CSS盒子模型及属性

1.3 CSS属性的特性+CSS的盒子模型 对于一个元素来说,相同一个属性我们可以通过不同的选择器给它进行多次设置;那么属性会被一层层覆盖上去但是最终只有一个会被生效。注意:这里我们说的是对。 阅读详情

大家好,今天来讲讲CSS盒子模型及属性。

目录

一、盒子模型是什么?

二、盒子模型介绍及相关属性

1.内容区/网页元素(content)

2.内边距(padding)

3.边框(border)

4.外边距(margin)

5.元素的宽度和高度

总结


一、盒子模型是什么?

        盒⼦模型 是⽹⻚设计中经常⽤到的⼀种思维模型,由四个部分构成,从内⽽外分别为内容区( content )、内边距( padding )、边框( border )和外边距( margin ),CSS为这四部分提供了⼀系列相关属性,通过对这些属性的设置可以丰富盒⼦的表现效果。

        网页中的每一个 元素都可以看做一个盒子模型

二、盒子模型介绍及相关属性

1.内容区/网页元素(content)

  • 内容区是整个盒⼦模型的中⼼,其中存放了⽹⻚的主要元素,这些元素可以是 ⽂本 、 图像..
  • 内容区有 width   height   overflow 三个属性,其中 width 和 height 属性⽤来指定盒⼦内容区域的宽度和⾼度。

代码示例:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>
<style>
    div{
        background-color: aqua;
        width: 100px;
        height: 100px;
    }
   </style>
<body>
    <div>内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素</div>
</body>
</body>
</html>

                                                   

在普通盒子模型中,如果内容过多,超出部分会在盒子外显示。

        当内容信息过多,超出内容区设置的范围时,可以使⽤overflow 属性设置溢出内容的处理⽅式 overflow属性的四个可选值:
 

 下⾯示例使⽤overflow属性的hidden值隐藏了内容超出部分:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>
<style>
    div{
        background-color: aqua;
        width: 100px;
        height: 100px;
        overflow: hidden;
    }
   </style>
<body>
    <div>内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素内容区和网页元素</div>
</body>
</body>
</html>

                                                   

2.内边距(padding)

        内边距 是内容区和边框之间的空间,我们可以通过 padding-top 、 padding-right 、 padding-bottom 、 padding-left 及它们的简写属性 padding 来设置内容区各个⽅向上与边框之间的距离。在为盒⼦模型设置背景属性时,背景属性可以覆盖到内边距区域

代码如下: 

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>
<style>
    #big{
        width: 100%;
        height: 200px;
        background-color: deeppink;
    }
    div{
        background-color: palegreen;
        width: 100px;
        height: 100px;
        /* overflow: hidden; */
        padding: 20px;
    }
   </style>
<body>
    <div id="big">
        <div class="box">盒子模型</div>
    </div>
</body>
</body>
</html>

效果图: 

3.边框(border)

        边框 是环绕内容区和内边距的边界,我们可以使⽤ border-style 、 border-width  和  border-color 及它们的简写属性 border 来设置边框的样式。其中,border-style 属性是边框中最主要的属性,如果没有设置该属性的话,其他的边框属性也会被忽略。

 代码如下:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>
<style>
    #big{
        width: 100%;
        height: 200px;
        background-color: deeppink;
        border: 10px solid blueviolet;
    }
    div{
        background-color: palegreen;
        width: 100px;
        height: 100px;
        /* overflow: hidden; */
        padding: 20px;
        border: 20px dotted black;
    }
   </style>
<body>
    <div id="big">
        <div class="box">盒子模型</div>
    </div>
</body>
</body>
</html>

 效果图:                       

4.外边距(margin)

        外边距 位于盒⼦模型的最外围,是边框之外的空间。我们通常使⽤ margin-top 、 margin-bottom 、 margin-left 、 margin-right 及它们的简写属性 margin 来设置外边距,即控制盒子和盒子之间的距离。

代码如下:

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <meta http-equiv="X-UA-Compatible" content="IE=edge">
    <meta name="viewport" content="width=device-width, initial-scale=1.0">
    <title>Document</title>
</head>
<style>
    .box{
        background-color: palegreen;
        width: 100px;
        height: 100px;
        border: 20px dashed black;
        padding: 20px;
        margin: 15px;
    }
    .box2{
        background-color: rgb(255, 247, 0);
        width: 50px;
        height: 50px;
        border: 20px dotted rgb(255, 0, 0);
        padding: 20px;
        margin: 20px;
    }
   </style>
<body>
        <div class="box">盒子模型</div>
        <div class="box2"></div>
</body>
</body>
</html>

 运行结果:

                                                   

5.元素的宽度和高度

        当我们使⽤CSS中的 width 和 height 属性设置元素的宽度和⾼度时,实际上设置的只是元素内容区域的宽度和高度,元素的实际宽度和⾼度还取决于其他因素 


总结

● 总宽度: width + padding-left + padding-right + border-left + border-right + margin-left + margin-right
● 总高度:height + padding-top + padding-bottom + border-top + border-bottom + margin-top + margin-bottom
掌握CSS逻辑属性与盒子模型 本章节深入探讨了CSS逻辑属性,它们与块级格式化紧密相关,影响元素的尺寸和位置。介绍了如何使用逻辑属性来适应不同的书写模式,如水平和垂直书写。此外,还讲解了盒子模型的计算方式,包括内容、内边距、边框和外边距的尺寸,以及如何使用box-sizing属性来控制这些尺寸。 阅读详情

相关推荐

校园网改造实录:手把手教你用华为MA5800 OLT调试全光网(附常用排错命令)

本文详细记录了校园全光网改造中华为MA5800 OLT的部署与调试过程,涵盖设备选型、基础配置、ONU批量部署及高频故障排查。通过实战案例和排错命令,帮助网络工程师快速掌握全光网调试技巧,实现低延迟、高稳定的网络性能。

weixin_42552716的博客 573

css中盒子模型的属性

css中盒子模型的属性

当路danglu0010 2114

【UV打印机】PrintExp打印软件教程(六)-高级模式(马达)

输入高级模式密码进入高级模式高级模式界面有操作栏、控制栏、参数栏及参数界面操作栏名称功能说明文件加载数据从板卡加载参数保存将参数保存到主板退出退出高级模式固件导入固件导入配套版本下的固件配置*xpcfx导出固件导出当前使用的固件配置*xpcfx导入波形文件导入对应的波形文件*waf操作初始化系统继续初始化动作复位X轴复位回原点控制栏可进行小车运动、闪喷操作(此闪喷为点击进行闪喷,不受平台位置限制),无清洗功能。

Print World的专栏 3112

CSS盒子属性

HTML5的盒模型将每个HTML元素视为一个矩形盒子,这个盒子由四个部分组成:内容(Content)、内边距(Padding)、边框(Border)和外边距(Margin)。上面这张图中border是边框,padding是,margin是,中间的980x 8是内容(content)

2401_82647012的博客 739

SAP PP模块 MRP配置实战:5步完成工厂级物料需求计划激活

本文详细介绍了SAP PP模块中物料需求计划(MRP)的工厂级配置实战,通过5个关键步骤从基础环境准备到最终激活。内容涵盖SPRO后台配置、MRP控制者定义、主数据设置及核心参数调整,帮助顾问快速掌握MRP配置清单的完整流程,确保物料需求计划的高效运行。

weixin_30431445的博客 342

【华为OD机试】真题A卷-Linux发行版的数量(Python)

【华为OD机试】真题A卷-Linux发行版的数量(Python):Linux操作系统有多个发行版,distrowatch.com提供了各个发行版的资料。这些发行版互相存在关联,例如Ubuntu基于Debian开发,而Mint又基于Ubuntu开发,那么我们认为Mint同Debian也存在关联。 发行版集是一个或多个相关存在关联的操作系统发行版,集合内不包含没有关联的发行版。给你一个nxn的矩阵isConnected,其中isConnected[i][i]=1表示第i个发行版和第j个发行版直接

u014481728的博客 944

css盒子模型(框模型)属性

盒模型又叫框模型,包含了五个用来描述盒子位置、尺寸的属性,分别是宽度 width、高度 height、内边距padding、 边框 border、外边距 margin。这五个属性可以通过 CSS 来设置,用来控制 HTML 元素的位置和尺寸。盒模型是 Web 开发中非常重要的概念,可以帮助开发者创建一致、可预测的布局效果。在盒模型中,元素的实际大小由内容大小、内边距、边框和外边距共同组成。

猿码互联 1967

模型预测控制(MPC)解析(三):多输入多输出系统

本文为阅读笔记,仅供学习交流使用!!! 在之前的文章中,为了简单起见,以单输入单输出系统为例介绍了MPC控制的实现方法。因为使用的是状态空间方程作为系统模型,这种方法可以轻松的扩展到多输入多输出系统中。 ...

行者无疆的博客 1万+

CSS手册简编:BOX属性

<!--google_ad_client = "pub-2947489232296736";/* 728x15, 创建于 08-4-23MSDN */google_ad_slot = "3624277373";google_ad_width = 728;google_ad_height = 15;//--><script type="text/javascript"

zgqtxwd的专栏 811

硬方案——几种实用的恒流源电路设计方案,敬请收藏(运放、三极管在手,让你玩出多种花样)

0 引言 我们在信号测量、供电等应用场景时常会涉及到使用恒流源,以前觉得恒流源挺神奇的,研究了下实现方案,其实也没有多么高深(这里讨论的仅限于用在信号测量中的小电流恒流源设计),这里给出几个实用的恒流源电路设计方案。 1 恒流源电路设计 (1)使用三极管搭建的恒流源 (2)使用运放搭建的恒流源 (3)使用恒流二极管搭建的恒流源 pt100恒流源测温电路图_电子技术_电工之家 ...

数字世界 万物互联 9524

PCL Super4PCS算法实现点云粗配准(版本一)【2025最新版】

Win11系统下实现[Super4PCS: Fast Global Pointcloud Registration via Smart Indexing一文中的配准算法。

点云侠的博客 3378

前端css中盒子模型的各种属性

本文讲解盒子模型的各种属性,大多数例子没有具体设置html的所有内容属性,只是针对某部分如何设值,或某个属性有什么参数,来进行一行代码的解释说明。聪明的读者肯定会自己创建个div盒子模型,然后自己设置好自己想调整的参数,创建符合自己的盒子模型。其实盒子模型还有关于布局的内容,本文没有写。因为布局可能涉及到弹性盒子模型flex,则笔者决定吧布局的内容放到弹性盒子模型中讲。部分内容可能还不够详细,如背景的样式的属性,多背景的内容本文便没有写等。本文主要是了解盒子模型的属性都有啥,常用属性的罗列一遍。

小蜗牛764号的博客 2510

使用node-red网关读取modbus设备点表,并上传到市政低碳平台来统计数据

最近做了一个物联网项目,具体是这样的,利用node-red网关盒子,来采集Modbus设备的点表,然后将数据转换,封装,最终上传到市政的低碳平台。上一步封装了点表的数据,调用低碳平台还需要账号密码,建筑id,这些都是固定信息,所以我们单独提出来。上一步获取到了原始的点表数据,下一步就是将这些点表数据与在低碳平台创建的采集的对应起来,并且设置好分类。读取modbus的节点,会有两个输出,我是使用的第一个输出。msg.meters 是一个数组,里面的每一个元素都是一个点表,比如厨房用水,园区照明,

知无涯 948

css中 盒模型的属性包括(),css的盒子模型属性有哪些?css盒子模型相关属性的介绍...

本篇文章给大家带来的内容是关于css的盒子模型属性有哪些?css盒子模型相关属性的介绍,有一定的参考价值,有需要的朋友可以参考一下,希望对你有所帮助。1、盒子模型图2、一个简单的盒子模型box.html 盒子模型 标准文件流不能制作精美的网页;只有脱离标准文档流(脱标),才可以制作我们想要的网页。 脱标的方法:浮动,绝对定位,固定定位; 浮动(float):可以让元素并排显示,并设置宽高; 属...

weixin_34970098的博客 2251

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

【Hello CSS】第二章-CSS的逻辑属性与盒子模型

作者:陈大鱼头 github: KRISACHAN 在上一篇【Hello CSS】的第一章CSS的语法与工作流中介绍了CSS的语法规则以及基本的渲染流程。本篇则会分享CSS的逻辑属性以及盒子模型。 首先开篇之前先提个问题: 为什么Flex box跟Grid box的是以start、end为排列规则,而不是常规的top 、right 、bottom 跟left? 先不要急着往下翻,大家先思考...

鱼头的Web海洋 1075

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

CSS属性、盒子模型

属性: 1.字体、文本 font-size:字体文字 color:文本颜色 text-align:对齐方式 line-height:行高 2.背景 ...

Jason_LH1024的博客 354

CSS盒子模型、定位方式及其他CSS属性

一:盒子模型 CSS盒子模型是HTML中用于布局和样式的一种模型。它将一个HTML元素看作是一个矩形盒子,由四个部分组成: 内容区(content):包含实际的文本或图像内容。 填充区(padding):围绕内容区的空间,用于控制内容与边框之间的距离。 边框区(border):围绕填充区的线条,用于边框的样式、宽度和边框的颜色。 外边距区(margin):围绕边框区的空白区域,用于控制元素与其它元素之间的距离。 通过设置这些不同的属性,可以对元素的大小、位置、颜色、边框样式等进行调整。在CSS中,

weixin_73054157的博客 319

CSS盒子模型以及相关属性总结

CSS盒子模型以及相关属性总结1. 外边距2. 内边距3. 边框3.1边框样式3.2 圆角边框4. 轮廓线5. display元素显示类型5.1 外部显示类型\5.2 内部显示类型6. visibility控制元素显示隐藏7. 元素尺寸设置7.1 min&max-7.2 fill-available自动撑满可用空间7.3 fit-content根据元素内容适应尺寸大小7.4 min-content/max-content 1. 外边距 声明定义 外边距margin简写声明次序: 上、右、下、左

chen__cheng的博客 1491
上一篇: 查看Linux系统的负载命令
下一篇: 为什么四个字节的浮点类型比八个字节的整型取值范围要大
小赵在练琴
博客等级 码龄5年 104粉丝 13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