CSS UI伪类

CSS结构性伪类、UI伪类与动态伪类全解析:从文档结构到交互状态的精准选择 结构性伪类选择器和UI伪类选择器是CSS中用于精准定位和样式控制的重要工具。结构性伪类选择器基于元素在HTML文档树中的位置或结构特征进行匹配,如:first-child、:nth-child()等,常用于实现响应式布局和复杂文档样式。UI伪类选择器则专注于表单元素或用户界面组件的状态,如:enabled、:checked等,用于动态反馈和交互效果。这些选择器无需依赖类名或ID,通过文档结构或元素状态即可实现精准控制,广泛应用于表格斑马纹、表单验证、焦点反馈等场景,提升用户体验和界面可用性。 阅读详情
<!doctype html>
<html>
<head>
<meta charset="utf-8">
<title>伪类   UI伪类</title>
<link href="css/style.css" rel="stylesheet" type="text/css"/>
<!--伪类-->
<!--伪类:伪类这个叫法源自于它们跟类相似,但实际上并
	没有类会附加到标记中的标签上。
	伪类分为两种(以及新增的伪类选择器):
    UI伪类:会在HTML元素处于某种状态时(例如:鼠标指针位于连接上),
    	为该元素应用CSS样式。hover
    结构化伪类:会在标记中存在某种结构上的关系时(
    	例如:某元素是一组元素中的第一个或最后一个),
    		  为该元素应用CSS样式。
    :not和:target(CSS3新增的两个特殊的伪类选择器)
              
    UI元素状态伪类选择器有如下几个:
    Selector:link :匹配Selector选择器且未被访问前的元素(通常只能是超链接)。
    Selector:visited :匹配Selector选择器且已被访问前的元素(通常只能是超链接)。
    Selector:hover :匹配Selector选择器且处于鼠标悬停状态的元素。
    Selector:active :匹配Selector选择器且处于被用户激活(在鼠标点击与释放之间的状态)
    				的状态的元素。
    Selector:focus :匹配Selector选择器且已得到焦点的元素。
    Selector:enabled :匹配Selector选择器且当前用于处于不可用状态的元素。
    Selector:disabled:匹配Selector选择器且当前处于不可用状态的元素。
    Selector:checked :匹配Selector选择器且当前处于选中状态的元素。
    
    Selector:default :匹配Selector选择器且页面处于打开时选中状态的元素
    					(即使当前没有被选中亦可)。
    Selector:read-only :匹配Selector选择器且当前处于只读状态的元素
    Selector:read-wirte :匹配Selector选择器且当前处于读写状态的元素
	Selector:selection :匹配Selector选择器的元素中当前被选中的内容。
    
    特别提示:1、一个冒号(:)表示伪类,两个冒号(::)表示CSS3新增的伪元素。
    		2、上面的Selcotor选择器可以省略,如果省略则可以匹配处于某种
            状态下的多个元素。
-->

</head>

<body>
    <div id="diva">
    	<a href="https://www.baidu.com/">用于link、visited、active、hover伪类选择器讲解</a> 
    </div>
    <div id="divothers">
        <input type="text" value="获得焦点时"/>
        <button>可用按钮</button>
        <button disabled="disabled">不可用按钮</button>
        <input type="text" disabled value="不可用文本框"/>
    </div>
</body>
</html>
@charset "utf-8";
/* CSS Document */
/*设置div样式*/
#diva {
	width: 800px;
	height: 200px;
	margin: 0 auto;
	line-height: 160px;
	border: 2px solid #C00;
	text-align: center
}
/*divothers样式设置/*/
#divothers {
	width: 800px;
	height: 200px;
	margin: 20px auto;
	padding: 30px 0px;
	border: 2px solid #C00;
	text-align: center;
}
/*设置input标签样式*/
input {
	width: 200px;
	height: 25px;
	font-size: 15pt;
	text-align: center;
}
/*设置button按钮的样式*/
button {
	width: 200px;
	height: 30px;
	display: block;
	margin: 10px auto;
	font-size: 14pt;
}
/*设置a标签的字体大小*/
a {
	font-size: 26px;
}


/*链接在初始状态是蓝色的*/
a:link {
	color:blue;
}
/*当链接被点击之后,变成灰色(确切的说,到浏览器访问历史中
的这个URL过期之前或被用户删除之前都是灰色)*/
a:visited {
	color: gray;
}
/*鼠标移动到a标签上的时候,下划线消失*/
a:hover {
	text-decoration: none;/*取消a标签的下划线*/
}
/*用户在链接上按下鼠标时(活动状态),链接颜色为红色*/
a:active {
	color: red;
}

/*当input标签获取焦点时,添加下划线*/
input:focus {
	text-decoration: underline;
	border:3px solid #F00;
}
/*没有选择器的情况下,会将所有处于disabled状态下的元素的CSS样式改变*/
:disabled {
	font-famliy: "黑体";
	color:#3F0;
}

 

如何使用CSS伪类和伪元素创建交互式UI组件 伪类和伪元素是CSS里非常强大的工具,它们可以让你在不修改HTML结构的前提下,给元素添加各种各样的样式效果。掌握了它们,你就可以轻松地创建出各种酷炫的交互式UI组件,让你的网页更加生动有趣!希望这篇文章能帮助你更好地理解和使用CSS伪类和伪元素。记住,实践是检验真理的唯一标准,多动手尝试,你就能发现更多的惊喜!好了,今天的“美容讲堂”就到这里,咱们下次再见! 阅读详情

相关推荐

CSS伪类的深入探索:焦点、状态与UI控制

本文深入探讨了CSS伪类在Web设计中的应用,特别是在处理焦点、用户交互状态和界面元素状态方面。章节内容涉及:focus、:focus-within、:focus-visible伪类以及UI状态伪类如:enabled、:disabled、:checked等,解释了它们的用法、优势和在实际开发中可能遇到的问题。通过实例说明了如何使用这些伪类来增强网页的交互性和可访问性。

weixin_30600615的博客 328

分享 10 个 Tailwind CSS UI 站点,助你快速启动项目

Midjourney 创作,未来UITailwind CSS 是一个为快速创建定制化 UI 组件而设计的实用型框架。与其他 CSS 框架或库不同,Tailwind CSS 组件没有预先设置好样式。相反,您可以使用 Tailwind 的低级实用类来为 CSS 元素设置样式,如 margin、flex、color 等。自从 2017 年发布以来,Tailwind CSS 在开发者中越来越受欢迎,因为它...

前端达人 9101

用workbuddy自定义Skill:手把手搭建AI炒股分析助手

AI Agent正成为个人投资研究的重要工具,而Skill作为行为规范,能让AI输出保持稳定与专业。在AI Agent应用中,很多人分不清Skill与Agent的区别:Agent负责目标拆解与执行,Skill则固化分析流程与输出模板。借助本地工作台workbuddy,用户可自定义Skill,实现从市场环境检查到财务排雷的五段式分析。通过调低温度参数、设定数据验证规则,该方案能有效避免大模型凭空编造数据,帮助个人投资者快速完成基本面体检、资金面观察与风险清单生成。本文基于一套可直接套用的配置与一个月实测,展示

weixin_29038537的博客 555

web前端开发常用的10个高端CSS UI开源框架

web前端开发常用的10个高端CSS UI开源框架

weixin_40362806的博客 3268

latex使用overleaf插入多行图片

对于一般的latex模板,可以使用下面方式: (1)现在模板最前面的加入包 \usepackage{graphicx} \usepackage{subfigure} (2) 使用下面代码插入图片 \begin{figure}[htbp] \centering \subfigure[pic1.]{ \includegraphics[width=5.5cm]{pic1.png} } \quad \subfigure[pic2.]{ \includegraphics[width=5.5cm]{pic

Look Forward To 1万+

电源设计避坑指南:半桥LLC软启动的5个常见错误及解决方案

本文针对半桥LLC谐振变换器软启动过程中的五个常见设计错误,提供了详细的工程解决方案。重点分析了忽视谐振腔初始状态导致的电流冲击、软启动斜坡与环路带宽不匹配、开环到闭环切换时机不当、变压器偏磁以及参数未考虑边界条件等问题,并给出了包括主动预充电、自适应斜坡、最佳切换点判定等实用调试技巧,帮助工程师实现平稳可靠的电源启动。

weixin_29260291的博客 284

推荐文章:探索简洁优雅的前端设计 - CSSUI库全面解析

推荐文章:探索简洁优雅的前端设计 - CSSUI库全面解析 在繁星点点的开源世界中,有一颗璀璨明珠正等待着前端开发者们的青睐——CSSUI。这是一个精心打造的CSS组件集合库,旨在帮助开发者快速构建现代且响应式的网页应用,让界面设计之路变得更为顺畅。 项目介绍 CSSUI 是一个位于GitHub上的仓库,它汇聚了一系列实用的CSS用户界面组件。从简单的下拉菜单到复杂的模态框,CSSUI提供了涵盖日...

gitblog_00237的博客 624

数学建模传染病模型_【数学建模】之传染病模型

点击【拇指笔记】,关注我的公众号。SE模型缺点:没有考虑接触到的人中还有一部分病人,所以所有人并不会全部被感染。建立模型:已感染人数(病人)每个病人每天有效接触(足以使人致病)人数为根据(1)(2)可以建立模型:等式两边同时除以\Delta t由导数定义有同时,取\Delta t = 1天由(1)(5)两式可得最终的模型:Logistic模型缺点:区分已感染者(病人)和未感染者(健康人)...

weixin_39590453的博客 2228

CSS基础之伪类选择器(如果想知道CSS的伪类选择器知识点,那么只看这一篇就足够了!)

CSS基础之伪类选择器(如果想知道CSS的伪类选择器知识点,那么只看这一篇就足够了!)

秋刀鱼不做梦的编程日常 1万+

内存优化--LOGBACK导致内存告警

一.故事背景 由于开辟新市场需要,开发了新的项部署在海外平台,其中最消耗内存的功能是消费kafka消息(最开始预计一天有1千万的量),部署完之后运行一段时间发现出现内存告警问题。 二.分析问题 出现内存告警,(新项目是低配置机器 2C4G * 2台)第一个念头是去查看堆空间设置的情况,看到jvm启动命令中堆空间都是直接指定大小,说明问题不是出在堆空间 -Xmx3g -Xms3g 先不管这些,去查看总的内存使用情况,发现总的内存空间使用将近有92% = 3.68G,那么这多出来使用的0.6

qq_33199919的博客 6053

Vue - 详细实现低代码平台,支持拖曳式可视化生成应用软件功能,用户通过拖拽元素、搭积木的方式创建应用(适合迭代的基础架构、低代码平台)

Vue低代码平台-拖曳式拖拉拽可视化生成应用软件,拖拽式低代码数据可视化开发平台,vue实现拖拽,拖拽式Vue组件代码生成平台,基于vue的可视化拖拽代码生成工具,Vue实现可拖拽组件的方法,一个低代码平台的前端部分,靠拖拉拽生成页面。Vue技术栈从零实现低代码可视化搭建平台示例,低代码轮子,通过拖拽就可生成Vue代码的平台来了,vue低代码平台开发相关比低代码更强大的零代码开发平台,这款低代码SAAS数据可视化工具,拖拽生成大屏。vue实现拖拽效果,Vue自由拖拽缩放组件,自定义组件(文本、图片

🏆 前端领域优质创作者 1万+

CSSUI 开源项目使用教程

CSSUI 开源项目使用教程 CSSUI 是一个纯 CSS 构成的交互式 UI 组件库,旨在帮助开发者无需 JavaScript 即可创建现代响应式的网页界面。本教程将指导您了解项目结构、关键文件及其用途。 1. 项目目录结构及介绍 CSSUI 的项目结构精心组织,便于开发和维护: ├── assets # 静态资源文件夹,可能包含图片或其他前端资产 ├── con...

gitblog_00217的博客 427

BMD101传感器协议解析与STM32实现(LCD显示波形)

1 前言 BMD101传感器是神念科技开发的心电传感器。目前有一些商家开发了BMD101传感器模块,基本上都是利用蓝牙直接传输数据到PC或手机端。而本文介绍通过串口将数据传送给单片机,并在单片机上完成数据解析和心电波形LCD显示的功能。 2 通信协议解读 BMD101 通过 UART 接口通信。这是一个标准的 UART 接口,定义为 1 个起始位,8 个数据位,1 停止位格式,波特率 57600。 串口输出的数据包格式如下: 包括Header(帧头)、data payload(数据有效载荷)、CRC校验

weixin_44509533的博客 9295

html+css基础:07、css2的复合选择器_伪类选择器(概念、动态伪类、结构伪类(核心)、否定伪类、UI伪类、目标伪类、语言伪类)及伪元素选择器

本文介绍了CSS中多种伪类选择器的概念和应用。主要包括:1)伪类选择器的基本概念,通过a:link和a:visited示例说明元素特殊状态的样式控制;2)动态伪类选择器,展示链接在不同状态(未访问、悬停、激活、已访问)下的样式变化;3)结构伪类选择器,详细解析first-child、last-child、nth-child等选择器的使用方法和效果,包括按兄弟元素和同类型兄弟元素计算的不同应用场景。通过多个HTML结构和对应的CSS样式示例,直观展示了各类伪类选择器的实际应用效果。

狮子座的男孩 1154

AI在生物学领域的应用:基因序列分析和人工智能生物学

好的,非常感谢您提供的这个精彩的主题和详细的要求。我会全力以赴,遵循您的要求写一篇内容丰富、结构清晰、论述深入的专业技术文章。现在,就让我们开始这篇关于"AI在生物学领域的应用:基因序列分析和人工智能生物学"的博客文章吧! 1. 背景介绍 1.1 生物信息学的兴起

AI天才研究院 1419

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

CSS 伪类(下)结构性伪类\UI伪类\动态伪类和其他伪类 valid check enable child required link visit...

伪类选择器汇总伪类选择器有4种, 结构性伪类\UI伪类\动态伪类和其他伪类. 具体如下 结构性伪类选择器结构性伪类选择器它能够根据元素在文档中的位置选择元素, 这类元素都有个前缀":"1. 根元素选择器 只作用于html等底部标签.很少用 .. :root 2. 子元素选择器 子元素全...

weixin_30377461的博客 108

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

css 伪类 disabled,UI元素状态伪类 E:disabled

# UI元素状态伪类 E:disabled**版本:CSS3**继承性:无### 语法:**E:disabled** : {attribute}**相关伪类**: [E:enabled](#) | [E:checked](#) | [E::selection](#)### 说明:匹配所有用户界面(form表单)中处于不可用状态的E元素### 兼容性:类型 Internet Explorer F...

weixin_29031161的博客 234

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

HTML5+css3(伪类,动态伪类,结构伪类,否定伪类,UI伪类,语言伪类,link,hover,active,visited,focus)

HTML5+css3(伪类,动态伪类,结构伪类,否定伪类,UI伪类,语言伪类,link,hover,active,visited,focus)

2301_81256766的博客 590

CSS 伪类(下)结构性伪类UI伪类动态伪类和其他伪类 valid check enable child required link visit

伪类选择器汇总 伪类选择器有4种, 结构性伪类\UI伪类\动态伪类和其他伪类. 具体如下 结构性伪类选择器结构性伪类选择器 它能够根据元素在文档中的位置选择元素, 这类元素都有个前缀":" 1. ...

qq_37555524的博客 195

CSS基础-12-伪类和伪元素-01-伪类(常见伪类选择器、动态伪类选择器、UI元素状态伪类选择器、结构伪类选择器,anchor伪类示例,first-child伪类示例、lang伪类示例)

1. 伪类 1.1 概念 1.2 常见伪类选择器 动态伪类选择器 UI 元素状态伪类选择器 结构伪类选择器 2. anchor伪类 2.1 链接样式 2.2 下划线 2.3 背景颜色 3. first-child 伪类 3.1 匹配第一个 p 元素 3.2 匹配所有< p > 元素中的第一个 < i > 元素 3.3 匹配第一个子元素的 < p > 中所有 < i > 元素 4. lang 伪类 5. focus伪类...

架构+开发+运维 764

【CSS】前端三大件之一,如何学好?从基本用法开始吧!(二):CSS伪类:UI伪类、结构化伪类;通过伪类获得子元素的第n个元素;创建一个伪元素展示在页面中;获得最后一个元素;处理聚焦元素的样式

伪类:伪类这个叫法源自于它们跟类相似,但实际上并没有类会附加到标记中的标签上。 伪类分为两种(以及新增的伪类选择器): UI伪类:会在HTML元素处于某种状态时(例如:鼠标指针位于连接上),为该元素应用CSS样式。 :hover 结构化伪类:会在标记中存在某种结构上的关系时 例如: 某元素是一组元素中的第一个或最后一个,为该元素应用CSS样式。 :not和:target(CSS3新增的两个特殊的伪类选择器)

拔高、提升、创新! 974

CSS伪类

UI伪类 伪类:伪类这个叫法源自于它们跟类相似,但实际上并 没有类会附加到标记中的标签上。 伪类分为两种(以及新增的选择器): //UI伪类:会在HTML元素处于某种状态时(例如:鼠标指针位于连接上),为该元素应用CSS样式。hover 结构化伪类:会在标记中存在某种结构上的关系时(例如:某元素是一组元素中的第一个或最后一个),为该元素应用CSS样式。 UI元素状态伪类选择器有如下几个: Selector:link :匹配Selector选择器且未被访问前的元素(通常只能是超链接)。 S...

weixin_57727976的博客 109

CSS 伪类: 什么是 CSS 伪类?CSS 伪类怎么分类? CSS 伪类有哪些?以及分类对应的伪类

本章讲解的内容为 CSS 伪类 。 废话不多说, 直接上代码以及图例 (为了让大家方便阅读, 都有自己验证过程的一些图片作为分享) 。 一: 什么是 CSS 伪类? 1. CSS 伪类是用来添加一些 '选择器' 的特殊效果(特殊状态)。 2. 伪类实际使用场景举例: 1. 设置鼠标悬停在元素上时的样式 。 2. 为已访问和未访问链接设置不同的样式 。 3. 设置元素获得焦点时的样式 。 二: CSS 伪类选择器的分类 (4类): 1. 动态伪类选择器。 2. UI元素状态伪类选

黑木令之佛性 1万+

深入理解CSS伪类

锚点   关于锚点,有常见的5个伪类,分别是:link,:hover,:active,:focus,:visited a:link{background-color:pink;}/*品红,未访问*/ a:hover{background-color:lightblue;}/*浅蓝,鼠标悬停*/ a:active{background-color:

g6uqwseseo的博客 354

伪类选择器:动态伪类、结构伪类、否定伪类、UI伪类、目标伪类、语言伪类

伪类选择器:动态伪类、结构伪类、否定伪类、UI伪类、目标伪类、语言伪类

yyyyyyysc的博客 833

html分为哪两种,css伪类分为哪几种

css伪类分为UI伪类和结构化伪类两种。UI伪类分为链接伪类、focus伪类和target伪类。结构化伪类分为【:first-child】、【:last-child】和【:nth-child】。CSS伪类分两种:1、UI伪类:会在HTML元素处于某种状态时(比如鼠标指针位于连接上),为该元素应用CSS样式。2、结构化伪类:会在标记中存在某种结构上的关系时(如某个元素时一组元素中的第一个或最后一个)...

weixin_31128065的博客 317
上一篇: CSS3 动画--过渡延迟时间 transition-delay
下一篇: CSS 结构化伪类
ClementQL
博客等级 码龄8年 109粉丝 473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

打赏作者

ClementQL

机会只属于对自己更狠的人。

¥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