vue组件开发之slider组件。

【Unity3D-UGUI系列】(十)Slider 滑动条组件详解 一、前言 首先,介绍一个UGUI,NGUI是UGUI的前身,Unity开发团队将NGUI的开发团队收到自己开发团队下,并且由此开发了UGUI。 UGUI系统是从Unity 4.6版本后才开始集成到Unity编辑器中。 UGUI的特点: 灵活 快速 可视化 对于开发者来说有很多的优点,比如说: 效率高 实现效果好 易于使用和拓展 与Unity编辑器的兼容性高 这是本系列文章的第一篇: 二、Slider 滑动条组件介绍 Slider是一个滑动条组件,一般用来制作血条或者进度条。 Slider和Scrol 阅读详情

这里写图片描述

代码如下:

<template>
    <div class="slider">
        <div class="wrapbox">
            <div class="item" v-for="(item, index) in items" style="">{{item.title}}</div>
        </div>
        <div class="status">
            <span v-for="(item, index) in items" v-bind:class="index == count ? 'active' : '' "></span>
        </div>
        <div class="prev-btn btn" @click="prev()"><</div>
        <div class="next-btn btn" @click="next()">></div>
    </div>
</template>
<script>
    export default {
        name: 'slider',
        data (){
            return {
                count: 0,
                items:[{
                    name:"1",
                    id:1,
                    title:"我是图1的内容"
                },{
                    name:"2",
                    id:2,
                    title:"我是图2的内容"
                },{
                    name:"3",
                    id:3,
                    title:"我是图3的内容"
                },{
                    name:"4",
                    id:4,
                    title:"我是图4的内容"
                }]
            }
        },
        components: {  },
        methods: {
            prev () {
                console.log(this.count);
                if(this.count > 0){
                    this.count--;
                    document.querySelector(".wrapbox").style.webkitTransform = "translateX(-" + (this.count * 400) + "px)"; 
                }else{
                    this.count = 0;
                }
            },
            next () {
                console.log(this.count);
                if(this.count < 3){
                    this.count++;
                    document.querySelector(".wrapbox").style.webkitTransform = "translateX(-" + (this.count * 400) + "px)"; 
                }else{
                    this.count = 3;
                }
                
            }
        },
        created () {
            
        }
    }
</script>
<style scoped>
    *{margin:0 auto;padding:0;font-family:"微软雅黑";}

    .slider{
        position:relative;
        height:200px;
        width:400px;
        margin:50px auto;
        overflow:hidden;
    }
    .slider .wrapbox{
        width:1600px;
        height:200px;
        transition:all 1.5s;
    }
    .slider .status{
        position:absolute;
        top:170px;
        height:20px;
        width:400px;
        text-align:center;
    }
    .slider .status span{
        display:inline-block;
        height:20px;
        width:20px;
        margin:0 10px;
        background:#eee;
        border-radius:10px;
    }
    .slider .status span.active{
        background:#352929;
    }
    .slider .wrapbox .item{
        float:left;
        height:200px;
        width:400px;
        line-height:200px;
        text-align:Center;
        color:#fff;
        font-size:25px;
        background:red;
    }
    .slider .wrapbox .item:nth-of-type(2){
        background:blue;
    }
    .slider .wrapbox .item:nth-of-type(3){
        background:yellow;
    }
    .slider .wrapbox .item:nth-of-type(4){
        background:green;
    }
    .slider .btn{
        position:absolute;
        top:50%;
        height:40px;
        width:20px;
        line-height:40px;
        color:#fff;
        text-align:center;
        background:rgba(10, 10, 10, .85);
        transform:translateY(-50%);
        cursor:pointer;
    }
    .slider .next-btn{
        right:0;
    }
</style>
基于Vue.js的滑块组件开发与实战 Vue Slider 是一个基于 Vue.js 的轻量级滑块组件,广泛应用于现代前端开发中,尤其适合用于数据调节、表单交互等场景。其核心优势在于轻量、易用、可高度定制,能够快速集成到各类 Vue 项目中。在用户体验设计中,滑块组件提供了一种直观的数值选择方式,相比传统的输入框,更便于用户进行范围选择和连续值调节。例如在音量控制、价格筛选、评分系统等场景中,Vue Slider 都能发挥重要作用。 阅读详情

相关推荐

vueslider一个轻量的vue滑动组件

vue-slider,一个简单的滑动组件,配置简单,支持自适应/全屏 按钮 分页,同时兼容移动端和PC端

vue3组件篇 Slider

slider组件已成为前端开发中广泛使用的UI组件之一。Slider组件可以让用户在一个可选范围内选择一个值,如音量、进度条等。Slider组件的设计和功能可以有很多种变化,但通常包含一个滑块和一个轨道。用户可以通过拖动滑块来选择一个值,滑块的位置在轨道上表示该值。在前端开发中,Slider组件可以使用HTML、CSS和JavaScript实现。

秋来九月八 7072

vue组件开发之slider组件使用详解

主要为大家详细介绍了vue组件开发之slider组件的使用方法,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

Vue3滑动输入条(Slider)

数字滑动输入条组件,支持:单滑块;双滑块;禁用;自定义数值范围;自定义步长;自定义刻度标记;垂直模式;格式化 tooltip;隐藏 tooltip;始终显示 tooltip;自定义样式;鼠标拖动滑块输入;鼠标点击输入;键盘上/下/左/右按键输入;总之,功能丰富,简单易用😁😁

Vue Amazing UI(Vue3 + TypeScript + Vite)组件库唯一开发维护者 8575

N32G003学习——第九章 第三节1 串口 发送

经过第九章前2节的学习,基础打下之后,开始敲代码。

qq_34525008的博客 1034

别再花屏了!手把手教你用STM32CubeIDE搞定LVGL 8.3移植(附完整源码)

本文详细介绍了如何在STM32CubeIDE环境下成功移植LVGL 8.3,解决常见的花屏问题。从环境配置、显示驱动优化到编译警告处理,提供完整的实战方案和源码示例,帮助开发者快速实现流畅的嵌入式GUI界面。特别针对STM32平台的DMA2D加速和内存管理进行了深度优化。

weixin_33739646的博客 243

Matlab中slider怎么用,vue组件开发之slider组件使用详解

本文实例为大家分享了vue组件开发之slider组件的具体使用代码,供大家参考,具体内容如下代码如下:{{item.title}}<>export default {name: 'slider',data (){return {count: 0,items:[{name:"1",id:1,title:"我是图1的内容"},{name:"2",id:2,title:"我是图2的内容"},...

weixin_33900596的博客 370

Visual Studio Git 使用指南

Visual Studio 2022深度集成了Git功能,提供了直观的图形界面管理源代码。本文详细介绍了VS中Git的使用方法:从环境准备、克隆/创建仓库开始,重点讲解了"Git更改"窗口的日常操作,包括查看修改、暂存文件、提交推送等。同时涵盖了分支管理、查看历史、解决冲突等核心功能,以及储藏、重置等高级操作。文章还提供了实用技巧,如提交规范、频繁提交等最佳实践。VS的Git集成覆盖了日常开发需求,图形界面与命令行可互补使用,适合各层次开发者高效管理代码版本。

guigenyi的专栏 1572

Vue利用betterScroll 开发 slider组件的源码和使用

3、slider组件使用。

m0_74989367的博客 231

VMware player桥接模式不能联网的解决方法

VMware虚拟机下主要使用两种网络连接方式:桥接模式、NAT模式。 桥接模式:查一下,虚拟机独立IP。 NAT模式:与电脑共享IP、需要映射应用服务的端口。 我的需求需要独立IP,于是使用桥接。 网络连接失败。 个人主机系统的网络设置: 设置 - 网络和 Internet - 更改适配器设置 给虚拟机设置网络适配器 只保留,点击确定,确定。 重新运行虚拟机。 ...

Mark_md的博客 9450

电流镜设计实战:从基础到高级技巧(附常见问题解决方案)

本文从工程实战角度,系统讲解了电流镜设计从基础原理到高级技巧的全过程。深入剖析了匹配精度、输出阻抗等核心矛盾,并详细介绍了共源共栅(Cascode)结构如何平衡电压裕度与输出阻抗。文章还重点探讨了工艺偏差、版图应力效应等实战中的“隐形杀手”,并提供了常见问题的解决方案与调试技巧,旨在帮助工程师设计出鲁棒性更强的模拟电路。

blockchain9miner的博客 734

Vue:自定义slider滑块组件

Vue:自定义slider滑块组件

qq_44776454的博客 782

Maven的下载安装配置教程(详细图文)

目录 一、简单了解一下什么是Maven 二、maven的下载 三、maven的安装 四、maven的环境变量配置 五、setting文件配置 六、开发工具配置Maven 一、简单了解一下什么是Maven Maven就是一款帮助程序员构建项目的工具,我们只需要告诉Maven需要哪些Jar 包,它会帮助我们下载所有的Jar,极大提升开发效率。 1.Maven翻译为“专家“, ”内行”的意思,是著名Apache公司下基于Java开发的开源项目。 2.Maven项目对象模型(POM)是一..

bakelFF的博客 12万+

VUE常用UI组件插件及框架

UI组件及框架 element- 饿了么出品的Vue2的web UI工具套件 mint-ui- Vue 2的移动UI元素 iview- 基于 Vuejs 的开源 UI 组件库 Keen-UI- 轻量级的基本UI组件合集 vue-material- 通过Vue Material和Vue 2建立精美的app应用 muse-ui- 三端样式一致的响应式 UI 库 vuetify- 为移动而生的Vue JS 2组件框架 vonic- 快速构建移动端单页应用 vue-blu- 帮助

ctf_0226的博客 2251

h5支付不能打开支付宝 ios_iOS支付宝H5支付无法返回APP解决方案

本文前大段在讲楼主是如何解决这个问题的,以及中间遇到的麻烦。赶时间的同学可以直接看最后的 最终解决方案。在讨论之前,我们先看看官方文档上的一句话:注意:在iOS系统中,唤起支付宝App支付完成后,不会自动回到浏览器或商户APP。用户可手工切回到浏览器或商户APP;支付宝H5收银台会自动跳转回商户return_url指定的页面。what? 官方直接跟我们说GG了?楼主不甘心,还是想尝试一下。借鉴之前...

weixin_39864101的博客 856

图机器学习(1)——图论基础

图 (Graph) 是一种描述实体间关系的数学结构,几乎在各个领域都有应用。例如,社交网络就是图,其中用户之间的连接取决于一个用户是否“关注”另一个用户。图论,即对图的研究,一直以来广受关注,包含了大量算法、性质分析方法和数学模型,以解析复杂系统的行为特征。本节将介绍图数据结构的核心概念,通过理论阐述与实例演示相结合的方式,理解基础理论用以实践应用。重点介绍用于创建、操作和研究复杂网络结构与功能的 Python 库。

盼小辉丶的博客 9171

如何快速上手vue-slider-component:打造高颜值Vue滑动条的完整指南

vue-slider-component是一款基于Vue.js的高度定制化滑动条组件,支持横向/纵向滑动、自定义样式、拖拽交互和数据双向绑定,能轻松满足从简单数值调节到复杂区间选择的各类交互需求。无论是构建音频播放器进度条、图片缩放控制器,还是表单数值输入组件,这款轻量级工具都能提供流畅的操作体验和灵活的定制能力。 ## ???? 核心优势:为什么选择vue-slider-component? #...

gitblog_00839的博客 445

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

vue插件大全汇总

Vue是一个构建数据驱动的 web 界面的渐进式框架。Vue.js 的目标是通过尽可能简单的 API 实现响应的数据绑定和组合的视图组件特别整理了常用的vue插件,来了个大汇总,方便查找使用,便于工作和学习。很全的vue插件汇总,赶紧收藏下吧! 一、UI组件及框架 element- 饿了么出品的Vue2的web UI工具套件 mint-ui- Vue 2的移动UI元素 iview- ...

D2EFC559A8的专栏 1603

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

【亲测免费】 推荐开源项目:Vue-Easy-Slider - 简单易用的 Vue 滑动组件

推荐开源项目:Vue-Easy-Slider - 简单易用的 Vue 滑动组件 是一个专为 Vue.js 开发者设计的轻量级滑动组件。它提供了丰富的自定义选项和简洁的API,让开发者在构建各种滑动效果时能够得心应手。 项目简介 Vue-Easy-Slider 的目标是简化 Vue 应用中的轮播图或滑动导航的实现,通过灵活的配置和强大的功能,满足从简单到复杂的各类需求。其核心特性包括: 响应式设计...

gitblog_00013的博客 727

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

vue 拖动 datatransfer 问题_前端开发思路超详解(Vue组件篇)

其实不管是什么框架,在开发中都有一些比较常规和通用的东西,那就是思想,接下来我将从以下三个点并基于vue开发一个Slider(滑条)组件,在这里我默认大家都会基本使用vue,若对vue相关概念还不是很清楚的可以转到,知乎的文档展示貌似对markdown不是很友好,大家可以直接转到Bennnis/slider查看文档介绍 — Vue.js​cn.vuejs.org概览步骤1. 组件抽象 (api设计...

weixin_31069599的博客 688

vue组件库,插件大全

Vue是一个构建数据驱动的 web 界面的渐进式框架。Vue.js 的目标是通过尽可能简单的 API 实现响应的数据绑定和组合的视图组件特别整理了常用的vue插件,来了个大汇总,方便查找使用,便于工作和学习。很全的vue插件汇总,赶紧收藏下吧! github上的vue汇总https://github.com/vuejs/awesome-vue#qr-code 转自:https://www...

Chris__wang的博客 962

自定义 Elementui Slider 滑块 样式

ElementUI 是一套ui组件库,提供了大量前端组件,但一些组件只提供了比较单一的样式,难免遇到要需求修改其默认样式的情况,本文就介绍一下个人在工作中对Elementui Slider 滑块样式修改的方法。 Elementui Slider 滑块官网:https://element.eleme.cn/#/zh-CN/component/slider 自定义Elementui Slide...

meguoe的博客 2万+

vue 左右循环滑动_前端开发思路超详解(Vue组件篇)

其实不管是什么框架,在开发中都有一些比较常规和通用的东西,那就是思想,接下来我将从以下三个点并基于vue开发一个Slider(滑条)组件,在这里我默认大家都会基本使用vue,若对vue相关概念还不是很清楚的可以转到,知乎的文档展示貌似对markdown不是很友好,大家可以直接转到Bennnis/slider查看文档介绍 — Vue.js​cn.vuejs.org概览步骤1. 组件抽象 (api设计...

weixin_42133753的博客 952

Vue-Histogram-Slider 使用教程

Vue-Histogram-Slider 使用教程 项目目录结构及介绍 Vue-Histogram-Slider 是一个专为 Vue.js 设计的带直方图的范围滑块组件。以下是项目的基本目录结构及其简要说明: vue-histogram-slider/ ├── src # 主要源代码目录 │ ├── components # 组件相关文件...

gitblog_00873的博客 576

【亲测免费】 Vue Slider 组件使用教程

Vue Slider 组件使用教程 1、项目介绍 vue-slider 是一个高度定制化的滑块组件,适用于 Vue.js 项目。它提供了丰富的配置选项,可以满足各种滑块需求,如范围选择、值显示、样式定制等。该组件易于集成,支持多种引入方式,适合快速开发和原型设计。 2、项目快速启动 安装 首先,通过 npm 或 yarn 安装 vue-slider 组件: npm install vue-slid...

gitblog_01184的博客 1473
上一篇: vue组件表单数据回显验证及提交代码
下一篇: vue组件开发之图片上传本地预览组件
#麻辣小龙虾#
博客等级 码龄11年 1万+粉丝 235原创
评论 1
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