jQuery基础学习(四)

jQuery基础 阅读详情

一.jQuery遍历

    什么是遍历?

    jQuery 遍历,意为"移动",用于根据其相对于其他元素的关系来"查找"(或选取)HTML 元素。以某项选择开始,并沿着这个选择移动,直到抵达您期望的元素为止。

图示解析:

  • <div> 元素是 <ul> 的父元素,同时是其中所有内容的祖先。
  • <ul> 元素是 <li> 元素的父元素,同时是 <div> 的子元素
  • 左边的 <li> 元素是 <span> 的父元素,<ul> 的子元素,同时是 <div> 的后代。
  • <span> 元素是 <li> 的子元素,同时是 <ul> 和 <div> 的后代。
  • 两个 <li> 元素是同胞(拥有相同的父元素)。
  • 右边的 <li> 元素是 <b> 的父元素,<ul> 的子元素,同时是 <div> 的后代。
  • <b> 元素是右边的 <li> 的子元素,同时是 <ul> 和 <div> 的后代。

注:祖先是父、祖父、曾祖父等等。后代是子、孙、曾孙等等。同胞拥有相同的父。

二.jQuery遍历-祖先

    通过jQuery,您能够向上遍历DOM树,以查找元素的祖先。

    通过jQuery的这些方法,您可以向上遍历DOM树:

  • parent()
  • parents()
  • parentsUntil()

    jQuery parent()方法

    parent() 方法返回被选元素的直接父元素。

    该方法只会向上一级对 DOM 树进行遍历。示例如下:

$(document).ready(function(){
  $("span").parent();
});

    jQuery parents()方法

    parents()方法返回被选元素的所有祖先元素,它一路向上直到文档的根元素(<html>).示例:

$(document).ready(function(){
  $("span").parents();
});

   您也可以使用可选参数来过滤对祖先元素的搜索,如:

$(document).ready(function(){
  $("span").parents("ul");
});

  这样就会返回所有<span>元素的所有祖先,并且它是<ul>元素。

  jQuery parentsUntil()方法

  parentsUntil()方法返回介于两个给定元素之间的所有祖先元素。如:

$(document).ready(function(){
  $("span").parentsUntil("div");
});

三.jQuery 遍历-后代

    通过jQuery,您能够向下遍历DOM树,以查找元素的后代。

    向下遍历DOM树

    下面是两个用于向下遍历DOM树的jQuery方法:

  • children()
  • find()

     jQuery children()方法

     children()方法返回被选元素的所有直接子元素。

     该方法只会向下一级对DOM树进行遍历。

     该例子返回每个<div>元素的所有直接子元素:

$(document).ready(function(){
  $("div").children();
});

     您也可以使用可选参数来过滤对子元素的搜索。

     下面的例子返回类名为"1"的所有<p>元素,并且它们是<div>的直接子元素:

$(document).ready(function(){
  $("div").children("p.1");
});

     jQuery find()方法

     find()方法返回被选元素的后代元素,一路向下直到最后一个后代。

     下面的例子返回属于<div>后代的所有<span>元素:

$(document).ready(function(){
  $("div").find("span");
});

     下面的例子返回<div>的所有后代:

$(document).ready(function(){
  $("div").find("*");
});

四.jQuery遍历-同胞

     同胞拥有相同的父元素。

     通过jQuery,您能够在DOM树中遍历元素的同胞元素。

     在DOM树中水平遍历

     有如下方法让我们在DOM树进行水平遍历:

  • siblings()
  • next()
  • nextAll()
  • nextUntil()
  • prev()
  • prevAll()
  • prevUntil()

      jQuery siblings()方法

      siblings()方法返回被选元素的所有同胞元素。

      下面的例子返回<h2>的所有同胞元素:

$(document).ready(function(){
  $("h2").siblings();
});

      您也可以使用可选参数来过滤对同胞元素的搜索。

      下面的例子返回属于<h2>的同胞元素的所有<p>元素:

$(document).ready(function(){
  $("h2").siblings("p");
});

      jQuery next()方法

      next()方法返回被选元素的下一个同胞元素。

      该方法只返回一个元素。

      下面的例子返回<h2>的下一个同胞元素:

$(document).ready(function(){
  $("h2").next();
});

       jQuery nextAll()方法

       nextAll()方法返回被选元素的所有跟随的同胞元素。

       下面的例子返回<h2>的所有跟随的同胞元素:

$(document).ready(function(){
  $("h2").nextAll();
});

       jQuery nextUntil()方法

       nextUntil()方法返回介于两个给定参数之间的所有跟随的同胞元素。

       下面的例子返回介于<h2>与<h6>元素之间的所有同胞元素:

$(document).ready(function(){
  $("h2").nextUntil("h6");
});

      jQuery prev(), prevAll() & prevUntil() 方法

      prev(), prevAll() 以及 prevUntil() 方法的工作方式与上面的方法类似,只不过方向相反而已:它们返回的是前面的同胞元素(在 DOM 树中沿着同胞之前元素遍历,而不是之后元素遍历)。

五.jQuery 遍历-过滤

     缩小搜索元素的范围

     三个最基本的过滤方法是:first(), last() 和 eq(),它们允许您基于其在一组元素中的位置来选择一个特定的元素。

    其他过滤方法,比如 filter() 和 not() 允许您选取匹配或不匹配某项指定标准的元素。

    jQuery first()方法

    first()方法返回被选元素的首个元素。

    下面的例子选取首个<div>元素内部的第一个<p>元素:

$(document).ready(function(){
  $("div p").first();
});

    jQuery last()方法

    last()方法返回被选元素的最后一个元素。

    下面的例子选择最后一个<div>元素中的最后一个<p>元素:

$(document).ready(function(){
  $("div p").last();
});

    jQuery eq()方法

    eq() 方法返回被选元素中带有指定索引号的元素。

    索引号从 0 开始,因此首个元素的索引号是 0 而不是 1。下面的例子选取第二个 <p> 元素(索引号 1):

$(document).ready(function(){
  $("p").eq(1);
});

    jQuery filter() 方法

    filter() 方法允许您规定一个标准。不匹配这个标准的元素会被从集合中删除,匹配的元素会被返回。

    下面的例子返回带有类名 "url" 的所有 <p> 元素:

$(document).ready(function(){
  $("p").filter(".url");
});

     jQuery not()方法

     not() 方法返回不匹配标准的所有元素。

     提示:not() 方法与 filter() 相反。

     下面的例子返回不带有类名 "url" 的所有 <p> 元素:

$(document).ready(function(){
  $("p").not(".url");
});

 

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

相关推荐

PCIe设备内存访问实战:从ioremap到DMA映射的完整流程解析

本文深入解析了PCIe设备内存访问的完整流程,涵盖从CPU通过ioremap访问设备寄存器,到设备通过DMA映射高效读写主机内存的核心机制。详细探讨了虚拟地址、物理地址与总线地址的转换关系,对比了一致性与流式DMA映射的适用场景及同步要点,并阐述了IOMMU在安全与效率中的作用,为驱动开发者提供了实战代码与关键陷阱分析。

weixin_29201933的博客 507

jquery基础学习之动画篇(四)

一,动画效果 hide() show() 隐藏与显示 hide(options) 隐藏 对应display:none,有参数就会变成动画, $(document).click(function () { // $('.div1').hide('slow');//慢速隐藏 })hide(speed,callback) t...

weixin_34348111的博客 147

NC数据预处理避坑指南:从MATLAB读取到GeoTIFF导出,解决坐标翻转与值域异常

本文详细解析了NC数据预处理中的常见问题,包括MATLAB读取时的坐标翻转与GeoTIFF导出时的值域异常。通过实战案例,介绍了如何解决矩阵方向错乱、处理FillValue与scale_factor、精准移植空间参考等关键问题,帮助研究者高效完成气象数据的批量处理与GIS兼容性验证。

weixin_30788619的博客 656

前端开发学习路径之阶段四:jQuery基础篇

jQuery基础总共分为四个部分,分别是样式篇、事件篇、动画篇、DOM篇。 一、样式篇 1、jQuery选择器 1.1.1 jQuery选择器之id选择器 id选择器:一个用来查找的ID,即元素的id属性:$( "#id" ) id选择器也是基本的选择器,jQuery内部使用JavaScript函数document.getElementById()来处理ID的获取。原生语法的支持总是非常...

MySunshine07的博客 652

深入解析MOS管电容特性:从基础理论到高频应用

本文深入解析了MOS管的电容特性,从基础物理结构出发,详细拆解了栅氧电容、重叠电容和结电容的成因与影响。文章重点探讨了电容值随工作状态变化的非线性特性,并分析了其在CMOS高频开关电源、射频电路等应用中的关键作用,包括开关损耗、米勒效应、信号完整性挑战以及如何将电容特性转化为可控元件(如MOS变容管)的机遇。最后提供了从选型、仿真到PCB布局的实战设计指南。

weixin_29278805的博客 384

告别命令行恐惧!用TBtools的MCScanX插件,5分钟搞定拟南芥和水稻的基因组共线性分析

本文介绍如何利用TBtools的MCScanX插件快速完成拟南芥和水稻的基因组共线性分析,无需命令行操作,5分钟即可生成专业可视化结果。通过图形化界面简化传统MCScanX的复杂流程,特别适合非生物信息背景的研究者,显著提升基因组数据分析效率。

dianzhuique8587的博客 378

jQuery零基础学习笔记(四)一句话…

animate() ——通过css自定义动画 clearQueue() ——停止所有队列中还在排队的函数,且只适用于动画 delay()——对排队函数设定延迟 dequeue()——运行被选元素的下一个排队函数 fadeIn()——淡入 fadeOut()——淡出 fadeTo()——透明度变成××% hide()——被选元素隐藏 queue()——被选元素的排队函数显示 show()——被选元素

127

深入理解光流法外推雷达回波

背景介绍 鉴于本人实在太过疲惫和劳累,一些简单的便于理解的废话就不在记录,耗费两天时间研究了一下光流法,本帖用于记录学习过程中源码的难点细节。 使用光流预测的核心有两个利用多张连续回波图像(变分)或者相邻两张回波图(交叉相关,LK等)计算出光流场(速度矢量场),之后利用半拉格朗日方法进行外推。 半拉格朗日方法 三时间步半拉格朗日方法,其核心公式如下 但这个有点难理解,但看一维的图就很好理解 它的核心就是迭代求Am(位移矢量),如果理解困难的话,其实质上就是通过未来迭代(猜)出当前时刻的Am找到过去的假设

weixin_44695861的博客 6036

jQuery零基础学习笔记(四)一句话效果

animate() ——通过css自定义动画 clearQueue() ——停止所有队列中还在排队的函数,且只适用于动画 delay()——对排队函数设定延迟 dequeue()——运行被选元素的下一个排队函数 fadeIn()——淡入 fadeOut()——淡出 f

469

【好物推荐】MQTTX 快速入门使用指南

摘要:MQTTX是一款跨平台MQTT客户端工具,支持MQTT 5.0/3.1.1协议,提供桌面版、网页版和CLI版本。本文介绍了快速入门指南,包括下载安装、核心概念解释、连接公共MQTT服务器(broker.emqx.io)的步骤,以及订阅主题、发布和接收消息的操作流程。文章还提供了常见问题排查方法,帮助用户快速完成MQTT开发调试的基本操作。

奶爸的编程之路,也就一周冷个三天 888

大模型知识边界探索:LLM设计的极限测试

最优化理论是数学中的一个分支,主要研究如何从给定的一组约束条件下找到最优解。目标函数:定义了需要优化的指标,可以是最大化或最小化。约束条件:定义了在优化过程中需要满足的限制条件。无约束优化:目标函数和约束条件都不存在。有约束优化:目标函数存在,但存在约束条件。多目标优化:同时需要优化多个目标函数。极限测试(Ultimate Test)是一种系统性的方法,用于评估大型模型(如LLM)在极端条件下的性能和稳定性。极端数据分布:与模型训练数据分布显著不同的数据集。极端计算资源。

AI天才研究院 437

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

Flink实战案例(十三):Flink DataStream 八大分区策略与自定义分区器

声明:本系列博客是根据SGG的视频整理而成,非常适合大家入门学习。 《2021年最新版大数据面试题全面开启更新》 分区策略决定了一条数据如何发送给下游。Flink中默认提供了八大分区策略(也叫分区器)。 本文基于Flink 1.9.0总结Flink DataStream中的八大分区策略以及手动实现一个自定义分区器。 八大分区策略继承关系图 ChannelSelector: 接口,决定将记录写入哪个Channel。有3个方法: void setup(int numberOfChannels):

微信搜:import_bigdata,大数据领域硬核原创作者 1125

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

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")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

jQuery基础学习

jQuery基础学习

weixin_52218117的博客 821

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——jQuery学习笔记(完整版)

本文主要介绍有关jQuery的相关知识点

Bonsoir777的博客 1803

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

JQuery-学习笔记01【基础——JQuery基础】

JQuery-学习笔记01【基础——JQuery基础】

upward 918

jQuery 基础语法

文章目录jQuery 基础语法一、 jQuery 概述1、 JS 库2、 jQuery 概念3、 jQuery 优点二、 jQuery 基本使用1、 jQuery 使用步骤2、 jQuery 入口函数3、 jQuery 顶级对象4、 jQuery 对象和 DOM 对象三、 jQuery 常用 API1、 jQuery 选择器2、 隐式迭代3、 jQuery 筛选选择器4、 jQuery 筛选方法5、 jQuery 里面的排他思想6、 链式编程四、 jQuery 样式操作1、 操作 CSS 方法2、 设置类样

一个专注于机器学习基础与实战的技术博客,内容涵盖算法推导、模型实现、数学原理与代码实践。用通俗的语言解析复杂概念,记录学习过程中的思考与总结,适合机器学习爱好者和从业者参考。 3103

JQuery 基础知识学习(详尽版)

JQuery 详尽的基础知识学习jQuery 语法jQuery 选择器jQuery 选择器(大全)jQuery 事件ready()holdReady()on()off()one()其他事件案例01jQuery CSS样式案例02jQuery DOM遍历遍历父元素案例03遍历同级元素案例04遍历子元素案例05first()last()eq(number)filter(selector)not(selector)jQuery 增删元素增加元素删除元素案例06jQuery 尺寸jQuery 效果显示隐藏淡入淡出滑

菜鸟心声:学的不仅是技术,更是梦想! 3275

jQuery 学习

jQuery

angel_791的博客 1948

JQuery基础学习笔记

主要内容 JQuery基础 概念 快速入门 Jquery对象和JS对象的区别与转换 选择器 DOM操作 案例 1. Jquery基础 概念 一个javaScript框架,简化js开发 javaScript框架 :本质上是一些js文件,封装了js的原生代码而已 快速入门 步骤 下载JQuery 目前jQuery有三个大版本: 1.x:兼容ie678,使用最为广泛的,官方只...

暮光乐鱼的博客 394
上一篇: jQuery基础学习(三)
下一篇: JavaScript学习(一)
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