html5移动web开发,jquery语法特点

基于Html5的移动端APP开发框架 快速增长的APP应用软件市场,以及智能手机的普及,手机应用:Native(原生)APP快速占领了APP市场,成为了APP开发的主流,但其平台的不通用性,开发成本高,多版本开发等问题,一直困扰着专业APP开发企业,和APP服务提供商。 安卓和IOS的操作方式,开发模式,界面UI显示方面的差别,也使得原生APP的不同版本体验有很大的区别,光是做兼容性调测,都要花费开发企业不少的时间。 近年来,另一种 阅读详情

可以通俗并相对不严谨地理解为 1em 是一个汉字的宽度。

  • REM

相对长度单位,这个单位代表根元素的 font-size 大小(例如 元素的font-size)。比如根元素的 font-size 为 16px,则 1rem = 16px。

vh 相对长度单位,视口高度的 1/100。

vw 相对长度单位,视口宽度的 1/100。

总得来说,REM 是根元素 font-size 的长度单位,也是移动端适配的解决方案之一。

动态 REM


随着移动端设备越来越多,尺寸屏幕也大小不一。那么如何给页面写 CSS 呢?以下是几种移动端适配的方案:

  • 给每个设备尺寸定制一套 CSS

缺点:工作量大,不切实际

  • 使用响应式

缺点:需要区分多个尺寸区段,开发效率也不高

  • 使用百分比布局

缺点:宽高不好确定

  • vw/vh 方案

元素的宽高使用 vw/vh 长度单位,与设备视口宽高关联

缺点:兼容性有问题

  • REM 方案

一切单位以设备宽度为准

使用 JS 把页面宽度转化为根元素的 font-size,然后再用与根元素 font-size 相关联的 rem 单位定义元素宽高,这样就等于使用了 rem 间接与页面宽度产生联系,确定了比例,从而实现等比缩放。

代码演示:

这样的话,当我们需要在屏幕宽度为 720px 的设备上显示一个宽为 50% 高为 25% 的元素时,我们就可以给这个元素添加样式:

.ele{

width:5rem; /* 原尺寸360px/根元素font-size72px */

height:2.5rem; /* 原尺寸180px/根元素font-size72px */

}

优化 REM


由于换算 px 和 rem 太麻烦,所以可以使用 Scss 函数对 px 单位进行自动换算。

  • scss 安装与使用

npm config set registry https://registry.npm.taobao.org/

touch ~/.bashrc

echo ‘export SASS_BINARY_SITE=“https://npm.taobao.org/mirrors/node-sass”’ >> ~/.bashrc

小编13年上海交大毕业,曾经在小公司待过,也去过华为、OPPO等大厂,18年进入阿里一直到现在。

深知大多数初中级前端工程师,想要提升技能,往往是自己摸索成长或者是报班学习,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年Web前端开发全套学习资料》送给大家,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友,同时减轻大家的负担。

img
img
img
img

由于文件比较大,这里只是将部分目录截图出来,每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注:前端)
img

结尾

正式学习前端大概 3 年多了,很早就想整理这个书单了,因为常常会有朋友问,前端该如何学习,学习前端该看哪些书,我就讲讲我学习的道路中看的一些书,虽然整理的书不多,但是每一本都是那种看一本就秒不绝口的感觉。

以下大部分是我看过的,或者说身边的人推荐的书籍,每一本我都有些相关的推荐语,如果你有看到更好的书欢迎推荐呀。

开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

看一本就秒不绝口的感觉。

以下大部分是我看过的,或者说身边的人推荐的书籍,每一本我都有些相关的推荐语,如果你有看到更好的书欢迎推荐呀。

开源分享:【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

前端学习书籍导图-1

《HTML5移动Web开发指南》读后笔记 阅读详情

相关推荐

HTML5跨平台移动开发实例教程

jQuery Mobile是一个为触摸优化的移动web框架,它允许开发者创建一个响应迅速、符合标准、且能够运行在各种不同平台上的移动web应用。这个框架的诞生有着两个重要的背景因素:一是移动设备的普及,二是在此之前市场上缺少一个能够在不同设备和平台上提供一致用户体验的解决方案。在技术特点上,jQuery Mobile利用HTML5、CSS3和JavaScript等web技术,提供了一套丰富的用户界面组件和主题框架。

weixin_31659095的博客 1236

html solid 属性,html solid属性 Html 中如何设置 div边框的颜色

麻烦家说下。它般都用在何处??是指css border-tyle 吧1.none:表示没 2.solid:表示单线 3.double:表示双线 4.groove:表示凹槽 5.redge:表示皱纹 6.dotted:点线(貌似IE6下效果等同于dashed) 7.dashed:虚线其他属性去尝试下就看到效果了如给div定义宽度为1像素红色单线边框复html5中,canvas的solid属性表示什么...

weixin_42539414的博客 9225

微信移动端答题卡特效:jQuery与HTML5实现

本文还有配套的精品资源,点击获取 简介:本项目通过结合jQuery、HTML5和CSS技术,创建了一款适用于微信移动端的互动答题卡特效。该特效旨在提供一个用户体验良好的微信积分测试平台,让用户在手机上享受视觉效果和互动性。通过使用jQuery处理用户交互,HTML5构建答题页面结构,并利用CSS实现响应式设计和动画效果,我们开发了一个富有吸引力且易用的答题平台。项目文件结构...

weixin_30476025的博客 1101

Html5添加SVG的轻量级jQuery进度条插件教程

一、使用方法 使用该jQuery进度条插件需要引入jQuery和jquery.progress.js文件。 二、Html结构 该jQuery进度条的HTML结构使用一个元素来制作。 三、初始化插件 在页面DOM元素加载完毕之后,可以通过下面的方法来初始化该进度条插件。 var progress = $("#container").Progress({ perc

keymob的博客 606

HTML5, PhoneGap与jQuery Mobile综合开发教程

PhoneGap是一个使用HTML、CSS和JavaScript来构建跨平台移动应用的开源框架。通过PhoneGap,开发者可以使用标准的Web技术创建应用程序,然后将这些应用程序打包成特定平台的原生应用。它的工作原理是通过一个称为桥接的中间层,这个层允许Web技术与原生平台的API进行交互。PhoneGap的功能包括但不限于以下几点:原生API访问能力:利用PhoneGap提供的插件机制,可以访问原生设备的功能,如摄像头、文件系统、地理位置、传感器等。设备兼容性。

weixin_30951515的博客 856

HTML5移动Web开发指南(完整版)

本书主要围绕HTML5技术,讲述如何利用HTML5相关技术开发移动Web网站和WebApp应用程序。本书共分为四大部分,第一部分主要讲述Web技术的发展及HTML5标准在移动Web技术中的应用;第二部分主要介绍HTML5的新功能和新特性如何在移动设备浏览器中使用及相关展望;第三部分主要介绍目前比较流行的两套JavaScript移动开发框架jQueryMobile、SenchaTouch,以及PhoneGap,并配备丰富的例子作为实践;第四部分主要结合SenchaTouch框架库和HTML5技术构建进行讲解,旨在帮助读者将HTML5技术运用于实践之中。

html5JQ进度条,jquery实现的一个简单进度条效果实例

jquery实现一个进度条的效果,或许在这里没有什么实际的作用,但是已经实现了进度条的部分原理,前端是怎么实现那种进度效果的。效果演示:进度条实现源码:jquery实现进度条.progressBar{width:200px;height:8px;border:1px solid #98AFB7;border-radius:5px;margin-top:10px;}#bar{width:0px;he...

weixin_39889329的博客 433

GR00TN1.7国内本地下载+模型下在+hugingface无法连接,本地模型下载

GR00TN1.7

alsj123456的博客 99

html5怎么写数字时间,html5+jQuery实现数字时钟/模拟时钟

CSS3 Digital Clock with jQuerybody{background:#202020;font:bold 12px Arial, Helvetica, sans-serif;margin:0;padding:0;min-width:960px;color:#bbbbbb;}a {text-decoration:none;color:#00c6ff;}h1 {font: 4em...

weixin_35876299的博客 524

Unity新手必看:5分钟搞定TextMeshPro中文乱码,告别小方块(附7000+常用字库)

本文详细介绍了Unity中TextMeshPro中文乱码问题的解决方案,包括快速生成中文字体的步骤和优化技巧。通过使用支持中文的.ttf字体文件和自定义字符集,开发者可以在5分钟内解决TMP显示小方块的问题,提升游戏或应用的文本显示效果。

weixin_33095355的博客 363

【KDD2024】ShapeFormer:用于多元时间序列分类的Shapelet Transformer

多元时间序列分类(MTSC)因其在现实世界中的广泛应用而吸引了大量研究关注。最近,Transformer在MTSC中取得了先进的性能。然而,

m0_52597077的博客 4748

html5 jq图片效果,HTML5 jQuery可左右滑动拖拉的照片处理前后对比界面

CSS语言:CSSSCSS确定/*CLEARFIX*/body{margin: 0;}.clearfix:after {content: ".";display: block;clear: both;visibility: hidden;line-height: 0;height: 0;}.clearfix {display: inline-block;}html[xmlns] .clearfix...

weixin_39754267的博客 2483

统信UOS/麒麟ARM桌面版,不联网也能用Docker部署MySQL 5.7(离线部署详解)

本文详细介绍了在统信UOS/银河麒麟ARM桌面版系统中,如何离线部署MySQL 5.7的完整流程。通过Docker技术实现环境隔离和依赖封装,解决了封闭网络环境下的部署难题,包括资源准备、系统配置、容器化部署及安全加固等关键步骤,为政企和科研场景提供实用解决方案。

weixin_30892037的博客 230

html5移动web开发,jquery语法特点,我们究竟还要学习哪些前端知识

相对长度单位,这个单位代表根元素的 font-size 大小(例如 元素的font-size)。比如根元素的 font-size 为 16px,则 1rem = 16px。vh 相对长度单位,视口高度的 1/100。vw 相对长度单位,视口宽度的 1/100。总得来说,REM 是根元素 font-size 的长度单位,也是移动端适配的解决方案之一。动态 REM随着移动端设备越来越多,尺寸屏幕也大小不一。那么如何给页面写 CSS 呢?缺点:工作量大,不切实际。

2401_84004024的博客 1155

【AutoSAR】【BootLoader】AutoSAR Bootloader 原理与流程

目录 一、HIS规范 二、BOOTLOADER软件架构 三、烧写流程 一、HIS规范 国外整车厂意识到在线刷新ECU的重要性,由奥迪公司、宝马公司、戴姆勒公司、保时捷公司、大众公司成立一个委员会,名为HIS委员会,专门负责帮助汽车制造商掌握微处理器控制单元软件和质量保证领域的原理和方法; HIS Bootloader的主要功能是通过标准的通信接口对ECU进行再编程 。 HIS Bootloader的软件设计基于AUTOSAR体系架构、ISO14229、ISO15765-2、HI...

专注汽车软件开发、AutoSAR、车载以太网、SOA、EE架构。 5251

【OpenClaw从入门到精通】第17篇:OpenClaw巨头布局实战:阿里CoPaw/腾讯云/百度/火山引擎深度拆解(2026实操版)

2026年OpenClaw以22.8万星标登顶GitHub,引发阿里、腾讯、百度、字节等互联网巨头入局角逐。本文基于公开技术文档与实测经验,深度解析四大巨头的OpenClaw布局战略:阿里云CoPaw的全栈托管、腾讯云的流量入口绑定、百度智能云的搜索生态内嵌、火山引擎的极致智力供给。从核心原理、算法构建、实操流程三个维度,提供可直接落地的接入方案,包含完整代码示例与执行结果验证。通过流程图可视化核心架构,搭配避坑指南与选型矩阵,帮助新手快速上手、进阶读者实现多厂商协同部署。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1685

Web前端教程零基础入门,html5移动web开发,jquery语法特点,前端面试题汇总

va、Linux运维、云计算、MySQL、PMP、网络安全、Python爬虫、UE5、UI设计、Unity3D、Web前端开发、产品经理、车载开发、大数据、鸿蒙、计算机网络、嵌入式物联网、软件测试、数据结构与算法、音视频开发、Flutter、IOS开发、PHP开发、.NET、安卓逆向、云计算**由于换算 px 和 rem 太麻烦,所以可以使用 Scss 函数对 px 单位进行自动换算。// $designWidth : $(window).width() css获取屏幕宽度。

2301_77118221的博客 598

STM32CubeMX之DAC产成正弦波

“在之前的文章中曾经介绍过用TIM产生PWM做DAC用,STM32定时器输出PWM做DAC。部分型号的STM32单片机内部有专用的DAC,本篇文章将介绍如何用内部DAC+DMA产生正弦波...

zhang062061的专栏 1513

【精品教程】HTML5移动Web开发指南文档分享

本书主要围绕HTML5 技术,讲述如何利用HTML5 相关技术开发移动Web 网站和Web App 应 用程序。本书共分为四大部分,第一部分主要讲述Web 技术的发展及HTML5 标准在移动Web 技术 中的应用;第二部分主要介绍HTML5 的新功能和新特性如何在移动设备浏览器中使用及相关展望; 第三部分主要介绍目前比较流行的两套JavaScript 移动开发框架jQuery Mobile、

u013490060的专栏 1649

数据资产可视化分析:PowerBI在大数据管理中的实战

目的:帮你搞懂“为什么数据资产需要可视化?”“PowerBI能帮企业解决什么问题?”,并掌握用PowerBI做大数据可视化的实战技巧。范围:覆盖数据资产定义、可视化分析原理、PowerBI核心功能(数据连接、建模、可视化)、零售企业实战案例,以及未来趋势与挑战。背景:为什么企业的数据像乱堆的玩具?核心概念:数据资产、可视化分析、PowerBI分别是什么?它们怎么配合?实战步骤:用PowerBI帮零售企业整理“销售玩具箱”,做出能指导决策的仪表盘;应用场景:不同部门怎么用这个“整理好的玩具箱”?

2501_92132293的博客 907

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

用于HTML5移动开发的10大移动APP开发框架

今天给大家介绍10款有关HTML5移动开发APP开发框架,这几款框架都是比较优秀的移动 Web 开发框架,能够帮助开发者更加高效的开发移动Web应用。.   十款移动APP开发框架: 1.jQuery mobile框架 2.bootstrap框架 3.ionic框架 4.Mobile Angular UI框架 5.Intel XDK框架 6.Appcelerator Ti

jinhui157的博客 2077

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

HTML5开发移动web应用—JQuery Mobile(3)-列表

Jquery Mobile中提供了制作列表的组建,它的data-view为listview。下面是一个典型的Jquery Mobile列表,代码如下: 有序列表: 列表项 列表项 列表项 无序列表: 列表项 列表项 列表项 上面我们定义了两种类型的列表,一个是有序列表(ul),

fareise的博客 2556

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")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

常用移动web开发框架

纯粹的总结一下移动web开发框架,移动web开发框架有jQuery Mobile 、Sencha Touch等等,他们都来源于web开发,是成熟的框架,jQuery Mobile出自于jQuery家族,Sencha Touch来自于ExtJS。jQuery Mobile 和Sencha Touch都是比较成熟老牌的框架,项目中也有应用。国内也有公司,像BAT巨头也在探索和实现了适合自己的移动web...

简单 8315

html5移动web开发指南,HTML标签之表单标签

学习建议 在你开始入手学习前,有一些小的建议。根据我自己学习的经验发现,这些建议在现在乃至我以后的岗位生涯里都是有很大帮助的。还有就是开始学习前,建议可以先花几天时间,查找一些如何入门的文章,通过对许多文章及前人的建议。整理出适合自己学习的一套完整计划,然后在学习过程中,在自己对前端更加了解之后,做出一些计划的调整。 比如先根据一份思维导图学习,再根据自己实际情况制定路线 我相信,在这样的计划学习之下比一来就开始学习具体知识要快速有效得多。 1、建议的学习步骤 (1)HTML标签(网页结构标记语言) +C

m0_60297729的博客 233
上一篇: CSS 自动显示“全文”链接,详细讲解
下一篇: Java反序列化之ysoserial URLDNS模块分析(1)
普通网友
博客等级 码龄5年 4697粉丝 610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