jQuery基础学习(三)

jQuery 零基础学习第一天 jQuery 是一个轻量级的 JavaScript 库,核心宗旨是。 阅读详情

一.jQuery-获取并设置CSS类

     jQuery拥有若干进行CSS操作的方法。

  • addClass() - 向被选元素添加一个或多个类
  • removeClass() - 从被选元素删除一个或多个类
  • toggleClass() - 对被选元素进行添加/删除类的切换操作
  • css() - 设置或返回样式属性

    jQuery addClass()方法  示例:

$("button").click(function(){
  $("h1,h2,p").addClass("blue");
  $("div").addClass("important");
});

   在addClass()方法中规定多个类:

$("button").click(function(){
  $("body div:first").addClass("important blue");
});

   jQuery removeClass()方法:

$("button").click(function(){
  $("h1,h2,p").removeClass("blue");
});

   jQuery toggleClass()方法:该方法对被选元素进行添加/删除类的切换操作。

$("button").click(function(){
  $("h1,h2,p").toggleClass("blue");
});

二.jQuery css()方法

     css()方法设置或返回被选元素的一个或多个样式属性。

     返回CSS属性:如需返回特定的CSS属性的值,请使用如下语法:

     css("propertyname");

     如返回首个匹配元素的background-color值:

$("p").css("background-color");

    设置CSS属性

    设置指定CSS属性的语法如下:css("propertyname", "value");

    示例:

$("p").css("background-color","yellow");

   设置多个CSS属性

   语法:css({"propertyname":"value", "propertyname":"value", ...});

   示例:

$("p").css({"background-color":"yellow","font-size":"200%"});

三.jQuery尺寸

    jQuery width()和height()方法

   width() 方法设置或返回元素的宽度(不包括内边距、边框或外边距)。

   height() 方法设置或返回元素的高度(不包括内边距、边框或外边距)。

   示例:

$("button").click(function(){
  var txt="";
  txt+="div 的宽度是: " + $("#div1").width() + "</br>";
  txt+="div 的高度是: " + $("#div1").height();
  $("#div1").html(txt);
});

  jQuery innerWidth()和innerHeight()方法 

  innerWidth() 方法返回元素的宽度(包括内边距)。

  innerHeight() 方法返回元素的高度(包括内边距)。

  示例:

$("button").click(function(){
  var txt="";
  txt+="div 宽度,包含内边距: " + $("#div1").innerWidth() + "</br>";
    txt+="div 高度,包含内边距: " + $("#div1").innerHeight();
  $("#div1").html(txt);
});

  jQuery outerWidth()和outerHeight()方法     

  outerWidth() 方法返回元素的宽度(包括内边距和边框)。

  outerHeight() 方法返回元素的高度(包括内边距和边框)。

$("button").click(function(){
  var txt="";
  txt+="div 宽度,包含内边距和边框: " + $("#div1").outerWidth() + "</br>";
  txt+="div 高度,包含内边距和边框: " + $("#div1").outerHeight();
  $("#div1").html(txt);
});

 

 

hcaptcha逆向实战:从API解析到参数构造的完整链路 本文详细拆解了hcaptcha验证码的逆向实战流程,从环境准备、捕获API与版本号,到解析核心加密逻辑hsw.js,再到构造getcaptcha请求参数,最后完成验证提交。文章重点剖析了motionData、n、c等关键参数的获取与构造方法,为开发者模拟浏览器行为、实现自动化验证提供了清晰的完整链路指南。 阅读详情

相关推荐

深入理解EtherCAT状态机:从IGH代码看伺服电机如何从‘上电’到‘使能’

本文深入解析EtherCAT状态机的工作原理,重点探讨伺服电机从'上电'到'使能'的状态转换过程。通过分析状态字(Status Word)和控制字(Control Word)的交互机制,结合IGH代码实例,揭示DS402状态机的核心逻辑,帮助工程师解决60%以上的伺服控制问题,提升EtherCAT网络调试效率。

weixin_42549037的博客 291

jQuery基础学习(三)

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd"> <html> <head> <title>JQuery中的DOM操作</title> <meta charset="UTF-8"/> </head> <body>

墨笙弘一 506

强化学习 之 Actor Critic

简介 Actor Critic是一种结合体算法: (1)Actor 的前生是 Policy Gradients,这能让它毫不费力地在连续动作中选取合适的动作,而 Q-learning 做这件事会瘫痪; (2)Critic 的前生是 Q-learning 或者其他的 以值为基础的学习法,能进行单步更新,而传统的 Policy Gradients 则是回合更新,这降低了学习效率。 算法思想 Actor...

Test_tju的博客 812

Web前端学习(三)—JQuery基础用法

JQuery 介绍 jQuery 是一个 JavaScript 库。 jQuery 极大地简化了 JavaScript 编程。 jQuery 很容易学习。 JQuery引入 1.下载: 官方网站([下载地址:](https://jquery.com/))下载JQuery 2.引入: <head> <meta charset="UTF-8"> ...

taochaocaj的专栏 140

RANSAC地面点分割:从原理到C++实战优化

本文深入解析RANSAC算法在点云地面分割中的原理与C++实战优化,涵盖动态迭代次数、自适应阈值等关键技巧,通过并行计算和内存访问优化提升性能,适用于激光雷达点云处理。

weixin_29015051的博客 280

三相SST固态变压器详细设计案例

本案例针对400kVA、30kHz三相固态变压器(SST)开展详细设计,核心采用输入串联输出并联(ISOP)拓扑架构(模块化多电平矩阵变换器M3C简化版),重点完成高频变压器的参数计算、绕组设计、损耗分析及液冷温升验证,同时覆盖系统级架构设计、半导体损耗估算及整机效率优化,全流程基于当前电力电子技术可行性展开。

qq_32103755的博客 3318

jQuery基础学习(三)—jQuery中的DOM操作

一、查找节点 查找属性节点: 通过jQuery的选择器来完成。 操作属性节点: 调用jQuery对象的attr()来获取它的属性值。 操作文本节点: 通过text()方法。 //1.操作文本节点:通过jQuery的text()方法 alert($("#bj").text()); $("#bj").text("南京"); ...

weixin_30477797的博客 94

告别VLC!用Python+OpenCV实时拉取RTSP监控流,并实现抽帧降低延迟(附完整代码)

本文介绍了一种基于Python和OpenCV的低延迟RTSP监控流处理方案,通过抽帧技术显著降低延迟并保持视频分析准确性。文章详细讲解了RTSP流处理的基础挑战、抽帧技术原理与实现,以及完整的低延迟处理方案,包括硬件加速配置和动态抽帧算法,帮助开发者优化监控视频流处理性能。

weixin_30333885的博客 275

Ajax基础学习笔记三—jQuery实现Ajax

1、  jQuery对Ajax操作进行封装:           最底层采用的方法是:$.ajax();           第二层是load(),$.get(),$.post();           第三次是$.getScript()和$.getJSON(). 2、  load()方法的应用举例 $(function(){ $("a").click(function(){

崔洪振367 963

小程序强制更新避坑指南:手把手教你实现无缝升级

本文详细解析小程序强制更新的实现方法,重点介绍wx.getUpdateManager API的使用技巧,帮助开发者规避冷热启动机制下的版本管理陷阱。通过实战案例展示如何设计多级更新提示策略,确保用户无缝升级,提升小程序版本更新率。

star的博客 281

Python实战:3步搞定视频去重,告别重复文件烦恼(附完整代码)

本文提供了一套基于Python的视频去重实战方案,通过三步流程(抽帧、生成内容指纹、相似度比对)高效识别重复视频文件。文章详细介绍了使用dHash算法生成视频指纹的核心原理,并提供了完整的代码实现,帮助用户快速构建自己的视频去重工具,告别重复文件管理烦恼。

weixin_29054245的博客 383

19前端学习之JQuery基础(三):jQuery尺寸、位置操作、jQuery事件、jQuery事件对象、Jquery拷贝对象、jQuery 多库共存、jQuery 插件

文章目录一、jQuery尺寸、位置操作:1. jQuery 尺寸操作1.2 代码演示;2. jQuery 位置操作2.1 offset() 设置或获取元素偏移:2.2 position() 获取元素偏移:2.3 scrollTop() / scrollLeft() 设置或获取元素被卷去的头部和左侧:2.3 代码示例: 一、jQuery尺寸、位置操作: jQuery中分别为我们提供了两套快速获取和...

浅弋、璃鱼的博客 1004

PCL 法向量夹角剔除错误匹配点对【2026最新版】

实现了一种简单的基于对应点法线角度的对应关系去除方法。博客长期更新,本文最新更新时间为:2026年5月24日。

点云侠的博客 41万+

JQuery学习笔记三:基础DOM和CSS操作

基础DOM和CSS操作 1.  DOM操作 alert($('#box').html());//获取id为box下的内容(包括标签名) alert($('#box').text());//获取文本,html标签被清理 $('#box').html("www.qq.com");//替换id为box的内容 $('#box').text("www.qq.com");//替换文本内容,遇到html会转

q33275971的专栏 635

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

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

jquery基础学习之事件篇(三)

一.鼠标事件 click 单击 与 dbclick 双击 用于监听用户的点击操作,在同一元素上同时绑定 click 和 dblclick 事件是不可取的。。。根据浏览器支持不同一个点击事件是由mousedown和mouseup组成点击事件可接受两个参数,第一个为数据,第二个参数为回调函数,数据就是用来给回调函数传参的 $('.div1').click({x:'background'...

weixin_33682719的博客 142

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")

jQuery零基础学习笔记(三)一句话…

bind()——为被选元素添加一个或多个事件,及发生时的运行函数 live()——为被选元素添加一个或多个事件,及发生时的运行函数,可以使用die()方法使其失效 die()——使live()添加的事件失效 blur()——当元素失去焦点时发生此事件 change()——适用于text类型,当数值变化时发生 click()——单击时 dblclick()——双击时 delegate()——为被选元

138

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

jQuery学习(三)---基础语法---操作

一、

坎坎坷坷 368

资源分享 - 3小时速成javascript+jquery+nodejs

这个课件主要是给新手有体系地学习,三小时学习掌握javascript+jquery+nodejs的使用,快速开发,但想深入学习还是需要找资料的。 https://download.youkuaiyun.com/download/guanshanyue96/11275733 ...

一清道长的个人博客 411

大三最后一个学期的三本书

经过大学前两年时间的洗礼,我的大学生活很快的到了最后的一年。 想想,时间说快吧,他其实也是挺快的。说慢,也算慢啦!我不是个很珍惜时间学习的人,在学校 我和大多数的其他大学生一样,游戏人生。 其中,带给我的只是迷茫和彷徨。 没有目标的大学生活,也就两个字可以把他概述起来吧!"苦逼" 现在,我的大学生活只剩下这基本书了,学完这几本书我的大学生活也跟着消失了。 一、JQuery基础教程 对

窥望奇妙世界 1207

JQuery基础学习

🎄:优快云的小伙伴们大家好,今天跟大家分享一个简介的JavaScript框架——JQuery。如果这篇文章对你有用,麻烦给我点个小赞以示鼓励吧🎄

秋雨绵绵 1905

jQuery ——(很全、很清晰,三小时带你学会 jQuery 基础)

jQuery ——(很全、很清晰,三小时带你学会 jQuery 基础)

HuoZhiyan 的博客 3770

jQuery学习笔记·jQuery基础

jQuery学习笔记·jQuery基础 jQuery目录jQuery学习笔记·jQuery基础jQuery资源jQuery和Js入口函数的区别jQuery入口函数的四种写法jQuery的冲突问题jQuery静态方法和实例方法静态方法创建和调用实例方法创建和调用静态方法each方法js原生函数forEach遍历数组jQuery的each静态方法遍历数组静态方法map方法利用原生JS的map方法遍历利用jQuery的map方法遍历jQuery中的each静态方法和map静态方法的区别jQuery的其他静态方法$

zjlwdqca的博客 2404

做前端的能不能不学习 JavaScript 而直接学习 jQuery ?

做前端的能不能不学习 JavaScript 而直接学习 jQuery ? 谢谢大家的回答,现在不明白的是前端到底涉及到哪些方面,这潭水到底有多深啊,感觉要学很多东西。 可以 1 条评论 分享   默认排序按时间排序 51 个回答 19赞同 反对,不会显示你的姓名 Allen.M 前端工程

autumn20080101的专栏 4840

jQuery基础学习

jQuery基础学习

weixin_52218117的博客 821

jQuery入门基础

jQueryjQuery是什么jQuery的安装语法jQuery 语法 jQuery是什么 jQuery是一个JavaScript函数库。 jQuery是一个轻量级的"写的少,做的多"的JavaScript库。 jQuery库包含以下功能: HTML 元素选取 HTML 元素操作 CSS 操作 HTML 事件函数 JavaScript 特效和动画 HTML DOM 遍历和修改 AJAX Utilities 除此之外,Jquery还提供了大量的插件。 jQuery的安装 所谓安装就是使用script标记引

『愚』的博客 5602

前端基础五之jQuery基础

jQuery下载,导入,选择器,事件

布小禅的博客 1982
上一篇: jQuery基础学习(二)
下一篇: jQuery基础学习(四)
YKiOS
博客等级 码龄11年 7粉丝 19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