关于HTML的知识点(form)

HTML的表单标签<form> html的表单相关元素,需要记住 阅读详情
HTML的知识点
  • form:表单
  1. form常用属性:
    method:表单的提交方式(post和get)
    action:表单处理服务器
  2. 注意:
    凡是用户与服务器交互的表单标签应全部放在form标签内
    form内的提交按钮提交的是整个form表单
  3. post方法:
    如果采用 POST 方法,浏览器将会按照下面两步来发送数据。首先,浏览器将与 action 属性中指定的表单处理服务器建立联系,一旦建立连接之后,浏览器就会按分段传输的方法将数据发送给服务器
    在服务器端,一旦 POST 样式的应用程序开始执行时,就应该从一个标志位置读取参数,而一旦读到参数,在应用程序能够使用这些表单值以前,必须对这些参数进行解码。用户特定的服务器会明确指定应用程序应该如何接受这些参数
  4. get方法:
    如果采用 GET 方法,浏览器会与表单处理服务器建立连接,然后直接在一个传输步骤中发送所有的表单数据:浏览器会将数据直接附在表单的 action URL 之后。这两者之间用问号进行分隔
  5. 一般浏览器通过上述任何一种方法都可以传输表单信息,而有些服务器只接受其中一种方法提供的数据。可以在 <form> 标签的 method (方法)属性中指明表单处理服务器要用方法来处理数据,使 POST 还是 GET
  • input:表单元素
  1. input常用属性:
    name:类似前端的id,同时前端可以用来js取值和分类
    type:input的种类
    value:input的值
    placeholder(输入类):文本输入提示(css3新增属性,用来提示文本输入)
    checked(选择类):页面加载时默认选定的 input 元素
    disabled/readonly:规定禁用/只读的 input 元素
  2. input的专用伪类选择器::focus---获得焦点
  3. input的按钮类元素在鼠标移入时不会显示为可以点击的手型,可以用cursor的样式改变其效果,cursor也可以用在其他元素上
  4. type的类型:
    • 输入类:text——文本框;password——密码
    • 选择类:radio——单选;checkbox——复选
    • 按钮类:submit/image——提交/图片提交;reset——重置;button——按钮
    • 特殊类:file——上传

label标签:绑定input元素定义标注,并帮助input元素获取焦点

  1. 写法1:两个标签分开写,label的for属性的值等于input的id值
  2. 写法2:label嵌套成input的父元素

DOM中文档结构如下:

<form method="get" action="https://www.baidu.com">
    <input type="text" name="Text" placeholder="请输入用户名"/><br/>
    <input type="password" placeholder="请输入密码"/><br/>
    <input type="file" value="上传"/><br/>
    <input type="button" value="按钮"/><br/>
    <input type="text" readonly="readonly" value="我是只读的"/><br/>
    <input type="text" disabled="disabled" value="我是禁用的"/><br/>
    <input type="image" value="提交图片"/><br/>
    <input type="submit" value="提交" class="cursor"/><br/>
    <input type="reset" value="重置"/><br/>
    单选框:<br/>
    <input type="radio" id="rad1"/><label for="rad1">同意</label><br/>
    多选框:<br/>
    <label><input type="checkbox" name="xq"/>苹果</label>
    <label><input type="checkbox" name="xq"/>香蕉</label>
    <label><input type="checkbox" name="xq"/>菠萝</label>
</form>

CSS中的样式如下:

input:focus{border:1px red solid;}
.cursor:hover{cursor:pointer;}

效果图如下:


  • 其他表单元素
  1. select/option:下拉选框/下拉选框的选项
    对高度的支持不兼容
    size(select属性):用来设置同时显示选项的数量
    selected(option属性):用来设置下拉框的默认选项

DOM中文档结构如下:

下拉列表:<select id="sel1">
             <option value="北京">北京</option>
             <option selected="selected" value="上海">上海</option>
             <option value="西安">西安</option>
         </select>

效果图如下:


  1. textarea:文本域
    各个浏览器下的默认滚动条显示不兼容
    css3新增 resize 调整尺寸属性 resize: none;
    cols/rows属性:列数/行数

DOM中文档结构如下:

文本域:<textarea style="resize:none;" cols="5" rows="5">我是value</textarea>

效果图如下:


horizon之为connection服务器配置证书 打开connection1服务器(connection2 同connection1)再输入connection1的IP地址 可通过域名和IP地址进行登录。这时候用域名登录就发现证书已经没有警告了。win+R 调出“运行”,输入mmc。connection2 同上。如果还有报错请重启一下服务器。打开connection1。可以把这个先删掉 没用。打开DC_01服务器。右键选择证书颁发机构。友好名称只能是vdm。重启之后就没有报错了。 阅读详情

相关推荐

华为手环实时心率数据导出到UWP项目中

hello大家好呀O(∩_∩)O最近在做毕设 其中有个小功能要用到实时心率数据。查找网上的资料发现只有小米手环的实时心率数据导出但是没有华为手环的,我试了华为手环但是并不能行得通哈哈哈。现在分享一下华为手环实时心率数据导出的代码。

apple_63713858的博客 1583

表单知识总结

表单总结

m0_74270395的博客 135

银河麒麟(桌面版/服务器版)远程桌面配置全攻略:XRDP与VNC实战指南

本文提供了银河麒麟操作系统(桌面版与服务器版)配置远程桌面的完整实战指南。详细对比并演示了XRDP与VNC两种主流方案的安装、配置与连接步骤,涵盖从环境准备、软件安装、服务启动到客户端连接的全过程,并针对常见的黑屏、连接失败等问题给出了有效的排坑解决方案,帮助用户实现跨平台的便捷图形化远程管理。

b0c1d2的博客 818

表单基础知识

元素不会向用户呈现任何特殊效果。不过,它为鼠标用户改进了可用性。如果您在 label 元素内点击文本,就会触发此控件。就是说,当用户选择该标签时,浏览器就会自动将焦点转到和标签相关的表单控件上。文本区域中可容纳无限数量的文本,其中的文本的默认字体是等宽字体(通常是 Courier)。可以通过 cols 和 rows 属性来规定 textarea 的尺寸大小,不过更好的办法是使用 CSS 的 height 和 width 属性。元素内部,您可以放置内容,比如文本或图像。

weixin_40522876的博客 318

HFSS仿真3dB微带双分支定向耦合器学习笔记

设计一个3dB微带双分支定向耦合器,各端口微带线特性阻抗为50Ω,中心频率为5GHz,介质基板的介电常数9.6,基板厚度为0.8mm这里重点讲解HFSS的操作,关于理论知识后面文章更新。

qq_36521926的博客 7775

从零开始开发AI Agent:基于大模型的智能体实战指南

### 摘要 本文介绍了AI Agent的开发全流程,从基础概念到实际部署,涵盖大模型集成、工具调用和记忆系统构建等核心技术。通过电商客服案例展示实战应用,并提供调试优化与部署方案,最后展望了AI Agent的未来发展方向,帮助开发者快速掌握智能体开发技能。

ghs_gss的博客 4868

c#类属性和实例属性_html input标签的属性有哪些?input标签的用法总结(附实例)...

首先先来说说html input标签的属性:1.type:该属性是input标签里唯一的必须输入的属性,当然,也可以不填,默认为type = "text"。具体它有那些值,我们后面再讨论。2.required:标记一个字段是否为必须。如果一个字段被标记为required = "required"(严格模式下),或者required(宽松模式下)(ps:下面属性的写法同理,就不一一写出了),并且这个...

weixin_39560002的博客 631

基于Python的MGWR多尺度地理加权回归模型

多尺度地理加权回归(MGWR)变量之间的关系在地理空间上不是均一的,所有特征变量的影响都在不同的空间范围(带宽)内变化,某些变量可能表现出局部性影响(小带宽),某些变量可能表现出全局性影响(大带宽),通过优化每个特征变量的带宽,捕捉到空间关系的多尺度特性,得到更细致的模型解释。

weixin_61965078的博客 3857

html最全知识点(超级详细)

html最全知识点(超级详细) 一、网页基础知识 1.认识网页(了解) 2.五大浏览器介绍(记忆) 概述 各浏览器的市场份额 查看网站: http://tongji.baidu.com/data/browser 浏览器内核 3.Web标准(记忆) 为什么会有web标准 Web 标准构成 图解Web标准 把一个页面看成一个人 **结构标准:**决定是否有一个好的身体。 **样式标准:**决定是否化妆的美丽漂亮。 **行为标准:**决定是否有吸引人的行为。 二、HTML基础概念 1.HTML初

xiaotai1234的博客 1万+

Openclaw 附录B 常用Skills清单

核心作用支持URL、网页、PDF、图片、音频和YouTube视频的摘要与字幕提取,由OpenClaw创始人@steipete开发的官方内置Skill。安装⚠️说明:原推荐的summarize未在ClawHub验证到,YouTube字幕提取功能已内置于summarize中。使用场景“提取这个2小时Next.js教程视频的核心代码逻辑,按章节整理成学习笔记”推荐指数:⭐⭐⭐⭐。

Maynor的博客 858

uniapp(微信小程序):实现PDF在线预览+在线预览pdf文件完整示例源码,支持文件来源:服务器pdf外链URL预览、调用后端API接口获取PDF文件流二进制下载及解析打开、上传本地PDF文件预览

uni-app实现PDF预览功能,uniapp微信小程序预览PDF,uniapp开发微信小程序在线预览pdf等文件,uniApp微信小程序实现PDF在线预览,Uniapp app在线预览pdf文件流,微信小程序实现pdf预览(苹果安卓兼容),uniapp-微信小程序 实现pdf外链在线预览,uniapp小程序如何做在线预览pdf功能,uniapp小程序端 实现pdf文件预览,微信小程序(uniapp)PDF预览完整实现方案示例demo源码,uni-app预览PDF,小程序pdf预览插件插件,Uniapp微信

✅ 精选推荐文章 4706

HTML知识点总结(四):form表单

HTML知识点总结 一、什么是form表单   用于收集用户信息,如:登录、注册等场景;所有要提交的数据都必须放在form标签中。 一个完整的表单包含三个基本组成部分:表单标签、表单域、表单按钮。 二、关于form表单中的标签以及属性 (1)私有属性 action:表单提交地址,提交之后跳转到action所标记的地址。 <form action="2.表格.html"></form> method:提交方法,有get和post两种提交方法,默...

weixin_47563991的博客 929

11、iOS设备逻辑数据分析全解析

本文深入解析iOS设备中的逻辑数据,涵盖图像相关数据库(Photos.sqlite和PhotosAux.sqlite)、录音文件、iPhoto照片存储结构、多媒体文件、第三方应用程序、社交网络应用(如Twitter、Skype、Facebook等)以及苹果相关应用(如Google Mobile、Bing)的数据存储结构和取证方法。此外,还介绍了文档类应用(如Pages、Numbers、Documents To Go)的文件存储结构及恢复方法。适用于iOS取证、数据挖掘和数字调查领域。

rain6的博客 226

html的form知识点及新增组件,属性

form:表单 action:设置当前表单的提交地址 服务器端的地址 target:设置在本页面提交亦或是打开一个新的 method: get: 1.相对不安全 2.只内提交轻量级数据 post: 1.相对安全 2.可以提交重量级数据 通过enctype属性设定表单数据的内容类型 application/x-www-form-urlencoded 在发送前编码所有字符(默认)使用到的编码方式: 1)控件的名称和值都被转义,空白字符使用【+】替换,保留的字符一般都是用 来实现特定的目的,例如(: / ?

weixin_44043093的博客 410

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

html中关于form表单的基本知识点

表单输入框采集的信息:提交给后端,是通过form标签的action属性来完成的,     其中的Method属性设置了请求提交方式,默认情况是get, 发送的数据都是以 name=value对形式发送,     以字符串的形式凭借在接口地址之后。 post:加密发送,出来可以发送数据,也可以传送文件;     input标签中的name是前后端自定义的约定好的字符,必须填写     input标签...

lanseguhui的博客 873

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")

HTML(form及知识点2)

1.form标签

小艾的未解之谜 142

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

HTML--form标签及表格标签知识点汇总

一、表单 (一)、form 标签 1、form标签即为表单域,用于为用户输入创 建表单<form>用户名:<input type="text"></form> (二)、form 标签元素 form标签包含元素input 输入表单元素,select 下拉表单元素,textarea 文本域元素。 ①input元素 input之type属性: button:定义可点击按钮。 checkbox:定义复选框。 file:定义输入字段和“浏览”按钮,供文件上传。 hidden:定

m0_63341919的博客 591

表单有关知识点html,有关form表单常被问到的知识点

GET是从服务器上获取数据,POST是向服务器传送数据。对于GET方式,服务器端用Request.QueryString来获取变量的值,对于POST方式,服务器端用Request.Form来获取提交的数据get是把表单参数数据加到提交表单的action属性所指的URL中,如:http://www.xxx.com?id=1314&name=hello&age=20,用户信息对于用户是...

weixin_39601929的博客 154

html的form表单详解

面试前的“练手”还是很重要的,所以开始面试之前一定要准备好啊,不然也是耽搁面试官和自己的时间。我自己是刷了不少面试题的,所以在面试过程中才能够做到心中有数,基本上会清楚面试过程中会问到哪些知识点,高频题又有哪些,所以刷题是面试前期准备过程中非常重要的一点。《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取!所以开始面试之前一定要准备好啊,不然也是耽搁面试官和自己的时间。

H1767410的博客 661

HTML知识点整理(包含简介、主要页面结构、常用标签、列表、表格、form表单以及表格表单区别等)

文章目录HTML简介1.什么是标签语言?2.什么是 HTML?3.HTML页面的结构HTML常用标签基本标签特殊标题列表表格form表单表单与表格的区别 HTML简介 1.什么是标签语言? HTML 标记标签通常被称为 HTML 标签 (HTML tag)。 HTML 标签是由尖括号包围的关键词,比如 <html> HTML 标签通常是成对出现的,比如 <b> 和 </b> 标签对中的第一个标签是开始标签,第二个标签是结束标签 开始和结束标签也被称为开放标签和闭合标签

weixin_46800546的博客 1074

表单有关知识点html,科技常识:HTML5新增form控件和表单属性实例代码详解

今天小编跟大家讲解下有关HTML5新增form控件和表单属性实例代码详解 ,相信小伙伴们对这个话题应该有所关注吧,小编也收集到了有关HTML5新增form控件和表单属性实例代码详解 的相关资料,希望小伙伴们看了有所帮助。第一个知识点:表单的属性及总结第二个知识点:H5新增的表单控件和属性以及总结第一个知识点:我们常见的表单验证有哪些呢text  文本框标签password 密码框checkbox ...

weixin_36211428的博客 207

【前端基础】HTML知识点01-form和基础格式自用

下方生成的图一与图二代码与语句对应。closing 结束标签。

weixin_44174312的博客 237

html基础知识

head> 标签用于定义文档的头部,它是所有头部元素的容器。<head> 中的元素可以引用脚本、指示浏览器在哪里找到样式表、提供元信息等等。文档的头部描述了文档的各种属性和信息,包括文档的标题、在 Web 中的位置以及和其他文档的关系等。绝大多数文档头部包含的数据都不会真正作为内容显示给读者。<title> 定义文档的标题,它是 head 部分中唯一必需的元素。下面这些标签可用在 head 部分:<base>, <link>, <meta>, <script>, <style>, 以及 <title>

2503_92095625的博客 725

HTML5知识点总结

html5知识点总结

2201_75350750的博客 1280

HTML Forms & Form element

JavaScript uses the name of the form to specify which form to submit.

u013960094的专栏 790

HTML基础-知识点总结2

keywords意思就是关键字,后面content中的就是包含的关键字,通过关键字能够提高搜索率让别人更容易找到你,有时候也会通过h1标签找到你。content中的内容可以是一些词,也可以是一句话。根据关键词“电脑”搜索结果,图片1中用红色框框出来的紫色的字就是标题,也就是title中的内容,该内容的关键字已经粘贴在上面代码中。

2502_90411587的博客 1779
上一篇: 关于HTML的知识点(a;img;table)
下一篇: 基本图形的CSS样式
7号样子
博客等级 码龄9年 18粉丝 22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