vue 学习笔记

【STM32Cube HAL】输入捕获(六)——PWM测量 实验内容:使用通用定时器输入捕获测量信号的脉宽(检测按键按下的时间)。 一、原理图 二、 CubeMX配置 Step1.打开 STM32CubeMX,点击“New Project”,选择芯片型号,STM32F103VETx。 Step2.选择时钟源,并配置时钟树。选择Crystal/Ceramic Resonator,并配置系统时钟为72M。 Step3.配置SYS,我们这里选择的是Serial Wire。(正常情况配置不配置不影响,debug可以使用。但是你不可以把这... 阅读详情

获取到git代码后执行:npm install

1.在数组或者el-table中删除一行数据


<el-table>
<el-table-column label="编号" prop="empNo"></el-table-column>
<el-table-column label="姓名" prop="userName"></el-table-column>
<el-table-column label="操作" >
  <template  slot-scope="scope">
     <el-button type="text" size="small" @click.prevent="del(scope.$index,scope.row)">删除</el-button>
  </template>
</el-table-column>
</el-table>

//单击删除方法
del(index,row){
    this.userData.splice(index, 1)
 }

2.传后台数组方法 

--------------------------------------------------------------------------------
//数组集合转换为字符串,可以传到后台作为参数
JSON.stringify(this.checkUser)

//前台传值方法
this.$axios.post('接口地址',{userList:JSON.stringify(this.checkUser)})
//后台接收方法
String userList=input.get("userList").toString();
//转换数组
List<Map<String, Object>> list = TranUtils.jsonToBeanByTypeReference(userList,new TypeReference<List<Map<String, Object>>>() {});

----------------------------------------------------------------------------------
//字符串转换为json,可以把单个对象传到后台
JSON.parse(JSON.stringify(this.checkUser))

//传值方法
this.$axios.post('接口地址',JSON.parse(JSON.stringify(this.checkUser)))
----------------------------------------------------------------------------------

3.$ref父子页面传值

父页面:

<!--添加用户信息子页面-->

<template>

 <AddMessage

      :visble.sync="addDialog"

      v-if="addDialog"

      ref="AddMessage"

      @successCallback="sureAddHandle">

</AddMessage>

</template>

export default {
  components: {
    AddMessage,
  }
methods: {
     //添加用户弹窗
     addUserHandle() {
      //AddMessage标签中必须声明ref="AddMessage"
      this.$nextTick(() => {
        this.$refs.AddMessage.orgId=this.orgId;  //页面传值
        this.$refs.AddMessage.init();   //调用子页面方法
      })
    }
 }
}

props传值方法:

父页面:

在标签中直接调用
<targetMessage
      ref="targetMessage"
      :visible.sync="targetDialogShow"
      :eid="eid"
      :evaType="measurementForm.evaType"
      :showButton="showButton"
      @closedHandler="closedHandler"
></targetMessage>

引入页面
<script>
  import targetMessage from './targetManagement/targetConfigure.vue'
</script>

子页面:


export default {
  props: {
    visible: Boolean,
    eid: {
      type: Number,   //参数类型
      require: true,  //是否必填
    },
    evaType: {
      type: Number,
      require: true,
    },
    showButton:{
      type:Boolean,
      require:true
    }
  }
}

4.页面跳转传值

this.$router.push({path:'/management',query:{page:this.currentPage}})

页面接收参数:

data() {

    return {

               currentPage:this.$route.query.page==undefined?1:Number(this.$route.query.page)

      }

}

标颜色的地方有区别

5.子页面调用父页面方法

子页面:

createFunc(){

 this.$emit('successCallback', paperId)  //调用父页面方法

}

父页面:

<template>
    <addEvaPaperDialog

      ref="addEvaPaperDialog"

      :visible.sync="isShowAddEvaPaperDialog"

      @successCallback="addEvaPaperDialogSureAddHandle" >

   </addEvaPaperDialog>
</template>

script中代码

addEvaPaperDialogSureAddHandle(pId) {

      this.isShowAddEvaPaperDialog = false

      this.$router.push({

        name: 'evaquestion',

        query: { pId: pId, isView: 'false',page:this.page.currentPage }

      })

}

6.提示组件

   alter提示


this.$alert('请选择数据!','提示',{
   confirmButtonText: '确定',
   type: 'warning'
 })

效果:

confirm提示

this.$confirm('确定要删除吗?','提示',{
      confirmButtonText: '确定',
      cancelButtonText: '取消',
      type: 'warning',  //类型有success,error,info和warning
      showCancelButton: true,  //是否显示取消按钮
      showClose: false, //是否显示右上角的x
      closeOnClickModal: false, //是否可以点击空白处关闭弹窗
    }).then(()=>{
      console.log('执行删除')
  }).catch(()=>{
      console.log('取消删除')
})

 效果:

7.获取el-table选中的值

<el-table :border="true"  :data="targetData" :header-cell-style="{ 'text-align': 'center' }"  max-height="350" @selection-change="handleSelectionChange">
   <el-table-column type="selection"></el-table-column>
    <el-table-column label="名字" prop="targetName"></el-table-column>
    <el-table-column label="组名字" prop="groupName"></el-table-column>
    <el-table-column label="标签名字" prop="labelName"></el-table-column>
 </el-table>

<script>
export default {
 data() {
    return {
       delArrayId:[],  //ID集合
     }
  }
  methods: {
    //表格选中事件
    handleSelectionChange(val){
      this.delArrayId=val;
    }
  }
}
</script>

8.el-dialog 自定义样式

<template>
 <el-dialog title="弹窗" :visible.sync="visible" :before-close="handleClose">
   <div class="tip-container">
      asdfasdfasdfasd
   </div>
   <div slot="footer">
      <el-button @click="()=>{this.visible=false}">取消</el-button>
      <el-button type="primary" @click="()=>{this.visible=false}">确定</el-button>
   </div>
 </el-dialog>
</template>

//scoped属性说明,组件的私有化,不对全局造成样式污染,表示当前style属性只属于当前模块。父组件是无法操作子组件的样式的
<style lang="scss" scoped>
::v-deep .el-dialog__body {
  border-top: 1px solid #dcdfe6;
  border-bottom: 1px solid #dcdfe6;
  padding: 15px 30px;
  overflow-y: auto;
  height: 450px;
  max-height: 85% !important;
  min-height: 70%;
}

::v-deep .el-dialog__title {
  font-size: 20px;
  font-weight: bold;
}

::v-deep .el-dialog__footer {
    padding: 10px 10px 10px;
    text-align: right;
}
</style>
//::v-deep说明:样式穿透,只能在scoped样式中使用。:deep() 适用于全局样式和嵌套组件中的样式

效果图:

肖特基二极管的反向恢复过程 本博客简述肖特基二极管反向恢复过程。 阅读详情

相关推荐

物联网定位技术|实验报告|实验一 Wi-Fi指纹定位

全球定位系统是迄今为止应用最为成功的地位系统,具备高精度的定位能力,但在室内和高楼密布的城区等信号遮挡严重的密集环境中,由于接受机捕获不到足够强度的卫星信号,GPS的定位质量难以保证甚至无法完成定位,使其可用性受到严重制约。由于室内环境下都普及了WiFi,因此利用WiFi进行定位无需额外部署硬件设备,是一个非常节省成本的方法。

m0_57656758的博客 3357

Vue删除表格中的某一行数据

1、传入索引参数 <el-tooltip effect="light" content="删除" placement="top-start"> <el-button id="delDetailCol" type="danger" size="mini" icon="el-icon-delete" @@click="delDetailCol(scope.row,scope.$index)"></el-button> </el-tooltip> 2、

瘾丶病的博客 1万+

AIOps智能运维:从数据治理到故障自愈的实践指南

AIOps(智能运维)通过融合人工智能与运维管理,构建了感知-决策-执行的闭环体系。其核心技术包括多维度数据采集、机器学习算法和自动化执行,显著提升了告警治理、故障定位和容量预测的效率。在数据层,全量性、实时性的数据采集是基础,而算法层的异常检测和根因分析则依赖统计方法、孤立森林和LSTM等模型。AIOps尤其适用于处理告警风暴和复杂系统故障,如在电商大促中通过K-Means聚类减少92%的告警量。随着云原生和边缘计算的普及,AIOps正逐步实现与Service Mesh、Serverless等技术的深度集

weixin_30175731的博客 290

Vue3/VueJS技术学习笔记

Vue3/VueJS技术学习笔记 1、第一个Vue.js应用程序 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>hello-vue</title> <!--导入Vue.js,开发环境版本,包含了有帮助的命令行警告--> <script src="https://cdn.jsdelivr.net/npm/

microvulome的博客 1451

STM32H7 FOC控制时序优化与PWM中点更新策略

在永磁同步电机(PMSM)的磁场定向控制(FOC)系统中,控制时序精度是决定电流环带宽、观测器收敛性与动态响应能力的基础要素。其核心在于理解PWM生成、ADC采样与控制计算三者之间的硬件级时间耦合关系——尤其在中心对齐模式下,标准更新机制引入的半周期延迟会破坏电压-电流瞬时映射,导致滑模观测器失配与高频相位滞后。通过将PWM更新事件绑定至重复计数器(RCR)清零点,可实现控制指令在开关周期中点生效,使等效电压矢量中心与计算时刻严格对齐。该策略显著提升系统确定性,为20 kHz以上高频电流环提供物理支撑,并广

flink9streamer的博客 859

BK7238(XH-WB3S)固件烧录实战:从AT固件选择到稳定下载全解析

本文详细解析了BK7238(XH-WB3S)模组固件烧录的全过程,从AT固件版本选择到稳定下载的实战技巧。重点介绍了烧录前的准备工作、硬件连接的正确姿势、烧录软件的实战技巧以及疑难问题排查指南,帮助开发者高效完成BK7238模组的固件烧录。

weixin_29159441的博客 255

vuejs的学习笔记

1、npm npm:NPM 全称 Node Package Manager,它是 JavaScript 的包管理工具, 并且是 Node.js 平台的默认包管理工具。通过NPM 可以安装、共享、分发代码,管理项目依赖关系。 -v:表示查看版本号。 npm init 命令初始化项目:新建一个 npm-demo 文件夹,通过命令提示符窗口进入到该文件夹,执行命令进行初始化项目,根据提示输入相关信息,如果使用默认值,则直接回车即可。package name: 包名,其实就是项目名称,注意不能有大写字母,vers

a15107071954的博客 513

电磁场仿真软件:Sonnet_(1).Sonnet软件概述

根据特定需求自定义仿真流程,如多频率点仿真、多边界条件仿真等。

kkchenjj的博客 1455

Vuejs学习笔记1

Hello Vuejs el是用来设置Vue实例挂载(管理)的元素; date:数据对象 Vue中用到的数据定义在data中;data中可以写复杂类型的数据; 渲染复杂类型数据时,遵守js的语法即可; 声明式编程好处:实现数据与界面的完全分离 Vue列表展示 app.movies.push('海王') 可直接添加新元素至数组中 vue案例 使用 v-on 将 add 和 sub 分别绑定给 + 和 - 按钮 MVVM(Model-View-ViewM...

okiki_的博客 792

Qt实现窗口自适应分辨率大小

如果希望窗口大小始终保持与屏幕分辨率一致,可以将上述代码放在窗口的resizeEvent()函数中。这样,每当窗口大小发生变化时,都会自动调用resizeEvent()函数,从而实现窗口大小的自适应调整。在Qt中,可以通过一些简单的方法实现窗口大小随分辨率变化而自适应调整。获取到当前屏幕的分辨率后,可以根据需要调整窗口的大小。无论在何种分辨率下运行应用程序,窗口都能够正确地自动调整大小,提供更好的用户体验。除了调整窗口大小,还可以考虑将窗口设置为最大化,以充分利用屏幕空间。步骤2:调整窗口大小。

FuJavascript的博客 3660

3篇1章6节:R基础绘图之图形的保存和导出技巧

高质量图形导出是R语言用户在数据分析和科研工作中的重要技能。通过合理控制图形的分辨率、选择合适的颜色管理方案和文件格式,以及掌握批量保存图形的技巧,可以显著提升图形的展示效果和应用范围。这不仅有助于提高研究成果的展示质量,还能在各种专业场合中展现数据分析的精确性和美观性。

MD Code 1483

【vuejs】2/5vue学习笔记

### 准备开始 ------ #### 学员反馈 凃凃老师, 该拓展的一定要拓展, 即使有部分同学跟起来吃力 , 以后工作很可能在项目中遇到相似问题, 至少知道老师讲过 , 有对照也好解决. 可以说清楚有哪些必须掌握, 有哪些让有余力的同学掌握. #### 复习 - vue单文件方式 xxx.vue - 1:准备好配置文件 package.json(包描述文件&&...

南北极之间 227

26版SPSS操作教程(高级教程第十章)

#大道之行,在于坚持 #本期内容:二分类Logistic回归模型 #由于导师最近布置了学习SPSS这款软件的任务,因此想来平台和大家一起交流下学习经验,这期推送内容接上一次高级教程第九章的学习笔记,希望能得到一些指正和帮助~

你好! 1600

Vue学习笔记二:Vue-cli开启Vuejs项目

一、什么是Vue-cli Vue-cli是Vue的脚手架工具,即帮助我们写好Vue.js基础代码的工具。 目录结构 本地调试 代码部署 热加载 单元测试 二、安装Vue-cli node -v //查看node版本 npm install -g vue-cli //全局安装vue-cli 三、使用Vue-cli创建Vuejs项目 vue init webpack <ap...

10 DAY'S 239

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

【vuejs】1/5vue 学习笔记

代码: *************************** es6复习以及vue入门 ### 准备开始 ------ #### 学员反馈 下午感觉要起飞了,给我们点时间练一下 保留最终解释权 晕晕乎乎的一天就过去了 保留最终解释权 1.后端代码的抽取感觉还可以,前端代码抽取懵,关于哪...

南北极之间 352

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

vuejs学习笔记 vue生命周期 初始化

目录Vue生命周期初始化阶段模板编译阶段挂载阶段卸载阶段new vue()被调用时发生了什么_init()callHook函数内部原理 Vue生命周期 分为四个阶段 初始化阶段,模板编译阶段,挂载阶段,卸载阶段 初始化阶段 new create() -> created之间 初始化属性,事件及响应式数据 props,methods,data,computed,watch,provide,inject 模板编译阶段 created -> beforeMount之间 只在完整版里有,将模板编译成渲染

dizzydwarf的博客 587

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Vue学习笔记

Java后端所必备的前端知识

qq_51313170的博客 1575

Vue2+Vue3学习笔记

v2v3https://v3.cn.vuejs.org/ 会重定向到Vue.js - 渐进式 JavaScript 框架 | Vue.jsVue.js - 渐进式的 JavaScript 框架从v2过渡到v3在F盘创建v2+v3学习笔记并用VSCODE打开。

tiantiantbtb的博客 2031

vue学习笔记 | 二、安装vuejs 并用小例子初体验vue

安装vuejs 安装vue的方式: 方式一:直接cdn引入 <!-- 开发环境版本,包含了有帮助的命令行警告 --> <script src="https://cdn.jsdelivr.net/npm/vue/dist/vue.js"></script> <!-- 生产环境版本,优化了尺寸和速度 --> <script src="https://cdn.jsdelivr.net/npm/vue"></script> 方式二:下

唐家小妹的博客 225

VUE学习笔记

vue学习笔记

qq_31210287的博客 1923

Vuejs学习笔记终

Vuejs学习笔记 学习资料来源于哔哩哔哩网课 Vue学习Vue Day 01一. Vuejs1.1. 认识Vuejs1.2. 安装Vue1.3. Vue的初体验1.4. Vue中的MVVM1.5. 创建Vue时, options可以放那些东西代码规范二.插值语法三. v-bind3.1. v-bind绑定基本属性3.2. v-bind动态绑定`class`3.3. v-bind动态绑定style四. 计算属性计算属性的setter和getter计算属性的缓存Vue Day 02五. 事件监听5.1 v-o

菜鸟Player的博客 452

vue学习笔记

vue学习笔记

初心不改,事在人为 128

Vue学习笔记之基础篇

本文为Vue学习笔记,内容主要来源于Vue官方教程。过程中将某些API与React做了对比,方便更好地理解以及加深记忆。

Babyfaceqian的博客 768

Vue3 学习笔记

hook。

liqinjv的博客 1383

Vue2学习笔记

1.组件化编码流程:(1)拆分静态组件:组件要按照功能点拆分,命名不要与html元素冲突。(2)实现动态组件:考虑好数据的存放位置,数据是一个组件在用,还是一些组件在用;1)一个组件在用:放在组件自身即可。2)一些组件在用:放在他们共同的父组件上(状态提升(3)实现交互:从绑定事件开始。(1)父组件 ==> 子组件 通信(2)子组件 ==> 父组件 通信(要求父先给子一个函数)3.使用v-model时要切记:v-model绑定的值不能是props传过来的值,因为props是不可以修改的。

XS666666666的博客 1906
上一篇: linux重启tomcat命令
下一篇: Java笔记
code12313
博客等级 码龄11年 39粉丝 53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