css入门学习day08笔记

Halcon 20.11在WPF中的交互式绘图:完整实现矩形ROI的创建、拖动与坐标获取 本文详细介绍了如何在WPF框架下利用Halcon 20.11实现交互式矩形ROI的创建、拖动与坐标获取。通过HDrawingObject和HSmartWindowControlWPF控件,开发者可以高效构建机器视觉应用,提升项目实战中的开发效率。文章涵盖环境配置、事件处理、坐标获取及性能优化等关键内容。 阅读详情

html基础测试题及答案

一、简答题:

1. 请列出核心选择器、层次选择器有哪些 (5)

核心选择器:id选择器、class选择器、标签选择器、逗号选择器、普遍选择器
层次选择器:子代选择器、后代选择器、下一个兄弟选择器、之后所有兄弟选择器

2. 块级元素的显示与隐藏,写出两种方法,并说明区别 (5)

display:none/block 元素隐藏之后,不占用原来的位置
visibility:hidden/visible 元素隐藏之后,占用原来的位置

3. line-height与text-align,font-size与font-weight分别是设置什么的 (5)

line-height:行高
text-align:文本位置
center 居中
left 居左
right 居右
font-size:字体大小
font-weight:字体粗细

4. 写出表单元素的三个布尔属性 (5)

disabled、checked与selected。
布尔属性是控制元素的某一个状态,是一种比较特别的属性。由于浏览器商之前互相没协商好,因此在定义布尔属性时,也有差异。
布尔属性主要出现在表单元素上,常见的有radio,checkbox上的checked属性,option元素的selected属性以及所有 表单元素都支持的disabled属性

5. css的引入方式有哪些 (5)

外部导入(link标签)
style标签
标签内部添加style属性

6. html的核心属性有哪些?特有属性有哪些? (5)

核心属性:id、class、style、title
特有属性:a标签的href、target;img标签的src、alt

7. 选择器的优先级是什么?请按权重列出选择器的先后顺序 (5)

选择器优先级:
1)是否具有!important声明
2)选择器权重
1000 定义在标签style属性中
100 id选择器
10 类选择器,伪类选择器,属性选择器
1 元素选择器,伪元素选择器
3)选择器权重相同时,后者覆盖前者(就近原则,哪一个样式离标签近,哪一个就生效)
顺序:
!important > id选择器 > 类选择器=伪类选择器=属性选择器 > 元素选择器=伪元素选择器

8. 请说出overflow的三种取值,并说明具体含义 (5)

auto:自适应,在需要时剪切内容并添加滚动条。
scroll:将超出对象尺寸的内容进行裁剪,并以滚动条的方式显示超出的内容(若不设置隐藏滚动条,滚动条一直存在)。
hidden:将超出对象尺寸的内容进行裁剪,不会出现滚动条。

9. 说明几种定位,并说明它们是否脱离了文档流、相对于谁来定位 (5)

position:static、relative、absolute、fixed
static:默认值,没有定位,正常文档流之中
relative:元素相对与原本位置的定位,并没有脱离文档流
absolute:给元素设置绝对的定位,脱离文档流
1)设置了absolute的元素,如果有祖先级元素设置了position为relative或absolute,则此时元素定位的对象为祖先级元素
2)设置了absolute的元素,如果没有祖先级设置position,则此时元素相对与body定位,即浏览器视口
fixed:固定定位,脱离文档流,相对于浏览器视口进行定位

10. 父子级的div,父级样式:width:300px;height:300px;background-color:pink;
子级样式:width:100px;height:100px;background-color:teal;
若给子元素div添加margin-top会出现什么现象,怎么解决这个现象 (5)

现象:父子级元素都会有上边距
解决方法:
父元素:给父元素设置border/padding
父元素设置padding-top,同时需要设置高度(或者将盒模型改为border-box)
子元素:子元素脱离文档流(float:left / position:absolute)
原因:
在CSS2.1中对盒模型有如下规定:在垂直方向上,所有毗邻的两个或多个盒元素的margin将会合并。毗邻的意思是:同级或嵌套的盒元素,并且它们之间没有非空内容、padding或border。
合并后的margin的大小取两个发生合并的元素中margin较大的那一个。
参考博客:
https://www.jianshu.com/p/b6b9e61ef07a

11. 块级元素在父元素中水平垂直居中的方法有哪些 (10)

定位、伸缩盒

12. 盒子模型有哪些,简述它们的概念、宽度的计算方式,并说明通过什么属性可以改变盒模型 (10)

内容盒子:content-box width = content + padding + border
边框盒子:border-box width = width
通过box-sizing可以改变盒模型

13. 清除浮动的方式,请从父子级和兄弟级两方面进行描述 (10)

父元素:
1)浮动元素的父元素设置高度
2)浮动的父级元素设置overflow:hidden;
3)浮动元素的父元素使用::after{clear:both;content:’’;display:block}

兄弟元素:
在使用浮动的最后一个兄弟元素后面,添加一个标签,该标签使用clear:both;

14. 块级元素与行内元素的特性,并举例哪些是块级元素与行内元素 (10)

块级元素:div、h1~h3、p、ul、html、body
1) 独占一行空间
2) 默认宽度为100%,默认高度由子元素或者内容决定
3) 可以为其指定宽高 style=“width:;height:;”

行内元素:a、span、img
1) 与其他行内元素共享一行空间
2) 默认宽高由内容决定
3) 不能为其指定宽和高
4) 行内元素中不可以嵌套块元素,但块元素中可以嵌套行内元素

15. 简述css3动画与过度效果 (5)

动画:
动画的定义、动画的使用

过渡:
CSS3中,我们为了添加某种效果可以从一种样式转变到另一个的时候,无需使用Flash动画或JavaScript。

(简单的过渡效果使用transition,复杂的动画使用animation)

16. 如何理解响应式布局 (5)

就是一个网站能够兼容多个终端——而不是为每个终端做一个特定的版本
方法:
媒体查询

17. 请说明一下选择器的权重 (5)

ul.products::after 1 + 10 + 1 = 12
form > input[type=‘text’] 1 + 10 = 11
#first p 100 + 1 = 101

18. 一个满屏品字布局如何设计 (5)

定位
flex布局

应用题:

19. 使用代码实现图片轮播 (10)

  • 实现代码:
<!DOCTYPE html>
<html lang="en">
<head>
	<meta charset="UTF-8">
	<title>图片轮播</title>
</head>
<style>
	*{
		margin:0;
		padding:0;
		list-style: none;
	}
	.wrapper{
		width: 300px;
		height: 200px;
		border: 3px solid #333;
		margin:0 auto;
		overflow: hidden;
		position: relative;	
	}
	.inner{
		width: 1200px;
		height: 200px;
		background-color: red;
		animation: xpf 4s infinite;
		position: absolute;
	}
	.inner div{
		width: 300px;
		height: 200px;
		background-color: teal;
		float: left;
	}
	@keyframes xpf{
		0%{
			left:0;
		}
		35%{
			left: -300px;
		}
		70%{
			left: -600px;
		}
		100%{
			left: -900px;
		}
	}
</style>
<body>
	<div class="wrapper">
		<div class="inner">
			<div class="one">
				<img src="./1.png" alt="">
			</div>
			<div class="two">
				<img src="./2.png" alt="">
			</div>
			<div class="three"></div>
			<div class="four">
				<img src="./1.png" alt="">
			</div>
		</div>
	</div>
</body>
</html>
  • 效果图:
    轮播图效果展示
嵌入式开发:用状态机实现STM32按键消抖,告别阻塞延时 在嵌入式系统开发中,处理异步事件和实时响应是核心挑战。状态机作为一种强大的编程模型,通过定义有限的状态、事件和状态转换规则,将复杂的、非线性的控制逻辑转化为清晰、确定且易于维护的代码结构。其技术价值在于实现逻辑的模块化、异步化和非阻塞化,能显著提升代码的可读性、可扩展性和系统实时性。这一思想广泛应用于协议解析、用户界面交互、传感器数据处理等场景。本文以嵌入式开发中基础的按键处理为例,针对传统“延时消抖”方法会阻塞主循环、影响实时性的痛点,深入讲解如何运用状态机思维重构按键消抖逻辑。通过分析状态机的核心三要素 阅读详情

相关推荐

STK与Matlab连接报错?手把手教你解决mexConnect函数执行问题(附完整避坑指南)

本文针对STK与Matlab连接时常见的“mexConnect函数执行”报错,提供了完整的诊断与解决方案。文章深入剖析了错误根源在于路径冲突或文件损坏,并手把手指导用户通过定位STK连接器文件、正确配置Matlab路径(包括使用addpath命令)以及执行初始化测试三步走策略,彻底解决问题。同时附上版本兼容性检查、安装避坑指南及构建稳健工作流的建议,帮助用户建立可靠的STK-Matlab联合仿真环境。

yolo5detector的博客 473

13-(CSS基础)选择器优先级(权重)

13-(CSS基础)选择器优先级(权重)

我们的目标是星辰大海! 154

VH6501实战:手把手教你用CANoe脚本精准触发CAN总线干扰(附避坑点)

本文详细介绍了使用VH6501和CANoe脚本精准触发CAN总线干扰的实战技巧,包括触发位置控制、ValidityMask配置和干扰序列设置等关键步骤。通过具体代码示例和常见问题排查指南,帮助工程师避开实际应用中的常见陷阱,提升CAN总线干扰测试的准确性和效率。

weixin_33709219的博客 371

选择器的优先级

1、如果一个元素使用了多个选择器,则会按照选择器的优先级来给定样式。 2、选择器的优先级依次是: 内联样式 > id选择器 > 类选择器 > 标签选择器 > 通配符选择器 <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title></title> <style> #box{ color:red; }

你难忘的 7454

RT_Thread Studio使用——USB虚拟串口(VCP)

RT_Thread Studio使用——USB虚拟串口(VCP)

weixin_44735205的博客 3376

单精度浮点数存储、双精度浮点数存储

单精度浮点数存储、双精度浮点数存储

fancynthia的博客 1325

选择器以及优先级

css选择器 优先级

前端小白 1565

Android 14.0 首次开机默认授予app运行时权限(去掉运行时授权弹窗)

在14.0的系统rom产品定制化开发中,在6.0以后对于权限的申请,都需要动态申请,所以会在系统首次启动后,在app的首次运行时, 会弹出授权窗口,会让用户手动授予app运行时权限,在由于系统产品开发需要要求默认授予app运行时权限,不需要用户默认授予运行时弹窗,所以需要在首次开机默认授予所有app运行时权限

安卓兼职framework和app工程师的博客 2531

css入门学习day07笔记

html基础测试题(答案附html笔记第11天)

Perryc的博客 326

qcc514x-qcc304x调试笔记

qcc514x-qcc304x调试笔记-1-QCC514x系列 qcc514x-qcc304x调试笔记-2-开发环境搭建 qcc514x-qcc304x调试笔记-3-如何修改蓝牙名称 qcc514x-qcc304x调试笔记-4-如何修改蓝牙地址 qcc514x-qcc304x调试笔记-5-如何区分左右耳 qcc514x-qcc304x调试笔记-6-PIO相关操作 ...

leezs的博客 1245

一步一步教你如何安装IP-Guard(客户端WINDOWS篇)

1、安装完服务器后,在服务器右下角有一个IP-GUARD图标:如图 2、点图标右键选注册: 3、注册成功后, 4、在开始菜单里选生成客户端安装包。 5、生成客户端安装包成功,安装名字可以任意,但是最好是英文名字。 6、将客户端安装程序复制到桌面。 7、退出所有杀毒软件、安全卫士、电脑管家等然后运行 8、安装完成后,立即重启计算机。IPguard客户端安装完成。 9、这样在控制里就可以看到已经安装客户端的计算机,在线显示蓝色,灰色表示计算机已经离线货关机 ...

IP-Guard专栏 5634

从 CSS 的权重规则看选择器及优先级

CSS中的选择器和优先级 这算是前端中基础的基础了,不过在面试中遇到答得不够完整,特意查了资料做个总结。 转自:https://www.cnblogs.com/zxjwlh/p/6213239.html 一、CSS选择器分类 CSS 中的选择器可以分为以下12类: 1. 标签选择器(如:body,div,p,ul,li) 2. 类选择器(如:class=”head”...

zwkkkk1的博客 840

JavaScript实现边缘检测Canny(附完整源码)

JavaScript实现边缘检测Canny(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 708

两万块前端就业课程——学习笔记分享(Day_08)

本文系统介绍了HTML+CSS开发中的核心知识点,主要包括: CSS进阶技巧 高级元素特性(语义化标签、表单控件样式重置) Emmet高效编码语法(元素生成、属性设置、重复结构) 结构伪类应用(:nth-child、:not等选择器) 盒子模型水平居中方案 列表元素详解 有序/无序/定义列表的语义化使用 列表样式重置与自定义 新闻列表实战开发(排名样式、图标集成) 表格元素应用 表格语义化结构(thead/tbody/tfoot) 单元格合并技术(colspan/rowspan) 股票数据表格案例实现 表单

一位搞嵌入式和前端的genius的博客 649

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")

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

JavaWeb全套学习笔记(超详细、快速入门、实操练习记录)——持续更新中

CSS全称(层叠样式表),它的作用是给 HTML 页面加上样式,比如颜色、字体、布局等。HTML 是骨架,CSS 是化妆和衣服。HTML =数据结构(页面结构)CSS =样式(相当于皮肤/美化)JS =行为(交互逻辑,像控制器)→ 当前页打开(默认)。→ 新标签页打开,最常用。→ 在框架结构里使用。target="自定义名字"→ 指定的 iframe 里打开。

2301_82143894的博客 1273

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

JavaWeb学习笔记 day01 HTML 和 CSS

JavaWeb学习笔记 day01 HTML 和 CSS 1.任务 1、html 学习 2、CSS 学习 2.课堂笔记: 2.1 B/S 软件的结构 JavaSE C/S Client Server B/S Browser Server 2.2 前端的开发流程 2.3 网页的组成部分 页面由三部分内容组成! 分别是内容(结构)、表现、行为。 内容(结构),是我们在页面中可以看到的数据。我们称之为内容。一般内容 我们使用html 技术来展示。 表现,指的是这些内容在页面上的展示形式。比如说。布

Alu_em的博客 843

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

HTML/CSS/JS学习笔记 Day7(CSS--C4 CSS的三大特性)

C4.CSS的三大特性:4.1 层叠性、4.2 继承性、4.3 优先级(权重优先级 / 权重叠加)

给bug两拳的博客 2449

两万块前端就业课程——学习笔记分享(Day_03)

本文分享了前端开发学习笔记Day03的内容,重点讲解了HTML+CSS阶段的核心知识点。文章首先解析了URL与URI的区别,强调URL是URI的子集及其在前端开发中的重要性。其次详细阐述了元素语义化的四大优势(代码维护、团队协作、无障碍访问、SEO优化)及其实现方法。接着介绍了字符编码的发展历程,指出UTF-8成为现代网页开发标准的必然性。然后对比了CSS的三种编写方式(内联、内部、外部样式表)及其适用场景,并强调外部样式表的优势。最后推荐了CSS权威学习资源(W3C、MDN、CanIUse)和高效的CSS

一位搞嵌入式和前端的genius的博客 1141

css-day08笔记-CSS高级技巧

typora-copy-images-to: media 第01阶段.WEB基础:css-day08笔记-CSS高级技巧 学习目标 理解 能说出元素显示隐藏最常见的写法 能说出精灵图产生的目的 能说出去除图片底侧空白缝隙的方法 应用 能写出最常见的鼠标样式 能使用精灵图技术 能用滑动门做导航栏案例 一、CSS高级技巧 1. 元素的显示与隐藏 目的 让一个元素在页面中消失或...

xhqxhq_的博客 492

web前端学习笔记-day08 css概念基础认识

web前端学习笔记总页面 网页基础布局 html html基础结构 html基础标签 htm标签属性 html文本格式化标签 html实体转义符+html块级标签和行级标签 W3C规范+html语义化标签+文件命名规范 1.认识css W3C推出了css,把结构和样式分离,html只负责结构,样式交给css来实现 1.基本语法 css语法有三个部分组成:选择器,属性,属性值 selector{property:value} 2.css的引用方式 1)行嵌样式 <p s

starbiu的博客 505

Day1 CSS学习笔记

Day1 CSS学习笔记 附带分享链接 https://share.mubu.com/doc/5qGgkibvvg0

Chillax_LXL的博客 555

个人学习day08

email、search、number(min最小值,max最大值,step步长)、range进度条、color着色器、date日历。

weixin_64567160的博客 690

两万块前端就业课程——学习笔记分享(Day_01)

该内容是前端开发入门学习资料,涵盖多方面核心知识。 软件开发体系上,介绍软件定义、体系结构及程序员职业相关内容,包括岗位认知、职能划分等。Web 开发方面,讲解网页组成、浏览器内核及网页显示流程。 开发实践部分,从用记事本开发第一个网页,到使用 VS Code 工具,介绍 HTML 基础标签、元素属性与嵌套、代码注释等。 还包含学习方法,如知识分类、刻意练习,及工具使用如 Markdown 和 VS Code 配置。知识小结明确各知识点重点与易错点。

一位搞嵌入式和前端的genius的博客 1598

JavaWeb全套学习笔记(超详细、快速入门、实操练习记录)——已更新5天

大家好,这个是我个人的JavaWeb学习笔记,基于B站上面的各总视频教程学习的,结合视频类容深度思考整理后写下的笔记,类容比较详细,适合刚入门想学习JavaWeb的小伙伴,里面记录了全程的学习过程,各自资料的收集总结,代码实操,运行截图,遇到的问题,解决方案等,笔记将持续更新,直至javaweb学习完毕,欢迎大家一起来讨论交流,一起学习,希望可以帮助到大家。笔记使用方法: 知识点是分开的,笔记中是学一点就实操一下,便于理解记忆。VS Code提供了非常丰富的插件功能,根据你的需要,安装对应的插件可以大大提高

2301_82143894的博客 1519

CSS学习笔记 Day 3

盒子模型 盒子边框 内边距 外边距 盒子模型布局稳定性 圆角边框 盒子阴影 CSS书写规范

小喾苦的博客 818

Day08:CSS 高级

本文首先讲解了CSS的三种定位方式以及实际开发中的使用场景,接下来讲解了堆叠层级z-index、什么是精灵图、怎么使用精灵图、字体图标的下载和使用、怎么上传自己的字体图标,然后讲了什么是基线以及行内的垂直对齐方式,最后讲了过渡、透明度和光标类型,希望对大家的学习有所帮助!

EmulateStep的博客 874
上一篇: css入门学习day07笔记
下一篇: Linux基础学习day01笔记
Perryc
博客等级 码龄9年 5粉丝 18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