iOS 心得二 UICollectionView的基本使用

3.6KW储能双向逆变器(原理图PCB源码) 通过百度网盘分享的文件:优快云 3.6KW储能双向逆变器 链接:https://pan.baidu.com/s/18NN6KnpywFUIDtAQ4b1LTg?pwd=csdn 提取码:csdn 阅读详情

自从ios6之后,苹果给出了这个类,可以使我们快速的块状布局。

废话不多说,直接上代码:


控制器.h

#import <UIKit/UIKit.h>


@interface ViewController : UIViewController<UICollectionViewDataSource,UICollectionViewDelegate>

//九宫格

@property(nonatomic,weak)UICollectionView *collectionView;

//数组

@property(nonatomic,retain)NSArray *array;



@end


控制器.m

#import "ViewController.h"


#import "MyCell.h"


@interface ViewController ()


@end


@implementation ViewController


- (void)viewDidLoad {

    [super viewDidLoad];

    //九宫格加载

    [self loadCollectionView];

    

    //数组内容加载

    self.array = @[@"DMNH5001.jpg",@"DMNH5002.jpg",@"DMNH5003.jpg",@"DMNH5004.jpg",@"DMNH5005.jpg",@"DMNH5006.jpg",@"DMNH5007.jpg",@"DMNH5001.jpg",@"DMNH5002.jpg",@"DMNH5003.jpg",@"DMNH5004.jpg",@"DMNH5005.jpg",@"DMNH5006.jpg",@"DMNH5007.jpg",@"DMNH5001.jpg",@"DMNH5002.jpg",@"DMNH5003.jpg",@"DMNH5004.jpg",@"DMNH5005.jpg",@"DMNH5006.jpg",@"DMNH5007.jpg",@"DMNH5001.jpg",@"DMNH5002.jpg",@"DMNH5003.jpg",@"DMNH5004.jpg",@"DMNH5005.jpg",@"DMNH5006.jpg",@"DMNH5007.jpg"];

}


-(void)loadCollectionView

{

    UICollectionViewFlowLayout *flow = [[UICollectionViewFlowLayout alloc]init];

    flow.itemSize = CGSizeMake(self.view.frame.size.width/3, self.view.frame.size.width/3);

    flow.sectionInset = UIEdgeInsetsMake(0, 0, 0, 0);

    flow.minimumInteritemSpacing = 0;

    flow.minimumLineSpacing = 0;

    UICollectionView *collectionView = [[UICollectionView alloc]initWithFrame:self.view.bounds collectionViewLayout:flow];

    collectionView.delegate = self;

    collectionView.dataSource = self;

    collectionView.backgroundColor = [UIColor whiteColor];

    [self.view addSubview:collectionView];

    self.collectionView = collectionView;

        //适配

    [collectionView setTranslatesAutoresizingMaskIntoConstraints:NO];

    

    //x

    NSLayoutConstraint *conx = [NSLayoutConstraint constraintWithItem:collectionView attribute:NSLayoutAttributeLeft relatedBy:NSLayoutRelationEqual toItem:self.view attribute:NSLayoutAttributeLeft multiplier:1.0f constant:0.0f];

    //w

    NSLayoutConstraint *conw = [NSLayoutConstraint constraintWithItem:collectionView attribute:NSLayoutAttributeRight relatedBy:NSLayoutRelationEqual toItem:self.view attribute:NSLayoutAttributeRight multiplier:1.0f constant:0.0f];

    //y

    NSLayoutConstraint *cony = [NSLayoutConstraint constraintWithItem:collectionView attribute:NSLayoutAttributeTop relatedBy:NSLayoutRelationEqual toItem:self.view attribute:NSLayoutAttributeTop multiplier:1.0f constant:100.0f];

    //h

    NSLayoutConstraint *conh = [NSLayoutConstraint constraintWithItem:collectionView attribute:NSLayoutAttributeBottom relatedBy:NSLayoutRelationEqual toItem:self.view attribute:NSLayoutAttributeBottom multiplier:1.0f constant:0.0f];

    

    //适配数组

    NSArray *array = @[conx,cony,conw,conh];

    [self.view addConstraints:array];

    

    //注册

    UINib *nib = [UINib nibWithNibName:@"MyCell" bundle:nil];

    [self.collectionView registerNib:nib forCellWithReuseIdentifier:@"cell"];


}


#pragma mark---

#pragma mark----九宫格代理

- (NSInteger)collectionView:(UICollectionView *)collectionView numberOfItemsInSection:(NSInteger)section

{

    return self.array.count;

}



- (UICollectionViewCell *)collectionView:(UICollectionView *)collectionView cellForItemAtIndexPath:(NSIndexPath *)indexPath

{

    MyCell *cell = [collectionView dequeueReusableCellWithReuseIdentifier:@"cell" forIndexPath:indexPath];

    cell.icon.image = [UIImage imageNamed:self.array[indexPath.item]];

    return cell;

}


@end




然后就是具体的item的自定义,这和表有一个区别,item必须自己nib去定义,然后在控制器里面注册,这是和表不同的

//注册

    UINib *nib = [UINib nibWithNibName:@"MyCell" bundle:nil];

    [self.collectionView registerNib:nib forCellWithReuseIdentifier:@"cell"];

注册的时候[UINib nibWithNibName:@"MyCell" bundle:nil]里的mycell就是你nib的名字

[self.collectionView registerNib:nib forCellWithReuseIdentifier:@"cell"],cell这个事在nib里面定义的,不是你随便起的名字你要注意,不然运行直接崩溃。他的原理就是和表一样的,只是创建了屏幕那么大的一块区域的item,当你滑动的时候item划上去的会进入一个队列,等你再往下滑的时候他不会重新加载只是从这个队列里取出item就行了。


还有一块就是UICollectionView是需要你来定义它的布局形式,苹果只提供了一种形式:流式布局UICollectionViewFlowLayout

流式布局系统有默认的大小和item之间的间距。当然你可以自己来改变,下面的代码就是改变的布局形式。

UICollectionViewFlowLayout *flow = [[UICollectionViewFlowLayout alloc]init];

    flow.itemSize = CGSizeMake(self.view.frame.size.width/3, self.view.frame.size.width/3);//这个是自定义item的大小

    flow.sectionInset = UIEdgeInsetsMake(0, 0, 0, 0);//item与上左下右的间距

    flow.minimumInteritemSpacing = 0;//item之间垂直方向最小间距

    flow.minimumLineSpacing = 0;//item水平方向最小间距


下面给出自定义item的代码:

#import <UIKit/UIKit.h>


@interface MyCell : UICollectionViewCell

//图片

@property (weak, nonatomic) IBOutlet UIImageView *icon;

//标题

@property (weak, nonatomic) IBOutlet UILabel *title;

@end




#import "MyCell.h"


@implementation MyCell


- (void)awakeFromNib {

}


@end


其实item的代码编写很少,主要是要利用nib


红色圈住的地方就是你最需要注意的地方,一定要和你在控制器填写的一样才行,不然程序运行立即崩溃。


至此,一个简单的九宫格布局结束。


基于深度学习的道路裂缝检测系统完整教程 本文介绍了一种基于深度学习的道路裂缝检测系统完整解决方案。项目采用5466张高质量道路裂缝图像数据集,包含YOLO和Pascal VOC两种标注格式,覆盖多种道路场景。系统利用CNN和YOLO算法实现高效检测,相比传统人工巡检显著提升效率和准确性。文中详细阐述了数据集结构、环境配置和训练流程,包括数据预处理、智能分割策略和质量检查方法。该技术可及时发现道路裂缝隐患,降低维护成本,保障交通安全,为道路养护提供智能化解决方案。 阅读详情

相关推荐

使用AI编写测试用例——详细教程

现阶段AI还不能完全替代人工测试用例编写,但如果把AI当做一个提高效率的工具,它将会是一个很强大的辅助。

公众号|软件测试老吴 3万+

iOS 12 的坑:UICollectionViewCell autolayout self sizing 和 size

问题表现 iOS 12 发布之后,QA 开始给仓薯源源不断地 assign UI 错乱的 bug。我想这是所有工程师都头疼的问题:几百年没改过的地方,突然就有人给你报 bug 了。测了一下,发现都是 iOS 12 特有的 bug,初步认定是苹果的锅。具体有以下几种症状: 之前用 estimated item size 的页面,比如说指定 estimated item size 高度是 80...

box_kun的博客 1693

Fluent动网格实战:5种区域运动类型详解与配置避坑指南

本文详细解析了Fluent动网格技术中的五种区域运动类型,包括固定、刚体、变形、用户自定义和系统耦合,并提供了配置技巧与避坑指南。通过实际案例和参数优化建议,帮助工程师有效解决网格变形、计算稳定性等常见问题,提升CFD仿真效率。

weixin_28339967的博客 417

collectionView 两列横向滑动

如果把  collectionView设为横向滑动 那么 加入两列的话 它的排列就是竖着来排  跟竖向刚好相反

oqqMefuck123456789的专栏 1369

别再为通讯发愁了!手把手教你用PCAN-View调试Kinco步科伺服电机的CANopen

本文详细介绍了如何使用PCAN-View工具调试Kinco步科伺服电机的CANopen通讯,从环境搭建到实战演练,涵盖硬件连接、软件配置及故障排除。通过具体案例和代码示例,帮助工程师快速掌握伺服电机通讯控制技术,解决工业设备通讯难题。

weixin_29189377的博客 266

Flotherm XT新手必看:5分钟搞定自然对流热仿真(附案例文件)

本文为Flotherm XT新手提供了自然对流热仿真的快速入门指南,通过详细的步骤解析和实用技巧,帮助用户在5分钟内完成从建模到后处理的全流程。重点介绍了环境设置、几何建模、材料属性、网格划分等关键环节,并附有案例文件供参考学习,助力工程师快速掌握热仿真技术。

weixin_30839881的博客 635

ios UICollectionViewController集合视图(二)

创建集合视图     与表格一样,集合视图也有两种用法,一种是直接使用集合视图,另一种是使用系统预置的控制器。开发者可以构建一份单独的集合视图实例,并把它添加到界面中,也可以使用更为方便的UICollectionViewController对象,该对象是个预先制备好的视图控制器,其中带有一份集合视图。这个控制器会自动把视图的数据源及委托设置成该控制器本身,而且还会宣称自己遵从两个相关的协议。

ChasingDreamsCoder的博客 470

LDRA Testbed软件静态分析_常见问题及处理

通过前面的几篇文章,LDRA Testbed软件静态分析的内容基本讲解完了,本篇文章将针对使用Testbed进行软件静态分析的常见问题进行介绍。 到此为止,LDRA Testbed软件静态分析的内容已经全部讲完,如果有问题,欢迎私信提问(不经常登录,回复可能不及时,见谅)。下一篇文章将开始讲解如何使用Testbed进行单元测试。

文章主要涉及嵌入式软件开发、测试、项目管理等,欢迎交流,共同进步。 2593

【iOS】UICollectionView的使用方法

UICollectionView 是一个强大的 UIKit 组件,用于展示数据集合,比如图片、文字列表等。它支持复杂的布局,包括网格、瀑布流等。以下是我个人在学习UICollectionView时的笔记。

2301_80467753的博客 2314

4、高光图像滤镜显著改善文本图像的光学字符识别

本文介绍了高光图像滤镜在光学字符识别(OCR)中的应用,详细探讨了其技术原理、实现步骤和在多种场景下的效果。通过增强文本图像的边缘和对比度,高光滤镜显著提升了OCR的识别率,尤其适用于扫描文档、手写笔记和低质量图像。实验结果表明,该方法在不同类型的文本图像中均表现出色,并提出了未来优化方向,如深度学习集成和多模态融合,为OCR技术的发展提供了新的可能性。

ooo22的博客 97

22h2版本的win10安装Docker Desktop时页面空白

摘要:Windows10 22H2系统重装Docker时出现安装界面卡死问题,通过管理员CMD执行静默安装命令解决。命令指定了WSL-2后端及多个自定义数据存储路径(安装目录、Hyper-V数据、Windows容器数据、WSL数据),安装需等待几分钟。最终验证安装成功。

猿小白的博客 665

iOS UICollectionView简单使用

NS_CLASS_AVAILABLE_IOS(6_0) @interface UICollectionView : UIScrollView

程序猿 13万+

硬件电路RS485通信EMC 设计

RS485通讯硬件设计与STM32实现要点 本文详细介绍了RS485通讯系统的硬件设计和STM32实现方案。硬件设计重点包括:采用总线型拓扑结构、120Ω终端电阻匹配、屏蔽双绞线布线、TVS管和自恢复保险丝保护等核心要素。EMC设计强调共模电感抑制干扰、屏蔽层单端接地、光电隔离等技术。软件实现方面,提供了基于STM32F103的完整程序框架,包括UART初始化、收发控制逻辑和中断处理机制,特别强调了收发切换时机、波特率精度等关键注意事项。文中还给出了工业传感器节点的实际应用案例,展示了一个完整的EMC防护电

qq_37999850的博客 1384

UICollectionView的基本使用

这个控件,看起来与UITableView有点像,而且基本的用法也很相像哦!!! 我们来看看API: #pragma mark - UICollectionViewDataSource // 指定Section个数 - (NSInteger)numberOfSectionsInCollectionView:(UICollectionView *)collectionView { re

标哥 3万+

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

【iOS】UICollectionView基本使用

文章目录前言九宫格类布局使用FlowLayout实现瀑布流 前言 UICollectionView 和 UICollectionViewController 类是iOS6 新引进的API,用于展示集合视图,布局更加灵活,可实现多列布局,用法类似于UITableView 和 UITableViewController 类。 使用UICollectionView 必须实现UICollectionViewDataSource,UICollectionViewDelegate,UICollectionViewDe

kochunk1t的博客 4756

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

【iOS】UICollectionView的基本使用

UICollectionViewLayout是一个layout对象,UICollectionView几乎所有的显示效果都由UICollectionViewLayout负责。UICollectionViewFlowLayout是继承自UICollectionViewLayout的,是官方实现的流水布局效果,是一种非常经典的布局效果,应该也是我们最常用的。itemSize 每个item的大小;minimumLineSpacing 每行最小间距;

m0_63852285的博客 2227

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

【iOS】UICollectionView使用

总结了UICollectioinView的基本使用、参差瀑布流式和圆环式布局。其实算是特殊Flow布局的UITableView,但简单的列表仍可以使用UITableViewUICollectionView最大的优势就是通过自定义Layout,实现cell的布局,整体的思路就是:通过一些几何计算,设置好每个item的布局位置和大小一篇较为详细的 UICollectionView 使用方法总结

XY_Mckevince的博客 3190

iOS——UICollectionView

UICollectionView基础: 一, UICollectionView简介: UICollectionView是iOS 6.0之后引入的一种UI控件,类似于tableView有相似的代理方法,但UIColletionView的功能更为强大,可以实现瀑布流,根据开发者的喜好去自定义布局。 二, 简单的使用UICollectionView 下面先实现一个简单的九宫格布局来介绍此控件的一些基本属性。 类似于使用tableView,需要实现两个协议。 分别为1UICollectionViewDelegat

chabuduoxs的博客 3950

iOS Swift版 UICollectionView的使用

前言: Android中的RecyclerView在软件开发已经占到了重要地位。类似地iOS中也有对应的控件–UICOllectionView。有一点需要补充的是,网络上其它关于该控件的介绍使用时都没有提到类似RecyclerView的水平方向上的滚动(非九宫格布局),而本文将浅显地说明如何达到这一效果。在开始学习之前需要先要了解关于UICollection、cell、cell子项(cell内部我们要放入的控件)的概念。 一:导入图片到Assets.xcassets文件夹 这里为了方便演示用到了9张相同的图

kicinio的博客 4827

【iOS】如何给UICollectionView添加headerView

——周技术回顾 我们都知道如何给tableView添加headerView,实现起来比较简单,使用的场景也是比较多,但对于给collectionView添加header的场景就比较少了,今天做到个需求是需要给collectionView添加headerView遇到些问题。主要遇到以下两个问题: 问题一 我用的系统的UICollectionReusableView 那么就会出现一个问题,在header的地方你每次刷新他都会初始化一个view ,打开界面好多个headerView重叠在一起了,于是查了大.

李海军的专栏 8345

【iOS】—— UICollectionView基础

一、UICollectionView基础: 1.简介: UICollectionView是iOS6之后引入的一个新的UI控件,在目前的iOS开发中,使用非常广泛。它和UITableView都继承自UIScrollView,但是它比UITableView更加强大,可以根据需要自定义各种各样复杂的布局。 它和UITableView十分相似,并且很多代理方法都十分类,具体的可以看看苹果官方的文档:UICollectionView - Apple Developer 2.特点: (1)系统自带的流水布局支持水平和垂

m0_55124878的博客 5111

iOS UICollectionView 使用

应用场景: UICollectionView 横滑和竖滑只支持一种,要是想兼用 必须套一下两个UICollectionView一起使用 基本使用 1:首先需要先添加UICollectionView的代理:UICollectionViewDelegate UICollectionViewDataSource UICollectionViewDelegateFlowLayout 2:UI...

KongMuLianHua的博客 2084

IOS-UICollectionView的基本使用以及添加headerView

UICollectionView 说白了就是照片墙 在展示类的App,

阿雷的专栏 5966

iOS UICollectionView学习之一,UICollectionView + storyboard 简单应用

iOS  UICollectionView + storyboard 的应用 1.新建一个项目Single View Application 2.选中项目中的storyboard  ,并且直接往空白页面上拖拽一个 collectionView,并设置相关属性   关联代理 3、创建一个继承  UICollec

万里初心 4214

【iOS】UICollectionView

UICollectionView是iOS6之后引入的一个新的UI控件,它和UITableView有着诸多的相似之处,其中许多代理方法都十分类似。简单来说,UICollectionView是比UITbleView更加强大的一个UI控件,有如下几个方面:1、支持水平与垂直布局2、通过layout配置的方式进行布局3、CollectionView中Item的大小与位置可以自由定义4、通过layout布局回调的代理方法,可以动态的定制每个item的大小和collection的大体布局属性。

weixin_72437555的博客 3165

IOS开发UI篇--使用UICollectionView实现一个无限轮播的案例

一、案例演示本案例Demo演示的是一个首页轮播的案例,支持手动轮播和自动轮播。知识点主要集中在UICollectionView和NSTimer的使用。 二、知识储备2.1、UICollectionView横向布局只需要设置UICollectionViewFlowLayout的scrollDirection为UICollectionViewScrollDirectionHorizontal即可。2.

yixiangboy的博客 1万+
上一篇: iOS 心得一 单元格的动画加载(非autolayout适配模式下)
下一篇: iOS 心得三 工作中遇到的相关要点
猿人在北京
博客等级 码龄11年 92粉丝 94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