,可以帮助开发者构建无障碍的 Web 应用。本文将重点探讨如何在 Next.js 中提升应用的无障碍访问能力,包括语义化 HTML、屏幕阅读器支持、键盘导航优化,以及常用工具的使用。 阅读详情

相关推荐

鸿蒙第16篇——数据持久化

本文介绍的数据持久化是指鸿蒙应用的数据持久化存储。它是将内存中的数据通过文件或数据库的形式保存到设备存储中。鸿蒙支持多种数据存储方式, 包括用户首选项Preferences、 键值型数据库KV-Store和关系型数据库。

daozhongyang的专栏 176

Vue项目, PC 端和移动端 H5 如何实现无障碍阅读

Vue项目, PC 端和移动端 H5 如何实现无障碍阅读

weixin_46683645的博客 3321

实现无障碍的完美JavaScript层拖拽技术

本文还有配套的精品资源,点击获取 简介:在自己的项目中实现了无障碍的层拖拽功能后,作者愿意分享其解决方案。这项技术不仅符合无障碍设计标准,确保残障人士也能顺畅使用,而且通过实际应用的检验,具备了高效和功能强大的特点。文章详细讲解了从基础JavaScript操作到无障碍设计的各个知识点,包括DOM操作、事件监听、CSS样式控制、鼠标坐标计算、屏幕阅读器支持、默认行为阻止、边界...

weixin_33670640的博客 1641

网站无障碍工具条使用(idea+js)

信息无障碍工具条: 网站信息无障碍改造咨询,无障碍辅助工具,无障碍工具,辅助浏览工具,无障碍工具条,适老化,长辈模式,盲人语音服务,无障碍阅读,十字光标,纯文本,无障碍插件源码,无障碍咨询改造,文本转语音tts,wcag2.0。之后在项目的head.html(封装好的头部),你准备好的无障碍按钮上添加点击事件。下载好后,把canyou文件夹放在根目录(跟写的html页面平级)注意一定要用这种跳转,直接跳会先跳404,刷新后才好用。

m0_67987829的博客 2474

无障碍阅读

无障碍阅读 网站设计

ui脚本使用无障碍的最佳实践.js

autojs spinner 的例子

分享一个免费网站无障碍工具条

分享一个免费网站无障碍工具条

Z51047299的博客 6998

无障碍访问之-chrome 插件

NULL 博文链接:https://stonelei.iteye.com/blog/1217781

【鸿蒙next开发】JS服务卡片UI组件:组件通用信息(无障碍)

本文详细介绍了HarmonyOS无障碍开发的核心功能,包括四大关键属性:accessibilitygroup(组件分组)、accessibilitytext(替代文本)、accessibilitydescription(详细说明)和accessibilityimportance(识别优先级),通过代码示例演示如何使用这些属性优化视障用户交互体验。

m0_73088370的博客 545

2026深度破解:OpenClaw开源AI框架架构与实战全景解析

2026年初,一款名为OpenClaw的开源AI Agent框架以惊人的速度席卷全球开发者社区,短短数周GitHub星标突破20万,成为史上增长最快的开源项目。本文从架构设计、核心原理、代码实现和工程实战四个维度,深度剖析OpenClaw的技术内核,帮助开发者从理解到实践,快速掌握这一革命性的AI开发框架。

fox0329的博客 2373

ubuntu20.04配置UR机械臂的仿真环境

gazebo和rviz中的机械臂的位姿是一样的,要实现同步控制,可以拖动rviz中的球移动到指定位置,点击plan观察路径规划,点击execute执行该路径规划,可以在gazebo和rviz中同步看到刚刚的路径规划运动,实现了简单的机械臂仿真环境搭建。这是因为catkin找的python版本为anaconda下面的版本,所以需要改为指定采用下面的命令,参考之前的。之后要source一下,才能读取到工作空间里的文件,以后每次打开终端进入工作空间都要执行该命令。时,一直不成功,解决办法可以看我之前写的。

weixin_48319333的博客 3494

鸿蒙平台Unity引擎深度集成:架构设计与工程实践指南

在跨平台应用与游戏开发领域,引擎与操作系统的深度集成是保障性能与体验的关键技术。其核心原理在于构建高效的桥接层,实现应用逻辑与原生系统服务间的双向通信与数据交换。这项技术的价值在于,它能让开发者复用成熟的引擎生态与工作流,同时无缝接入目标平台独有的硬件能力与系统特性,从而显著降低多平台适配的复杂度与成本。典型的应用场景包括将存量游戏项目迁移至新兴操作系统,并充分利用其分布式架构与原子化服务等创新功能。本文以Unity引擎与鸿蒙系统的集成为例,深入剖析了图形渲染管线适配、原生插件机制设计以及构建流程重构等核心

weixin_33981932的博客 399

Minio HTTPS证书配置实战:从申请到部署全流程

本文详细介绍了Minio HTTPS证书配置的全流程,从申请到部署,确保对象存储服务的安全性。内容包括证书类型选择、文件处理、服务配置调整及常见问题解决,帮助用户在生产环境中快速实现HTTPS加密传输,提升数据安全。

weixin_42638178的博客 433

鸿蒙API14开发【无障碍】JS服务卡片UI组件

组件可以设置相应的无障碍属性和事件来更好地使用无障碍能力。

鸿蒙的技术博客 328

Cesium中实现GPU计算的泥石流地形侵蚀

通过模拟分析,可以提前识别可能发生泥石流的区域,为防灾减灾提供依据,及时发布预警,避免或减少人员伤亡和财产损失。:在建设公路、桥梁、水库等基础设施时,通过泥石流模拟分析,可以预测泥石流可能对这些设施的影响,帮助工程设计者采取合适的防护措施,确保设施的安全性。:模拟分析有助于为灾后救援工作提供科学依据,确定受灾区域的范围、救援难度等,为救援队伍制定合理的行动方案,提升救援效率。:泥石流是山区常见的地质灾害之一,通过模拟分析可以评估某一地区发生泥石流的风险,指导土地使用规划、人口迁移等决策。

weixin_43481439的博客 1322

基于Docker的D435i相机与IMU联合标定实战指南

本文详细介绍了基于Docker的D435i相机与IMU联合标定实战指南,涵盖kalibr镜像构建、IMU标定全流程、双目相机标定技巧及联合标定结果验证。通过Docker容器化部署,简化了复杂依赖环境,提升标定效率与精度,适用于机器人视觉与SLAM应用。

weixin_30872337的博客 241

ACE-Step 1.5 XL SFT的CFG技术解析:如何精确控制音乐生成质量

想要创作出符合心意的音乐吗?ACE-Step 1.5 XL SFT的CFG(Classifier-Free Guidance)技术正是您需要的利器!这个先进的音乐生成模型通过CFG技术让您能够精确控制生成音乐的质量和风格,无论是古典交响乐还是现代电子音乐,都能轻松驾驭。本文将深入解析CFG技术的原理和应用,帮助您快速掌握这一强大的音乐生成工具。 ## 🎵 什么是CFG技术? CFG(Clas

gitblog_00337的博客 928

【详细图解】华为认证考试报名步骤解析(手把手操作)

华为认证报考流程

yuyeconglong的博客 1万+

网站无障碍工具条插件

网站无障碍工具条插件 【下载地址】网站无障碍工具条插件 “网站无障碍工具条”是一款专为视障、听说障碍、读写障碍、肢体障碍用户以及老年人群设计的JavaScript插件,旨在提升网站访问的便利性。该插件提供字体大小调整、高对比度显示、鼠标跟随光标、键盘导航优化等多种辅助功能,帮助用户更轻松地浏览网页。通过简单的引入和配置,...

gitblog_06732的博客 451

置顶必读(1) | 2026最新首发,全网最全 Spring Boot 学习宝典(附思维导图)

从0到1以知识点+实例+项目的教学模式对SpringBoot框架由浅入深进行学习,快来跟bug菌一起学习吧。

**My Coding Family** 16万+

网页中的无障碍阅读

Web无障碍设计(Accessibility in Web design,也叫网站可及性 )是要让所创建的网站对所有用户都可用/可访问,不管用户的生理/身体能力如何、不管用户是以何种方式访问网站。 为什么无障碍如此重要(帮助残障人士)为什么不是所有网站都能无障碍访问?你可能也会问自己为什么存在“无障碍”的问题,为什么不是所有网站都能让所有用户无障碍访问?要进行无障碍设计有许多不同原因,其中包括残疾...

一个前端初学者的博客 1万+

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!

html无障碍阅读,Web 无障碍(WAI)

Web Quality - 无障碍(WAI)能够被残障人士使用的网站才能称得上一个易用的(易访问的)网站。残障人士指的是那些带有残疾或者身体不健康的用户。Web Accessibility Initiative - WAIWAI (由 W3C 在1997年发起)是一系列计划供 web 开发者、创作者以及设计者使用的指导方针 - 关于如何使内容对残障人士更易用。这些指导方针的目标是易用性(acces...

weixin_32483357的博客 1653

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")

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

无障碍阅读,例子网站

http://test.cita.illinois.edu/aria/button/index.php 在里面看标签的例子不错 转载于:https://www.cnblogs.com/ppgs8903/p/4343250.html

weixin_30391339的博客 564

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

HTML web网页键盘无障碍访问(张鑫旭大神)

tabindex

river、的博客 2928
上一篇: 鸿蒙5.0开发进阶:JS服务卡片UI组件通用信息-自定义字体样式
下一篇: 鸿蒙5.0开发进阶:JS服务卡片UI组件通用信息-原子布局
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