无限极联动

jquery做的无限级菜单 NULL 博文链接:https://gaojiewyh.iteye.com/blog/564698 立即下载

   今天刚学习的无限极联动,用于展示电商项目中的收货地址下面将思路跟代码和大家分享一下

   表设计

   region_id

   region_name

   parent_id

   在表设计中用一个父级ID作为关联


然后先在html页面中打出一个下拉菜单循环放入父级ID为0的一级地区信息

 $data['region'] = $this->db->where('parent_id',0)->get('ci_region_copy')->result_array();

   <!-- 无限极联动 -->
 <select class="region">
<option value="0">请选择</option>
<?php foreach($region as $k=>$v):?>
  <option value="<?= $v['region_id']?>"><?=$v['region_name']?></option>
  <?php endforeach;?>

然后就是JQuery代码实现效果

通过class找到下拉框的对象

绑定change内容改变时间,获取到region_id作为查询条件

发送ajax请求到后台查询出下一级的地区信息,返回JSON

定义一个select 循环data将地区信息拼成option

最后用after方法追加select

//无限极联动
$(document).on("change",'.region',function(){
    var parent_id = $(this).val();
    var url = "<?php echo site_url('admin/brand/getRegion')?>";
    var _this = $(this);
    $.ajax({
        url:url,
        type:'post',
        data:{parent_id:parent_id},
        dataType:'json',
        success:function(data){
          if(data.length>0){
             //select
          var select = $('<select class="region"><option value="0">请选择</option></select>');
          $.each(data,function(k,v){
            select.append('<option value="'+v.region_id+'">'+ v.region_name +'</option>');
          })
          _this.nextAll().remove();
          _this.after(select);
          }
         
        }

    })
})


城市5级联动和无限极联动MySql表,直接导入,可精确得到街道办 全网最详细的省市区数据库 ,五级联动,2021年最新整理! 立即下载

相关推荐

无限级联动下拉框地区分类选择的实现

这种地址下来选择框经常都会在开发中遇到,那么如果我们对这种地址的选择方式提出两个要求: 1. 选择的地区信息是需要动态变更的,即是可以通过后台添加地区信息,并从数据库中动态地读取出来; 2. 当选择某一省或某一市的时候,该地址下的子地区也需要同时动态更新,并且是三级联动更新的。

无限级联php,jQuery+PHP+MySQL实现无限级联下拉框效果

本文简单实现jQuery无限级联效果,分享给大家供大家参考,具体内容如下效果图:图1 仅下拉框图2 层级提示+下拉框图3 存储数据点击响应主要包含3个文件:index.html(主页),wuxianjilian.php(数据处理),wuxianjilian.sql(MySQL数据文件)1. index.html无限级联$(document).ready(function(){var getData...

weixin_39746652的博客 185

ajax无限级Select下拉框联动数据库版

ajax+ASP实现无限级Select下拉框联动,形成一个实用的多级菜单,读取Access数据库,本实例是一个6级的菜单,根据你的需要,你还可以进行扩展。它使用AJAX技术控制数据使用时才加载,提高程序效率,可以参考一下。

Jquery之实现无限制级别联动

iLife1988 博客http://blog.youkuaiyun.com/fei1502816 下面以三级联动为例 需求:如,有省、市、县(区)三级联动,则当省份值改变,对应的市级值也发生;当市级值选定后,县级值也需要发生改变。 下面说明以Jquery技术为主,也可以使用javaScript代替 步骤: 1.使用三级联动js.需要引入JQuery

渣 458

无限极分类下拉框 无限极 分类 下拉框

无限极 分类 下拉框 无限极分类 下拉框 无限极分类下拉框

ajax无限极联动

通过ajax实现无限极联动,解决传统意义上的多级菜单功能,实现异步刷新

jquery 无限极联动【地区】

<select name="region[]" class="region" > <option value="">--请选择--</option> <?php foreach ($region_data as $k => $val): ?> <option value="<?php echo $val

Cpath的博客 928

视觉SLAM十四讲--第13讲 实践:设计SLAM系统(最详细的代码调试运行步骤)

最详细的代码调试运行避坑说明,也包含了我自己对代码的理解,如有理解错误的地方,欢迎指正交流。

记录和分享 1万+

ajax+jQuery 无限级联动

今天也算是有一些时间。所以来整理这个资料,无限级联动在开发当中很有用的 我就以ecshop中的栏目表为例 第一步:建表 CREATE TABLE  `category` (   `cat_id` smallint(5) unsigned NOT NULL AUTO_INCREMENT primary key,   `cat_name` varchar(90) NOT NULL DEFAU

u011691759的专栏 1897

解决Anaconda环境下catkin_make编译报错:Python路径冲突与empy模块缺失

本文详细分析了在Anaconda环境下使用catkin_make编译时出现的Python路径冲突与empy模块缺失问题,提供了快速解决方案和永久性环境配置方法。通过显式指定Python解释器路径或调整Anaconda配置,有效解决编译报错问题,适用于ROS开发与科学计算并行的场景。

weixin_28829629的博客 355

AI报告撰写实战指南:从提示词工程到全流程优化的底层逻辑与实践突破

传统AI写作常被诟病为“信息拼贴”——模型虽能生成文本,却常出现逻辑断裂、数据矛盾、风格不符等问题。而“全流程优化”则是通过系统化设计,将报告生成拆解为需求解析→数据对齐→提示词设计→初稿生成→迭代优化→格式适配六大环节,每个环节均通过技术手段提升输出质量。提示词工程:本质是通过结构化指令(如角色设定、任务分解、格式约束、示例引导)精准控制模型输出方向,是连接用户需求与模型能力的“翻译器”。全流程优化。

2501_92808811的博客 888

前端无限极联动的实现

前端无限极联动的实现 html: &amp;amp;amp;amp;amp;amp;amp;amp;amp;lt;div id=&amp;amp;amp;amp;amp;amp;amp;amp;quot;sp&amp;amp;amp;amp;amp;amp;amp;amp;quot;&amp;amp;amp;amp;amp;amp;amp;amp;amp;gt; &amp;amp;amp;amp;amp;amp;amp;amp;amp;lt;/div&am

qq_32288087的博客 683

【Unity-UGUI控件全面解析】| Canvas 画布组件详解

画布 (Canvas) 是应该容纳所有 UI 元素的区域。画布是一种带有画布组件的游戏对象,所有 UI 元素都必须是此类画布的子项。 创建新的 UI 元素(如使用菜单 GameObject > UI > Image 创建图像)时,如果场景中还没有画布,则会自动创建画布。UI 元素将创建为此画布的子项。 画布区域在 Scene 视图中显示为矩形。这样可以轻松定位 UI 元素,而无需始终显示 Game 视图。 画布 使用 EventSystem 对象来协助消息系统。

努力前行,总会成为自己心中的那道光 2万+

无限极联动-递归

完美例子,复制即用,无限极联动 最近写了一个四级联动,现在分享下代码,其实是可以无限极联动,只要数据够多 返回格式 "data": [ { "id": 1, "name": "爷爷", "le": 1, "fid": 0, "childs": [ { "id": 2, "name": "大叔", "le": 2, "fid": 1, "childs": [] }, { "id": 3, "name": "爸爸", "le"

世 间 尤 物,不 敢 妄 取 378

汽车行业OTD业务模式入门学习

本文是在学习彭俊松老师的《汽车行业整车订单交付系统》后,对于OTD理解的一些摘录,供诸位参考学习。

qq_40664711的博客 1万+

DFI协议时序

参数名称典型值应用场景关键影响tcmd_lat1-2个时钟周期命令与地址锁存同步地址错误风险tphy_wrlat1-2个时钟周期写操作响应速度写带宽与延迟2-3个时钟周期写操作端到端延迟系统吞吐量1-2个时钟周期连续写命令间隔信号干扰与资源冲突tphy_rdlat1-2个时钟周期读操作响应速度读带宽与延迟trddata_en由CL决定(如0.41 ns)读数据返回时间系统延迟10-20 ps写数据与命令对齐数据丢失风险<1 µs低功耗模式切换。

qq_43134430的博客 5104

laravel-admin 二级联动+无限极分类

学校班级二级联动 StudentController.php $form->select('school_id', '学校')->options( School::all()->pluck('name','id')) ->load('class_id', '/admin/classList'); $form->select('class_id','班级')->options(function ($id) { return Classs::

学无止境 2435

基于YOLOv11的水果/商品/食堂/蔬菜/饮料/书籍识别与计价系统,前台+后台管理系统

基于YOLOv11的水果/商品/食堂/蔬菜/饮料/书籍识别与计价系统,前台+后台管理系统

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 1225

destoon自定义无限极联动菜单二次开发

destoon可以定义的字段类型有限,偶尔满足不了个性化的需求,在开发行业网站时偶尔有另类的需求.需要一个字段:可以模块之间通用,项系统分类和地区一样可以查询子类数据,可以无限极联动字段前台调用效果筛选结果。

u010626187的博客 293

编译zlib库给IOS平台用

在弹出的下面对话框中选择Unix Makefiles ,然后点击(Done)完成。使用 lipo与otool查看库类型为arm64,现在可在ios平台使用该库了。zlib自带CMakeLists.txt 所以用CMake-GUI来生成。修改为与系统当前安装的cmake版本 (如:3.22.1)选择zlib源码目录及输出目录,输入下图的CMAKE参数。点击Configure,在弹出的对话框中选择Yes。cmake --install . 进行安装。cmake --build . 进行编译。

998

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

EasyAdmin 菜单管理完全指南:无限极菜单与权限节点的联动配置

EasyAdmin 是一款基于 ThinkPHP6.0 + layui 构建的高效后台管理框架,其**菜单管理**模块支持无限极层级结构,并与**权限节点**深度联动,实现“菜单可见即权限可控”的敏捷开发体验。本指南面向新手,用最通俗的方式带你掌握 EasyAdmin 菜单管理从入门到进阶的全部技巧,让你 10 分钟就能搭建出结构清晰、权限严密的后台导航。 [![EasyAdmin 后台管理系统

gitblog_00139的博客 429

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")

无限极联动js完善版

需要与php的树形缓存类,结合使用,采用了同样的数据模式jQuery.noConflict();function sanshi_linkage(show_div_id,post_field,json_str,select_index){ this.show_div_id = show_div_id; this.post_field = post_field; this.

sanshi0815的专栏 1891

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

php无限极联动,使用js+jquery实现无限极联动_jquery

今天工作需要写树形的联动,于是写了个可扩展的无限极联动下拉选项代码写的比较凌乱 先mark有空再整理随便截个图!先贴数据库idcategory_name 分类名pid 父分类idorders 排序122223331012222211111124444411052222116222211113332013555555120页面代码 用的SMARTY请选择分类{$category.category_n...

weixin_35186171的博客 186

angular 实现无限极联动下拉

在项目中有个2层的联动下拉的效果,百度了一下,发现都是在页面上写死了几个select 来实现的,在一些数据结构不一样的时候 就会玩不转了。比如切换到另一个的时候 它下面已经没有下一层结构的时候, 后面多出的select就多余了,而且在不知道多少层结构的时候,在页面中写死几个select 就完全不靠谱了。所以 只能是根据层级来创建select 。于是,下面的代码就这样产生了!html: ...

weixin_30763455的博客 120

JSP自定义标签+dwr3.0实现无限极下拉联动

     在经常的开发任务中,下拉联动也是常有的事情,但是以前这点东西,写来写去就是没法通用,现在有了这个自定义标签了,这就变得通用多了。        先说说这个实现的功能吧,只需要很少的几行代码就实现了无限级的下拉框联动,可以用在前台省县乡,后台的多栏目维护的情况下,在修改的时候这些下拉框自动选中,当change当前下拉框的时候,会联动所有的子下拉框一齐发生change,记得以往我这里还是...

javacdd的博客 156

无限极联动jquery 字段名 id name p_id

$(document).on("change",".hao", function () { var res=$(this).val(); var obj=$(this); $.ajax({ type: "GET", url: "{:url('index/liandong')}", data: {res:res}, ...

adqweq的博客 342
上一篇: php小白初学的经验
下一篇: PHP的八种数据类型
MCphp
博客等级 码龄9年 6粉丝 4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