META标签详解

meta标签大全 <meta charset="UTF-8"> //声明字符的编码**防止出现乱码 <meta http-equiv="x-UA-Compatible" content="IE=edge"> //避免IE使用兼容模式(必须放在前面否则无效) <meta name="viewport" content="width=device-width, initial-sca... 阅读详情

META标签,是HTML语言head区的一个辅助性标签。在几乎所有的page里,我们都可以看到类似下面这段html代码:

----------------------------

<head>

<meta http-equiv="Content-Type" content="text/html; charset=gb2312">

</head>

---------------------------

这就是meta标签的典型运用。meta标签有多少参数,有什么作用,为什么我们要特别重视它呢?让我们一起来发掘meta标签的奥妙!

根据HTML语言标准注释:meta标签是对网站发展非常重要的标签,它可以用于鉴别作者,设定页面格式,标注内容提要和关键字,以及刷新页面等等。

meta标签分两大部分:HTTP-EQUIV和NAME变量。

●HTTP-EQUIV类似于HTTP的头部协议,它回应给浏览器一些有用的信息,以帮助正确和精确地显示网页内容。常用的HTTP-EQUIV类型有:

1.expires(期限)

说明:可以用于设定网页的到期时间。一旦网页过期,必须到服务器上重新调阅。

用法:<META HTTP-EQUIV="expires" CONTENT="Wed, 26 Feb 1997 08:21:57 GMT">

注意:必须使用GMT的时间格式。

2.Pragma(cach模式)

说明:禁止浏览器从本地机的缓存中调阅页面内容。

用法:<META HTTP-EQUIV="Pragma" CONTENT="no-cache">

注意:这样设定,访问者将无法脱机浏览。

3.Refresh(刷新)

说明:需要定时让网页自动链接到其它网页的话,就用这句了。

用法:<META HTTP-EQUIV="Refresh" CONTENT="5;URL=http://www.webjx.com">

注意:其中的5是指停留5秒钟后自动刷新到URL网址。

4.Set-Cookie(cookie设定)

说明:如果网页过期,那么存盘的cookie将被删除。

用法:<META HTTP-EQUIV="Set-Cookie" CONTENT="cookievalue=xxx;

expires=Wednesday, 21-Oct-98 16:14:21 GMT; path=/">

注意:必须使用GMT的时间格式。

5.Window-target(显示窗口的设定)

说明:强制页面在当前窗口以独立页面显示。

用法:<META HTTP-EQUIV="Window-target" CONTENT="_top">

注意:用来防止别人在框架里调用你的页面。

6.Content-Type(显示字符集的设定)

说明:设定页面使用的字符集。(我们在前面字体设计中已经介绍过它的作用)

用法:<meta http-equiv="Content-Type" content="text/html; charset=gb2312">

      7 、Page-Exit /Page-Enter(进入页面、离开页面动画效果)
   使用meta标签,我们还可以在进入网页或者离开网页的一刹那实现动画效果,我们只要在页面的
   html代码中的<head></head>标签之间添加如下代码就可以了:
 
   <meta http-equiv="Page-Enter" content="revealTrans(duration=5, transition=23)">
   <meta http-equiv="Page-Exit" content="revealTrans(duration=5, transition=23)">
   一旦上述代码被加到一个网页中后,我们再进出页面时就会看到一些特殊效果,这个功能其实与
   FrontPage2000中的Format/Page Transition一样,但我们要注意的是所加网页不能是一个Frame
   页;Duration的值为网页动态过渡的时间,单位为秒。Transition是过渡方式,它的值为0到
   23,分别对应24种过渡方式。如下表:

0 盒状收缩
1 盒状放射
2 圆形收缩
3 圆形放射
4 由下往上
5 由上往下
6 从左至右
7 从右至左
8 垂直百叶窗
9 水平百叶窗
10 水平格状百叶窗
11 垂直格状百叶窗
12 随意溶解
13 从左右两端向中间展开
14 从中间向左右两端展开
15 从上下两端向中间展开
16 从中间向上下两端展开
17 从右上角向左下角展开
18 从右下角向左上角展开
19 从左上角向右下角展开
20 从左下角向右上角展开
21 水平线状展开
22 垂直线状展开
23 随机产生一种过渡方式

●meat标签的NAME变量语法格式是:

<META NAME="xxx" CONTENT="xxxxxxxxxxxxxxxxxx">

其中xxx主要有下面几种参数:

1.Keywords(关键字)

说明:keywords用来告诉搜索引擎你网页的关键字是什么。

举例:<META NAME ="keywords" CONTENT="life, universe, mankind, plants,

relationships, the meaning of life, science">

2.description(简介)

说明:description用来告诉搜索引擎你的网站主要内容。

举例:<META NAME="description" CONTENT="This page is about the meaning of

life, the universe, mankind and plants.">

3.robots(机器人向导)

说明:robots用来告诉搜索机器人哪些页面需要索引,哪些页面不需要索引。

CONTENT的参数有all,none,index,noindex,follow,nofollow。默认是all。

举例:<META NAME="robots" CONTENT="none">

4.author(作者)

说明:标注网页的作者

举例:<META name="AUTHOR" content="webjx,web@webjx.com">

以上是meta标签的一些基本用法,其中最重要的就是:Keywords和description的设定。

为什么呢?道理很简单,这两个语句可以让搜索引擎能准确的发现你,吸引更多的人访问你的站点!根据现在流行搜索引擎(Lycos,AltaVista等)的工作原理,搜索引擎首先派出机器人自动在www上搜索,当发现新的网站时,便检索页面中的keywords和decription,并将其加入到自己的数据库,然后再根据关键词的密度将网站排序。

也就是说:

1. 如果你的页面中根本没有Keywords和description的meta标签,那么机器人是无法将你的站点加入数据库,网友也就不可能搜索到你的站点。

2. 如果你的关键字选的不好,关键字的密度不高,被排列在几十甚至几百万个站点的后面被点击的可能性也是非常小的。

所以,我们必须记住添加keywords和description的meta标签,并尽可能写好关键字和简介。

写keywords的禁忌是:

1.不要用常见词汇。例如www,homepage,net,web等。

2.不要用形容词,副词。例如最好的,最大的等。

3.不要用笼统的词汇,要尽量精确。例如不用"摩托罗拉手机",改用"V998"等

寻找合适的关键词的一个技巧是:到lycos,Alta,infoseek等搜索引擎,搜索与你内容相仿的网站,查看排名前十位的网站的meta关键字,copy下来用到自己的站点上。

这里,我们举一段微软多媒体网站的关键字供你参考:

<meta name="keywords" content="joke, music, MP3, media, audio,

joke of the day, downloads, free music, horoscope, radio, video,

music downloads, movies, radio station, media player, free,

download, weather, horoscopes, windows media technologies,

online, radio station guide, free download">

另外为了提高搜索点击率,这里还有一些"邪门歪道":

1.为了增加关键词的密度,将关键字隐藏在页面里(将文字颜色定义成与背景颜色一样)。

2.在图象的alt注释语句中加入关键字。

如:<IMG SRC="xxx.gif" Alt="keywords">

3.利用HTML的注释语句,在页面代码里加入大量关键字。

用法: <!--- 这里插入关键字 --->  

WebApp里的Meta标签大全 我们前端人员经常写html, 但是老是忽略meta 所以这里关于webap里meta标签的使用定义,这种情况下使用的含义 立即下载

相关推荐

COMSOL仿真分析高压直流GIS/GIL绝缘性能优化

高压直流气体绝缘设备(GIS/GIL)的绝缘性能是保障电网可靠运行的关键。通过COMSOL Multiphysics多物理场仿真,可以深入分析气固界面电场分布与电荷积聚机理。该技术结合静电场、热场和电荷传输耦合计算,能准确模拟温度梯度对SF6气体与环氧树脂界面特性的影响。工程实践中,这类仿真可优化导体结构设计、改进绝缘材料配方,并建立电场-温度关联预警模型。特别是在80℃高温工况下,仿真显示界面电荷密度会显著增加23%,这对设备安全运行具有重要指导价值。

weixin_32075843的博客 192

META标签的奥妙[转载]

META标签,是HTML语言head区的一个辅助性标签。在几乎所有的page里,我们都可以看到类似下面这段html代码:----------------------------------------------------------------------------------------------这就是meta标签的典型运用。meta标签有多少参数,有什么作用,为什么我们要特别重视它呢?

Jimbor Studio 1337

EWF写保护功能详解:从安装到实战操作指南

本文详细介绍了EWF写保护功能的安装与实战操作指南。EWF(Enhanced Write Filter)通过重定向写入操作保护硬盘分区,特别适合需要长期稳定运行的系统场景。文章涵盖从安装准备、图形界面操作到命令行高级管理的全流程,并提供了常见问题的解决方案,帮助用户轻松掌握这一实用工具。

weixin_28710999的博客 446

前端 学习笔记2 标签

1. HTML语法规范 1.1 基本语法概述 HTML标签是由尖括号包围的关键词 所有的标签都包含在 <> 中,大部分情况下是成对出现的。 双标签: <html></html> 前面的叫开始标签,后面的叫结束标签。(结束标签有 / ) 单标签: <br /> 1.2 标签关系 双标签关系可分为:包含关系 并列关系 包含关系: <head> <title> </title> </head> 并

Neflibata_mo的博客 634

STM32G474多通道ADC电压采集:软件触发与单次转换实战

本文详细介绍了STM32G474多通道ADC电压采集的实战方法,重点讲解了软件触发与单次转换的实现技巧。通过硬件设计、HAL库配置、多通道轮询采集及数据处理等环节的详细解析,帮助开发者高效完成精确电压采集任务。文章还提供了常见问题调试技巧和性能优化建议,适用于需要高精度电压监测的嵌入式应用场景。

weixin_28720767的博客 462

【Codesys】-扫描添加失败,手动添加第三方模块,真·DC模式的高速计数模块

欧姆龙耦合器(NX-ECC201)和高速计数模块(NX-EC0132)单独使用。扫描设备添加到Codesys中,会报错,无法自动添加。记录一下,以防忘记。高速的计数保证了位置的准确性,位置准确就能保证裁切的精度,一切的基础就在这儿了,奈何目前只有欧姆龙和倍福能做到这样的波形。

qq_35316470的博客 1388

常用的meta标签有哪些

常用的meta标签有哪些

weixin_66134429的博客 793

STM32F4驱动ADS1220高精度ADC:从SPI配置到数据校准的完整实战指南

本文详细介绍了如何使用STM32F4微控制器驱动ADS1220高精度ADC,涵盖从SPI接口配置、寄存器设置到数据采集与校准的全过程。通过实战代码示例和硬件设计要点,帮助开发者快速构建高精度数据采集系统,适用于工业测量和精密仪器等应用场景。

weixin_26918763的博客 224

html5meat标签,网页meat标签作用及技巧详解

为什么要使用html的meta标签?1、meta标签是内嵌在你网页中的特殊html标签,包含着你有关于你网页的一些隐藏信息。Meat标签的作用是向搜索引擎解释你的网页是有关哪方面信息的。对于高级的搜索引擎来说,html 的meta 标签并不是什么新奇的东西。但是无论如何它是一个优秀网页不可缺少的。下面我们就它进行一些讲解吧。2、meta标签在网站SEO操作中是非常重要的。尽管如此,一般的网页加入m...

weixin_39632293的博客 1039

Ubuntu22.04安装ros(一键搞定)

然后发现可以一键安装,话不多说,直接终端输入如下指令。回车之后系统会自动安装ros。

m0_47313541的博客 7413

知识图谱设计简记

知识图谱是一种语义化的知识表示框架,通过实体-关系-属性三元组形式表达现实世界关联。其核心价值在于关联化整合数据、支持可解释性推理和赋能智能化应用。知识图谱可分为通用型和领域型两类,基本构成包括实体、关系、属性等基础元素,以及本体和实例等架构层元素。设计方法主要有自上而下、自下而上和混合式三种,需遵循业务导向、一致性等原则。在建模时需要明确属性与实体的判断标准,规范处理关系的方向性与对称性,并合理构建多重关系。主流技术框架如RDF和属性图体系均支持多重关系建模,选择需考虑业务需求。本体作为知识图谱的概念骨架

生活在别处 358

Meta标签详解

Meta标签详解,在网上转的,希望对大家有用也作为自己的一个知识的复习   引言   您的个人网站即使做得再精彩,在“浩瀚如海”的网络空间中,也如一叶扁舟不易为人发现,如何推广 个人网站,人们首先想到的方法无外乎以下几种:     ● 在搜索引擎中登录自己的个人网站     ● 在知名网站加入你个人网站的链接   ● 在论坛中发帖子宣传你的个人网站   很多人却忽视...

weixin_30364147的博客 152

光学传播仿真软件:SPEOS_(14).建筑物内光环境仿真

在建筑物内光环境仿真中,材料属性的定义直接影响光的传播和反射效果。SPEOS提供了丰富的材料库,但也可以自定义材料属性以满足特定需求。创建新材料选择Materials->。输入材料名称和类型。配置材料属性选择材料对象,打开属性编辑器。设置反射率、透射率、表面粗糙度和颜色。# 导入SPEOS模块# 创建新材料# 配置材料属性custom_material.set_reflectivity(0.8) # 设置反射率为0.8。

kkchenjj的博客 1246

meta标签之详解

作者:pizi  meta标签之详解 [2003-10-7 14:51:21]      meta是html语言head区的一个辅助性标签。几乎所有的网页里,我们可以看到类似下面这段的html代码:<head><meta http-equiv="content-Type" content="text/html; charset=gb2312"></head>    也许你认为这些代

cyhai的专栏 2394

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

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

meta标签详解

meta标签详解 ...

代码无常,怀疑人生 4199

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

HTML的meta标签详解

HTML的meta标签详解 是什么 <meta> 标签是用来描述文档[[元数据]]的元素标签。 在哪里 <meta> 标签一般放置在HTML文档的 <head> 标签中 什么时候用 需要向能够读取网页代码的程序或人提供额外信息和特殊行为指令时,比如: 为HTML解析器提供当前页面所使用的字符集 为HTML解析器提供当前页面内容所使用的编码格式 为搜索引擎提供关键词、作者等SEO内容 让HTML解析器执行页面重定向操作 让HTML解析器按照某种指定的模式渲染页面 为用户提

林中路 2722

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")

上一篇: 深入的理解嵌套类和内部类
下一篇: Blob,Clob字段
daniel112
博客等级 码龄21年 24粉丝 6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