Storybook 组件驱动开发指南 - 基本使用 Angular.js

使用 Storybook 构建组件库 Storybook 是一个用于 UI 开发的开源工具,允许开发人员单独构建和组织 UI 组件。它充当“研讨会”环境,您可以在其中查看组件在各种状态下的外观和行为,而无需将它们嵌入到应用程序的主 UI 中。这使得开发、测试和记录组件变得更加容易。为什么要使用它?隔离:隔离开发组件,这意味着一个组件的更改不会影响其他组件。这意味着要查看组件在不同状态下的外观和行为,我们不需要嵌入它们并导航到特定的用户旅程。查看热门视频 sdk 的故事书 Agora。您可以看到每个组件及其提供的状态/控件。声网故事书。 阅读详情

在本篇文章中,我们将探讨如何使用 Angular.js 开发应用程序中的组件,并利用 Storybook 工具进行组件驱动开发。我们将详细介绍如何设置和配置 Storybook,并通过一个简单的示例代码演示其基本用法。

Storybook 是一个开源工具,用于开发、测试和文档化 UI 组件。它提供了一个独立的开发环境,可以让开发者专注于组件的构建和交互。通过 Storybook,我们可以独立开发和测试每个组件,并以交互式方式展示它们的各种状态和用法。

以下是基于 Angular.js 的 Storybook 基本使用流程:

步骤 1:安装和设置 Storybook

首先,我们需要安装 Storybook。打开命令行工具,并切换到你的项目目录下,执行以下命令:

npx sb init

这将初始化一个新的 Storybook 项目,并为你的应用程序生成必要的配置文件和目录结构。

步骤 2:创建一个简单的 Angular.js 组件

在开始使用 Storybook 之前,我们需要创建一个简单的 Angular.js 组件作为示例。在你的项目中创建一个名为 Button.js 的文件,并添加以下代码:

// Button.js

angular.module('myApp').component
用 Storybook 搭建原生 JS 组件沙箱:零框架、高隔离、可验证 Web Components 是现代前端实现跨框架复用与样式隔离的核心技术,其本质是将组件抽象为可注册、可实例化、可参数化控制的自定义 HTML 元素。Storybook 作为独立于框架的 UI 开发环境,通过 v8 版本对 Web Components 的原生支持,实现了组件定义、状态驱动、视觉预览与自动化测试的一体化闭环。它让 JS 组件不再依赖 React 或 Vue 运行时,真正具备嵌入静态页、WebView 甚至桌面应用的能力。本文聚焦于如何基于纯 JavaScript 和 Web Compone 阅读详情

相关推荐

使用 Storybook 进行高效的 Angular 组件开发

在快速发展的 Web 开发世界中,保持一致、高效和可扩展的 UI 可能具有挑战性,尤其是在大型 Angular 项目中。Storybook 通过允许开发人员单独构建、测试和记录 UI 组件,提供了一个强大的解决方案。通过将 Storybook 添加到您的 Angular 项目中,您可以简化组件开发,改善团队之间的协作,并确保更高效的测试过程。在这篇博客中,我们将探讨 Storybook 如何增强 Angular 开发,以及为什么它是前端工具包的必备工具。

分享各种技术文章,给大家带来不一样的视野。 649

React与Angular架构对比:前端框架迁移指南

前端开发中,React和Angular作为两大主流框架,各自拥有独特的架构设计理念。React基于函数式编程思想,采用虚拟DOM和单向数据流,适合快速构建用户界面;而Angular作为完整的MVC框架,强调依赖注入和模块化,更适合大型企业级应用。从技术实现层面看,React通过Hooks管理状态,Angular则依赖RxJS实现响应式编程。在工程实践方面,React生态灵活丰富,Angular提供开箱即用的完整工具链。本指南特别针对需要从React迁移到Angular的开发者,详细解析组件系统、状态管理、路

weixin_33690963的博客 438

Angular Material 主题定制:Dart Sass + @use 全流程实战

Angular Material 主题定制是构建企业级 Angular 应用的关键环节,其本质是基于 Sass 预处理器对设计系统进行底层样式注入。核心原理在于利用 mat-palette 生成符合 WCAG 可访问性标准的调色板,并通过 angular-material-theme mixin 将颜色、排版与密度配置全局应用。技术价值体现在品牌一致性、深色模式原生支持及长期可维护性;典型应用场景包括中后台系统、多租户 SaaS 平台及微前端主题中心化管理。本文聚焦 Dart Sass 迁移与 @use 模

weixin_34405354的博客 312

前端主流的各种开源软件

前端开源软件是前端开发中不可或缺的重要资源,提供了各种工具、框架和库,帮助开发者更高效地构建现代 Web 应用。

爱学习的小码农 1154

学习TypeScript,你需要了解的框架

TypeScript 是一种由微软开发的开源编程语言,它是 JavaScript 的一个超集,添加了静态类型和一些其他特性。- Angular 是由 Google 维护的一个开源前端框架,它使用 TypeScript 作为其主要的编程语言。Ionic 4 及更高版本支持使用 TypeScript 进行开发,提供了丰富的组件和工具来帮助你构建高性能的应用程序。- Jest 是一个流行的 JavaScript 测试框架,它支持 TypeScript。

m0_59186239的博客 836

功能需求驱动的技术选型方法论与实践

技术选型是软件开发中的关键决策环节,直接影响项目的成功与否。从技术原理来看,合理的技术选型需要平衡功能需求、团队能力和运维成本三大维度。在工程实践中,常见的技术选型方法包括四象限法则和TCO成本分析模型,这些方法能有效避免过度追求新技术或过于保守的极端情况。对于电商、金融等高并发场景,Redis缓存和消息队列等技术组合能显著提升系统性能;而在安全敏感领域,则需要采用CSP策略、RBAC模型等安全方案。通过微服务架构和模块化设计,技术选型还能为未来的架构演进预留扩展空间。

weixin_34187862的博客 399

Lerna实战指南:JavaScript Monorepo工程化落地核心要点

Monorepo 是现代 JavaScript 工程中统一管理多包依赖、版本与构建的关键架构模式。其核心原理在于通过符号链接模拟本地依赖、基于 Git 提交规范驱动语义化版本、集中协调跨包生命周期。技术价值体现在提升协作效率、保障版本一致性、强化发布可追溯性。典型应用场景包括 UI 组件库体系、微前端基座、SDK 与类型定义共管等。Lerna 作为专注 JS/Node.js 生态的成熟工具,凭借对 npm 原生机制的深度适配和极低学习成本,成为中大型团队从 multi-repo 迁移或构建稳定 Monore

weixin_34413802的博客 361

视觉测试:前端质量铁三角中的像素级防线

视觉测试是一种面向UI呈现层的质量保障技术,其核心原理是通过受控环境下的真实浏览器渲染快照比对,将主观的界面一致性转化为可量化、可追溯的客观指标。它弥补了单元测试(无真实渲染)和E2E测试(仅验证存在性)在像素级呈现验证上的天然盲区,具备显著的技术价值:降低因CSS变更、跨浏览器渲染差异、动态内容干扰等引发的线上客诉风险。典型应用场景包括设计系统验收、多端(Web/iOS/Android)UI一致性校验、CI流水线中的自动化回归防护。本文深入解析Visual Testing在Web Apps中的工程落地路径

weixin_30902251的博客 434

UI与代码平衡:提升开发效率与产品质量的关键策略

在现代软件开发中,UI设计与代码实现是构建高质量产品的两个核心要素。UI负责用户体验和视觉呈现,而代码则支撑业务逻辑和系统稳定性。通过关注点分离和组件化开发等架构原则,可以实现前后端的有效协作,减少技术债务。这种平衡策略特别适用于中小型团队,能够在保证代码质量的同时提升界面体验。在实际工程实践中,API契约先行开发和自动化测试等方法是确保UI与代码协调的关键技术。对于React、Vue等主流框架的项目,建立设计系统与代码组件的映射关系,结合性能监控和数据驱动决策,能够显著提高开发效率和产品质量。本文聚焦的U

weixin_33851429的博客 399

React Props 封装机制:单向数据流与显式接口设计原理

组件封装是前端工程化的核心实践,其本质是通过界定责任边界实现变化隔离与协作对齐。React 的 Props 机制并非简单参数传递,而是以单向数据流、不可变性与显式接口声明为三大支柱,构建可预测、可校验、可协作的微型API契约。这种设计显著提升组件的可维护性、可测试性与跨团队复用效率,并成为 TypeScript 类型驱动开发和 Storybook 可视化文档落地的关键基础。在电商、金融、SaaS 等复杂业务中,严格遵循 Props 封装规范可将 UI 层隐式状态引发的 Bug 降低超 90%。本文深入解析其

weixin_34277853的博客 346

医疗管理系统界面设计实战:从核心原则到技术实现

在软件开发领域,用户界面(UI)设计是连接用户与系统功能的关键桥梁,其核心价值在于提升操作效率、保障数据安全与降低认知负荷。从技术原理上看,优秀的界面设计需遵循一致的设计规范,并深度结合业务场景,通过合理的组件化、状态管理与数据可视化技术来实现。在医疗健康这类高要求领域,界面设计的技术价值尤为凸显,它直接关系到诊疗流程的顺畅与患者安全。应用场景涵盖患者管理、医嘱开立、报告查看等核心医疗环节,要求界面具备极高的可靠性、清晰度与容错能力。本文聚焦于医疗管理系统这一特定场景,深入探讨如何将安全、效率、清晰三大核心

weixin_30301449的博客 981

Qwen3-Coder:国产开源Agentic Coding代理实战指南

Agentic Coding(智能编码代理)是一种以自主规划、工具调用与环境交互为核心的下一代代码生成范式,其核心原理在于将传统单次补全升级为多步闭环决策系统。相比传统代码模型,它具备状态感知、上下文自适应与长程任务可靠性等技术价值,广泛应用于自动化CRUD开发、CI/CD智能注释、测试用例生成及基础设施即代码(IaC)编写等工程场景。本文聚焦Qwen3-Coder这一原生Agentic Native架构的国产大模型,深入解析其Stateful Agent Runtime、OpenAI兼容API设计与Age

aocaiti5781的博客 400

Cypress前端自动化测试:从架构原理到工程实践

前端自动化测试是现代软件工程保障代码质量、提升开发效率的关键环节。其核心原理在于模拟用户操作,对应用功能进行自动化验证,从而在快速迭代中确保软件稳定性。从技术价值看,它不仅是缺陷预防手段,更是实现敏捷开发、DevOps和CI/CD流程的重要支撑,能显著降低回归测试成本,提升团队协作效率。在应用场景上,自动化测试广泛覆盖单元测试、集成测试和端到端测试(E2E)等不同层级。其中,Cypress作为新一代前端测试框架,凭借其独特的同源架构和同步执行模式,解决了传统工具如Selenium在测试稳定性和调试体验上的痛

weixin_30455023的博客 306

语义通信实战:跳过“比特”保“语义”,手把手构建轻量级图像压缩重建网络(基于PyTorch)

本文详细介绍了基于PyTorch的轻量级语义通信系统LICRnet的实现,专注于图像压缩重建中的语义信息保留。通过深度可分离卷积、可变窗口多尺度注意力等创新技术,显著降低计算量并提升性能,特别适用于无人机巡检、远程医疗等物联网场景。文章包含完整的代码实现、训练策略及部署优化方案。

weixin_27697385的博客 221

华为昇腾Atlas 200I DK A2实战:从开箱到运行首个AI应用

本文详细介绍了华为昇腾Atlas 200I DK A2开发板从开箱到运行首个AI应用的全过程。包括硬件准备、系统烧录、开发板连接方案、AI应用运行及性能优化技巧,帮助开发者快速上手部署AI项目,提升开发效率。

weixin_27038245的博客 594

ArcGIS实战:用栅格数据为偏远山区规划一条最省钱的公路(附完整数据与操作步骤)

本文详细介绍了如何利用ArcGIS进行栅格数据分析,为偏远山区规划一条最省钱的公路。通过DEM高程数据处理、成本权重设定和最佳路径计算,结合真实案例展示了从数据准备到工程方案转化的完整流程,帮助工程师在复杂地形中做出经济高效的路线决策。

weixin_32136203的博客 358

Seurat 单细胞转录组测序数据分析教程(三)——python(scanpy)

文章参考至,做了一个更详细的解读。本教程探讨了 scanpy 的可视化可能性,分为三个部分:嵌入的散点图(例如 UMAP、t-SNE)使用已知标记基因鉴定簇差异表达基因的可视化在本教程中,我们将使用来自 10x 的数据集,其中包含来自PBMC的 68k 个细胞。Scanpy 在其分布中包括该数据集的简化样本,该数据集仅包含 700 个细胞和 765 个高度可变的基因。该数据集已经过预处理和 UMAP 计算。在本教程中,我们还将使用以下文献标记:B细胞:CD79A、MS4A1。

coffeeii的博客 5832

SwinTransformer 改进:SSPCAB模块(2024最新改进方法)

SSPCAB(Spatial Pyramid Pooling with Channel Attention Block)是2024年提出的一种新型神经网络架构改进方法,专注于在保持高精度的同时显著降低计算复杂度和参数量。该方法通过创新的空间金字塔池化与通道注意力机制的结合,实现了网络结构的紧凑化和运算效率的大幅提升。核心创新点1. 混合空间金字塔池化(Hybrid Spatial Pyramid Pooling, HSPP)多尺度动态核池化:根据输入特征图尺寸动态调整池化核大小和步长交叉级联结构。

Henry的博客 1313

YOLOv11涨点改进| Kimi团队 2026 |独家创新首发、注意力改进篇|爆火AttnRes残差自注意力模块,含多种创新改进,借助残差思想,缓解细节信息在传播过程中被稀释,促进YOLOv11涨点

🔥本文提出AttnRes残差自注意力模块,通过深度维度的注意力加权机制替代传统固定残差累加方式,使YOLOv11网络能自适应选择更有价值的历史层特征进行聚合。该方法缓解了浅层细节信息在深层传播过程中被稀释的问题,有效融合浅层纹理与深层语义特征,提升小目标、密集目标和复杂场景的检测能力。AttnRes还改善了深层网络的梯度分布与训练稳定性,增强模型收敛质量和泛化能力。实验表明,该模块能以较小计算开销显著提升YOLOv11的特征表达能力、检测精度和整体鲁棒性。文中详细介绍了模块结构、实现原理、优势特点

Ai缝合怪、助力小伙伴高效发论文 128

超大规模系统(千万级用户)中实现字段级权限控制

摘要:本文提出了一套分布式架构下的字段级权限优化方案,结合RBAC+ABAC混合模型与技术手段实现性能与安全的平衡。方案包括:1)权限模型优化,采用RBAC预计算基础权限与ABAC动态校验敏感字段;2)数据层优化,实现动态字段过滤与加密存储;3)多级缓存策略与预计算机制提升性能;4)分布式架构设计,通过网关校验和策略引擎集群保证扩展性。最终在千万级用户系统中实现99.9%可用性,权限校验延迟控制在50ms以内。

从技术实践立足,从项目管理方法论延伸思考 1355

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")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: Angular.js - 详细介绍和示例代码
下一篇: Angular 样式封装: 创建可重用的样式组件
普通网友
博客等级 码龄3年 0粉丝 10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  | 博主筛选后可见
 
 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