解决uniapp scroll-view下拉刷新无法复位

小程序-uni-app:scroll-view/区域滚动、下拉刷新、上拉加载更多 开发环境:小程序、uniapp + vue3 + ts实现功能:列表页面实现,区域滚动、下拉刷新、上拉加载更多,效果如图:正常:下拉刷新: 阅读详情

解决uniapp scroll-view下拉刷新无法复位

属性

refresher-triggered :设置当前下拉刷新状态,true 表示下拉刷新已经被触发,false 表示下拉刷新未被触发

方法

@refresherrefresh:自定义下拉刷新被触发

问题:

当开启scroll-view下拉刷新功能时,发现下拉之后无法复位了
在这里插入图片描述

解决方法

动态设置refresher-triggered的值,当触发下拉刷新时,refresher-triggered = true;当下拉刷新执行完之后refresher-triggered = false。

示例
<template>
    <view>
        <scroll-view style="height: 300px; background-color:red" scroll-y="true" refresher-enabled="true" :refresher-triggered="triggered" @refresherrefresh="onRefresh"></scroll-view>
    </view>
</template>
<script>
    export default {
        data() {
            return {
                triggered: false
            }
        },
        methods: {
            onRefresh() {
                this.triggered= true;
                setTimeout(() => {
                    this.triggered = false;
                }, 1000)
            },
        }
    }
</script>
踩坑 小程序 bindrefresherrefresh方法没反应 阅读详情

相关推荐

uniapp中使用scroll-view实现后台数据的触底加载

scroll-view触底加载。

GlowwormComrade的博客 1130

uniapp自定义下拉刷新,refresher-triggered设置

但这个refresher-triggered还有点麻烦,试了很多回答也无效,最终还是试出来了。很多回答说要在onLoad里设定时器,还有操作this._freshing,但我删了也不影响。需要通过refresher-triggered来识别。scroll-view的下拉刷新一直处于加载中。

u012147066的博客 1830

手把手教你用EGM96模型校正DEM数据(含在线工具推荐)

本文详细介绍了如何使用EGM96地球重力场模型校正DEM数据中的高程偏差。通过对比WGS84椭球面与大地水准面的差异,解释了校正原理,并提供了从在线工具快速验证到Python脚本批量处理的全流程实战指南,帮助GIS开发者和数据分析师确保高程数据基准一致,提升空间分析精度。

ttt77的博客 1007

uniapp 解决scroll-view组件 refresher-triggered刷新无效

uniapp 解决scroll-view组件 refresher-triggered刷新无效

词不达意难知的博客 1857

Windows Server下OnlyOffice Workspace社区版安装避坑指南(含局域网邮箱配置)

本文详细介绍了在Windows Server环境下部署OnlyOffice Workspace社区版的完整流程,特别针对企业内网环境中的邮箱配置和端口冲突等常见问题提供了实用解决方案。通过硬件资源配置建议、软件环境检查清单以及内网邮箱系统搭建方案对比,帮助用户高效搭建企业级协作平台,实现团队协作的无缝对接。

weixin_29231263的博客 449

Elasticsearch连接中断:深入解析Connection reset by peer问题及优化策略

本文深入解析Elasticsearch连接中断问题,特别是Connection reset by peer错误的成因与解决方案。从TCP层的心跳机制到客户端与服务端的配置差异,详细介绍了网络不稳定、防火墙拦截等常见原因,并提供了六种优化策略,包括KeepAlive调整、TCP参数调优和智能重试机制等,帮助提升Elasticsearch连接的稳定性。

weixin_42546392的博客 410

自学小程序之路(五),列表加载数据,下拉刷新和上拉加载

加载数据: 说到列表,在Android 中大部分都是和数组或者list容器绑定。 小程序中也是这么个思想。但是可能数据表现形式有所不同。 所以先了解一下js中表示数据集合的数组。 js中的数组的表示方式是[ a, b, c],组内元素用 ,隔开。 声明方式 1.var cars = ["Saab", "Volvo", "BMW"]; 2.var cars = new Array("Saab", "Volvo", "BMW"); 一般都是用第一种。 用cars[0] 来表示第一个,和J.

domyself918的专栏 1379

CentOS 7 常用命令大全

CentOS中Linux命令

m0_63075763的博客 2018

uniapp中scroll-view的下拉刷新

uniapp下拉刷新 uniapp的下拉刷新有两个方法, 一种是整体的下拉刷新, 使用页面生命周期函数onPullDownRefresh; 另外一种是局部的下拉刷新也叫自定义下拉刷新, 使用scrpll-view组件中的自定义下拉刷新事件。 一.整个页面的刷新(onPullDownRefresh) 在 js 中定义 onPullDownRefresh 处理函数(和onLoad等生命周期函数同级),监听该页面用户下拉刷新事件。 【官方文档】这里不再做过多介绍!今天的重点在下面???? 二.自定义页面刷

TeroZhang的博客 1万+

S32DS使用完整指南:S32K CAN通信模块配置步骤

深入讲解S32DS使用过程中S32K芯片的CAN通信模块配置步骤,涵盖关键设置与常见问题。掌握s32ds使用技巧,提升开发效率,实现稳定可靠的车载网络通信。

weixin_42592399的博客 981

基于C#的ASP.NET开发的党史学习网站课设

开展党史学习教育,就是要以史为镜、以史明志,把苦难辉煌的过去、日新月异的现在、光明宏大的未来贯通起来,在鉴往知来中砥砺前行,在乱云飞渡中把准航向,在凝心聚力中团结奋斗,共同创造新的历史伟业。登陆按钮与数据库进行连接,逻辑实现是如图3.1.3所示,自己定义一个SQL查询语句,将账号、密码放入SQL查询语句中,用sqlDataReader.HasRows语句进行逐一比较,找出结果,将用户名存入session并调用cookies,如果结果存在就关闭数据库,进行数据跳转,并弹出登陆成功的提示框,并关闭数据库。

m0_62408555的博客 974

uniapp scroll-view 自定义下拉刷新

scroll-view 官方API文档:https://uniapp.dcloud.io/component/scroll-view <scroll-view scroll-y :refresher-threshold="45" :refresher-enabled="true" :refresher-triggered="refresherTriggered" @refresherrefresh="refresherrefresh" @refresherrestore="refreshe

黑眼圈 6211

KEPServerEX作为MQTT客户端

打开软件: 测试没有连接上MQTT代理。

低码开发 1681

uniapp 电商小程序 页面级下拉刷新与scroll-view组件级下拉刷新

下拉刷新功能 下拉刷新功能是指在当前页面重新刷新页面,调取数据的过程。 uniapp 官网中,关于下拉刷新是有API的。此API有3个函数。分别如下介绍: 页面级的下拉刷新事件 onPullDownRefresh——监听用户下拉刷新事件 如果你的页面中,下拉刷新是需要用户手动执行,则可以通过这个函数进行下拉刷新。 这个也是我这边经常用到的。 使用此API有两个满足条件。 需要在Page.json中,相应页面中的style中进行开启下拉刷新功能 此api只针对页面级的下拉刷新,如果你的下拉刷新不管用,则可

yehaocheng520的博客 3421

基于AUTOSAR的汽车电子项目--电动助力转向系统

基于AUTOSAR的汽车电子项目开发通常涵盖广泛的领域,例如动力系统控制、车身电子、信息娱乐系统、高级驾驶辅助系统(ADAS)等。以下是一个简化的示例项目,展示了如何在AUTOSAR环境下开发一个电动助力转向系统(Electric Power Steering, EPS)的控制软件

MHD0815的博客 2131

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

uniapp scroll-view下拉刷新无法复位

【代码】uniapp scroll-view下拉刷新无法复位。

weixin_72329752的博客 1581

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")

彻底解决uniapp中使用scroll-view中的下拉刷新,无法取消刷新状态的坑。refresher-triggered的赋值问题

彻底解决uniapp中使用scroll-view中的下拉刷新,无法取消刷新状态的坑。refresher-triggered的赋值问题

bao_Heng的博客 1674

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

uniapp实现区域滚动、下拉刷新、上滑滚动加载更多

scroll-view自定义滚动区域,通过css样式,让滚动区域自适应整个屏幕剩余空间。min-height:0;设置为0

在职可交流前端开发,包括:web端、uniapp等,欢迎指教。 1万+

uni-app scroll-view组件基础使用示例:垂直和水平滑动、自定义下拉刷新

data() {return {},onLoad() {}, 1000)},methods: {},}, 3000)},// 需要重置},

学亮编程手记 2828

uniapp局部的下拉刷新以及组件出现的问题

局部的下拉刷新 文章目录局部的下拉刷新一.scroll-view实例二.属性说明:三.出现的问题 一.scroll-view实例 可滚动视图区域, 用于区域滚动. 区域滚动的性能不及页面滚动 <scroll-view class="scroll" scroll-y="true" :refresher-enabled='refresherEnabled' @refresherpulling="onPulling"

weixin_43167546的博客 5789

uni-app scroll-view组件全解析

本文总结了uni-app中scroll-view组件的核心功能与属性,分为七大类别:滚动方向控制、滚动阈值、滚动位置控制、交互功能、下拉刷新、布局特性及事件属性。重点说明scroll-x/y控制滚动方向,scroll-into-view实现精准定位,以及自定义下拉刷新的配置方法。同时指出使用注意事项,包括必须设置固定高度/宽度才能正常滚动,并提供平台兼容性说明。该组件支持丰富的事件监听和动画效果,适用于各类滚动场景开发。

奋斗的小前端 1811

解决uniapp局部页面(scrollview)下拉刷新出现不能复位的问题

解决uniapp局部页面(scrollview)下拉刷新出现不能复位的问题

weixin_53339757的博客 4166

#Uniapp:内置组件scroll-view

内置组件。scroll-view

... 996

uniapp横向滚动(scroll-view)

属性名 类型 默认值 说明 平台差异说明 scroll-x Boolean false 允许横向滚动 scroll-y Boolean false 允许纵向滚动 upper-threshold Number 50 距顶部/左边多远时(单位px),触发 scrolltoupper 事件 lower-threshold Number 50 距底部/右边多远时(单位px),触发

babyxuqian的博客 1万+

【Uniapp】关于实现下拉刷新的三种方式

methods: {console.log('子组件开始刷新数据');// 这里编写刷新数据的逻辑,比如重新请求接口获取最新数据try {// 调用获取消息的方法console.log('子组件数据刷新完成');console.error('子组件刷新数据出错:', error);},// 其他方法...

m0_74662483的博客 2252
上一篇: vue日期比较+日期格式化
unIqueGsl
博客等级 码龄7年 1粉丝 12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