在Silverlight应用程序中进行数据验证

本文介绍在Silverlight应用中实现数据验证的方法。通过设置属性并利用验证错误事件,可在输入不合法时捕获异常并提示用户。

 

概述

众所周知,在ASP.NET应用程序中,我们可以使用验证控件进行数据输入的验证,遗憾的是在Silverlight中并没有提供任何验证控件,但Silverlight对于双向数据绑定还是提供了一些基本的数据验证支持,我们可以在set设置器中定义验证规则,并对于不合法数据抛出异常,最后通过捕获验证错误事件来实现数据的验证。

本文 将介绍在Silverlight应用程序中如何进行数据验证。

准备知识

Silverlight中如下两种情况下,将会触发验证错误:

1.在绑定引擎中执行数据转换时抛出异常

2.在业务实体的set设置器中抛出异常

为了在验证出错时能够接收到通知,我们必须要在绑定对象上设置如下两个属性为true:

ValidatesOnExceptions:告诉绑定引擎当有异常发生时创建一个验证异常

NotifyOnValidationError:告诉绑定引擎当有验证错误发生或者错误排除时触发BindingValidationError事件

这两个属性都定义在Binding类中,如下代码所示:

TerryLee_0154

BindingValidationError事件定义在FrameworkElement中,通过它可以接收到ValidationErrorEventArgs类型的参数,而在ValidationErrorEventArgs中定义了一个很重要的属性Action,它的定义如下:

TerryLee_0155

这里Added表示新增一个验证异常,Removed表示排除了一个验证异常。下面通过一个实例我们看一下如何使用它们进行数据的验证。

实例

首先我们编写一个简单的业务类,由于数据绑定验证只能在双向绑定中,所以这里需要实现INotifyPropertyChanged接口,如下代码所示,在set设置器中我们对于数据的合法性进行检查,如果不合法则抛出一个异常:

/// <summary>
/// 
Author:TerryLee

/// 
http://www.cnblogs.com/Terrylee

/// </summary>

public class 
Person 
: INotifyPropertyChanged

{
    public event 
PropertyChangedEventHandler 
PropertyChanged;
    private int 
_age;
    public int 
Age
    {
        get 
{ return 
_age; }
        set 
{
            if 
(value 
< 0)
                throw new 
Exception
("年龄输入不合法!"
);
            _age = value
;
            if 
(PropertyChanged != null
)
            {
                PropertyChanged(this
, new 
PropertyChangedEventArgs
("Age"
));
            }
        }
    }

    private 
String 
_name = "Terry"
;
    public 
String 
Name
    {
        get 
{ return 
_name; }
        set 
{
            if 
(value
.Length < 4)
                throw new 
Exception
("姓名输入不合法!"
);
            _name = value
;
            if 
(PropertyChanged != null
)
            {
                PropertyChanged(this
, new 
PropertyChangedEventArgs
("Name"
));
            }

        }
    }

    public void 
NotifyPropertyChanged(String 
propertyName)
    {
        if 
(PropertyChanged != null
)
        {
            PropertyChanged(this
, new 
PropertyChangedEventArgs
(propertyName));
        }
    }
}

编写数据绑定,如下代码所示,设置NotifyOnValidationError和ValidatesOnExceptions属性为true,并且定义BindingValidationError事件:

<!--
    http://www.cnblogs.com/Terrylee
-->

<
StackPanel 
Orientation
="Horizontal" 
Margin
="10">
    <
TextBox 
x
:
Name
="txtName"  
Width
="200" 
Height
="30"
            
Text
="{
Binding 
Name
,
Mode
=TwoWay,
            
NotifyOnValidationError
=true,
            
ValidatesOnExceptions
=true}"
            
BindingValidationError
="txtName_BindingValidationError">
    </
TextBox
>
    <
my
:
Message 
x
:
Name
="messageName"></
my
:
Message
>
</
StackPanel
>
<
StackPanel 
Orientation
="Horizontal" 
Margin
="10">
    <
TextBox 
x
:
Name
="txtAge" 
Width
="200" 
Height
="30"
            
Text
="{
Binding 
Age
,
Mode
=TwoWay,
            
NotifyOnValidationError
=true,
            
ValidatesOnExceptions
=true}"
            
BindingValidationError
="txtAge_BindingValidationError">
    </
TextBox
>
    <
my
:
Message 
x
:
Name
="messageAge"></
my
:
Message
>
</
StackPanel
>

实现BindingValidationError事件,在这里可以根据ValidationErrorEventAction来判断如何进行处理,在界面给出相关的提示信息等,如下代码所示:

/// <summary>
/// 
Author:TerryLee

/// 
http://www.cnblogs.com/Terrylee

/// </summary>

void 
txtAge_BindingValidationError(object 
sender, ValidationErrorEventArgs 
e)
{
    if 
(e.Action == ValidationErrorEventAction
.Added)
    {
        messageAge.Text = e.Error.Exception.Message;
        messageAge.Validation = false
;
    }
    else if 
(e.Action == ValidationErrorEventAction
.Removed)
    {
        messageAge.Text = "年龄验证成功"
;
        messageAge.Validation = true
;
    }
}

好了,现在来看一下最后的验证效果,如下图所示:

TerryLee_0156

TerryLee_0157

通过这样的方式,我们就可以在Silverlight中对于数据输入做验证 了。

 

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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