墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
4.6k累计阅读
4.7k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
弹出的键盘, 点击键盘上的收起键盘的按钮, 无回调.
安卓: 键盘上自带收起键盘
iOS: 安装第三方键盘可以尝试
通常, 我们判断键盘收起, 是判断input或者 textarea 的失去焦点, 作为收起键盘的依据.
但是, 当我们点击键盘上的收起键盘, 上述判断就无效了.
因为我们还需要加上如下的操作:
bindkeyboardheightchange="keyboardheightchange"
keyboardheightchange: function(e) {
let { height, duration } = e.detail;
const isShow = height > 0;
this.setData({
showKeyBoard: isShow
})
},
微信小程序聊天输入框被键盘遮挡？5分钟搞定bindkeyboardheightchange事件监听
本文详细解析了微信小程序中聊天输入框被键盘遮挡的常见问题及其解决方案。核心在于利用bindkeyboardheightchange事件监听键盘高度变化，并动态调整输入框定位，实现输入框随键盘升降而完美跟随。文章还深入探讨了问题根源、不同机型的适配要点，并提供了封装可复用组件的进阶实战指南，帮助开发者打造流畅的聊天交互体验。
微信小程序通过获取键盘高度解决键盘弹出挡住输入框问题
获取 event 下的 detail 下的 height 这三次 任何一个拿不到就直接赋值0。bindkeyboardheightchange是一个小程序官方事件 用于监听键盘高度的变化。但当真的运行在手机上时 就会发现 这键盘一弹出来 就挡住我们的输入框了。我们这里就可以在这个事件中 将键盘高度赋值给focusHeight。我在这里写了个输入名称的头 在电脑上看着这输入效果还是挺优秀的。这个就可以按键盘高度 设置与底部距离 从而在键盘上面了。然后 给我们弹层 加上一个固定定位。
uni-app移动端键盘交互优化：解决发送后收起与iOS遮挡问题
在移动应用开发中，键盘与页面的交互是影响用户体验的关键环节。其核心原理在于理解键盘弹起会改变视口可用高度，而输入框失焦则会触发键盘收起。这一机制的技术价值在于保障用户输入流程的连续性与可视性，是提升产品专业度的重要细节。在聊天、评论、表单填写等高频输入场景中，糟糕的键盘交互会直接导致操作中断。针对使用uni-app框架开发跨平台应用时常见的“发送消息后键盘意外收起”和“iOS端键盘弹起遮挡输入框”这两个痛点，开发者需要掌握主动控制焦点与动态调整布局的工程实践方法。通过合理运用`confirm-hold`属性
一个微信小程序textarea设置最大输入后，多获取了键盘中的数据BUG解决
textarea显示的内容和获取到的内容不符，原本应该只有两百字，但是获取到的包括了键盘中的字，超过了200字。@input（虽然找了半天才发现这个很好用，记录一下，显得我很蠢），后面就解决了，憨憨办法。监听键盘弹起和收下，控制输入的内容前两百字（自定义最大字数）
微信小程序使用车牌号输入法
在做小程序时，做了一个关于车的项目，然后需要添加车辆信息、添加车牌号，使用车牌键盘输入，当时我把这个需求给砍了，然后在添加车辆信息时，老大看到数据库里我乱填的车牌号，又让我把他加上了^o^ 1.效果图 2.相关代码 使用组件形式实现键盘输入 组件代码index.wxml <view class="carPlate" wx:if="{{show}}"> <bloc...
微信小程序 - 解决软键盘弹起遮挡输入框的问题，微信小程序input输入框被弹出的软键盘遮挡住一半或全部挡住了（键盘弹起时页面整体上移导致输入框被盖住挡住一部分，textarea同样可解决适用保搞定）
微信小程序防止输入框被键盘遮住，微信小程序软键盘弹起遮挡输入框的问题，微信小程序输入框拉起软键盘时，输入框显示不全，被软键盘挡住一半，弹出键盘时遮挡输入框，小程序苹果ios输入框被键盘遮挡，小程序底部input输入框，键盘弹起时页面整体上移问题解决，iOS微信小程序键盘弹出时输入框被挡住，微信小程序textarea软键盘遮挡解决方案，微信小程序底部输入框，键盘弹起时页面整体上移问题，input在底部时，会被弹出的键盘遮住，微信小程序弹出键盘遮挡住输入框，UniApp微信小程序页面输入框被弹出的键盘遮挡住，弹
上传文件 微信小程序input_微信小程序基础之input输入框控件
今天主要详写一下微信小程序中的Input输入框控件，输入框在程序中是最常见的，登录，注册，获取搜索框中的内容等等都需要，同时，还需要设置不同样式的输入框，今天的代码中都要相应的使用。input输入框的相关属性：首先主页面中将登录的样式进行了简单展示和使用，代码如下：用户名：bindinput="userNameInput"/>密 码：bindinput="passWdInput" /&...
微信小程序 - 实现车牌输入功能，自定义车牌号输入法组件（键盘弹出后输入车牌号，可自定义各地区及界面样式）超详细注释组件插件示例源码
微信小程序车牌号组件,车牌号键盘,兼容新能源号牌微信小程序组件(车牌号输入微信小程序使用车牌号输入法的示例代码微信小程序使用车牌号输入法小程序车牌输入组件微信小程序自定义车牌输入组件(车牌输入框及车牌模拟键盘)微信小程序中实现车牌输入功能微信小程序自定义车牌输入键盘微信小程序 车牌号输入组件使用车牌号输入法的微信小程序微信小程序车牌键盘组件实现微信小程序车牌组件代码微信小程序车牌输入法微信小程序车牌键盘微信小程序使用车牌号输入法的示例代码微信小程序车牌号输入组件(虚拟键盘)微信小程序实现输入车牌号码的功能
微信小程序 仿微信聊天界面
当软键盘弹起时，将scroll-view的高度缩短至软键盘遮挡不到的屏幕上方部分，当软键盘收起时，再将scroll-view的高度还原，这样解决了遮挡问题。（3）（推荐）将所有msg都编号如：msg-0，msg-1，msg-2…（1）计算每条消息的最大高度，设置scroll-top=(单条msg最大高度 * msg条数)px。在scroll-view中添加：scroll-into-view=‘{{toView}}’，点击输入框弹出软键盘后，将已有的少许聊天内容弹出，导致看不到的问题。
微信小程序 - 获取软键盘高度解决键盘弹出挡住输入框情况，点击textarea、input框唤起键盘并动态获取键盘高度彻底处理软键盘弹出后挡住底部输入框的问题（完美兼容安卓Android与苹果ios）
微信小程序中点击input框唤起键盘，动态获取键盘高度，微信小程序通过获取键盘高度解决键盘弹出挡住输入框问题，底部输入框获取键盘高度动态设置，iOS微信小程序键盘弹出时输入框被挡住，小程序底部input输入框，键盘弹起时页面整体上移问题解决，当input输入框位于页面底部时，输入框聚焦后键盘弹起，页面会整体上移，将输入框所在位置定位到键盘上方，微信小程序如何获取软键盘高度，uniapp输入框被软键盘遮挡的问题，微信小程序键盘弹出挡住输入框问题解决方案，解决微信小程序底部textarea被键盘遮挡的问题，底部
Flink CDC 3.0 详解
Flink CDC 是基于数据库日志 CDC（Change Data Capture）技术的实时数据集成框架，支持全增量一体化、无锁读取、并行读取、表结构变更自动同步、分布式架构等高级特性。配合Flink 优秀的管道能力和丰富的上下游生态，Flink CDC 可以高效实现海量数据的实时集成。Flink CDC 于2023年12月7日重磅推出其全新的 3.0 版本，3.0版本的发布对 Flink CDC 而言具有里程碑的意义，自此 Flink CDC 从捕获数据变更的Flink 数据源正式迈向为以 Flink
移动端输入框与键盘交互优化：解决iOS遮挡与发送后键盘收起问题
在移动应用开发中，输入框与软键盘的交互是影响用户体验的关键环节。其核心原理涉及视口（Viewport）管理、焦点（Focus）控制以及不同操作系统（如iOS与Android）对布局处理机制的差异。从技术价值看，优化键盘交互能显著提升用户粘性和操作效率，尤其在聊天、评论、表单填写等高频输入场景中至关重要。具体到工程实践，开发者常需处理两大典型问题：一是发送消息后键盘意外收起，打断连续对话流；二是iOS平台上键盘弹起时遮挡输入框，导致“盲打”体验。本文聚焦于**UniApp**和**微信小程序**环境，通过状态
地心地固坐标系与北天东坐标系的转换
经过这一步旋转，x3轴和y3轴就处在过O3点的经度线所在的平面了，而且z3轴指向了东。将图3的坐标系旋转成图2的样子。这里需要多次旋转，每次以某个轴为对称轴进行旋转，对应的坐标变换参考。的原点在地心，Z轴指向北极点，X轴指向本初子午线与赤道的交点，Y轴指向符合右手定则，如下图所示。下面实现地心地固坐标系到北天东坐标系的转换，问题描述为：设一点。以y1轴为对称轴，顺时针旋转90°，得到图4的样子。，X轴指向北，Y轴指向天，Z轴指向东，如下图所示。因此，北天东坐标下的坐标为。点在图3坐标系下的坐标。
微信小程序(原生) ios系统点击输入框页面出先左移
微信小程序的输入框出现“左移”问题通常与键盘弹起时页面的布局或样式处理不当有关。这种问题可能是因为输入框或页面容器没有正确处理键盘弹起和收起时的变化，导致输入框出现偏移或页面错乱。输入框位于视图之外时，滚动页面。
用RK3588+FPGA搞定Cameralink高速相机？这份保姆级硬件选型与接口配置指南请收好
本文详细介绍了如何利用RK3588与FPGA构建Cameralink高速相机系统，涵盖硬件选型、接口配置及性能优化等关键步骤。通过异构计算架构和精准的带宽分配，实现工业视觉检测和科研成像领域的高效解决方案，特别适合需要实时处理的复杂应用场景。
C++跨平台Word文档处理库DuckX实战指南：从原理到项目集成
在C++开发中，处理Office文档，尤其是Word文件，常因缺乏原生易用的库而面临挑战。Office Open XML（OOXML）作为.docx文件的基础标准，其本质是包含XML文件的ZIP压缩包。理解这一原理，开发者便能通过解析和操作XML来实现文档的读写。DuckX库正是基于此，为C++提供了轻量级的解决方案。它封装了底层的ZIP处理和XML解析，提供了简洁的面向对象API，其技术价值在于实现了跨平台、无外部依赖的Word文档自动化生成与处理。这尤其适用于服务器端、嵌入式环境或需要脱离Office软
uni-app实现智能emoji键盘切换的跨平台方案
在移动应用开发中，键盘交互优化是提升用户体验的关键环节。系统键盘与自定义面板的切换涉及焦点管理、事件响应和动画过渡等核心技术，尤其在uni-app这样的跨平台框架下，需要处理iOS、Android及小程序等不同环境的兼容性问题。通过合理控制键盘收起/展开时序、动态计算布局高度以及添加CSS过渡效果，可以实现接近原生体验的交互流程。本文以即时通讯场景为例，详细解析如何构建智能emoji键盘切换方案，其中涉及uni.hideKeyboard平台API调用、nextTick异步控制等热词技术点，并提供了微信小程序
UE5 StateTree实战：用分层状态机重构你的AI行为逻辑（附蓝图配置避坑点）
本文详细介绍了UE5中StateTree分层状态机的实战应用，帮助开发者重构AI行为逻辑。通过核心概念解析、迁移策略、高级技巧和避坑指南，展示了StateTree在灵活性、可维护性和并行处理方面的优势，特别适合复杂AI行为的开发与优化。
Uniapp微信小程序自定义导航栏与Scroll-View自动填充布局实战
在移动端开发中，UI适配是保障用户体验的基础环节，尤其涉及不同设备屏幕尺寸与安全区域的兼容性问题。其核心原理在于精确获取系统状态栏、导航栏等关键高度信息，并通过CSS Flex布局与动态样式计算实现内容区域的自动填充。这一技术方案对于构建专业、一致的跨平台应用界面具有重要价值，广泛应用于需要高度定制化顶部导航栏的电商、社交等小程序场景。本文聚焦于Uniapp框架下的微信小程序开发，针对自定义导航栏与剩余空间自动填充这一高频需求，提供了从方案设计、核心变量计算到组件化封装的完整工程实践指南，并深入探讨了异形屏
Python经典编程习题100例：第32例：相反顺序输出列表
不要自卑，去提升实力 互联网行业谁技术牛谁是爹 如果文章可以带给你能量，那是最好的事！请相信自己 加油o~ 本人初学Python，只为熟悉语法编写，大神请勿理会 点击下面链接 Python经典编程100例习题汇总 题目描述： 按相反的顺序输出列表的值。 解题思路： > 利用reverse函数逆序 代码： arr=['f','g','e','b'] print(arr) arr.reverse() print(arr) ...
【智能车Code review】——拐点的寻找
CROSSROAD：十字拐点 ROUNDISLAND：环岛拐点 rightfindflag[i]:表示第i行的右线是否被找到，1为找到，0为没有找到 flag_find_huan_rightdown_point :找到环岛右下拐点标志 flag_find_huan_rightmiddle_point:找到环岛右中拐点标志 找拐点的思路：观察一段数据中数据点的走向趋势，并且保证这段数据是准确的。在摄像头畸变比较严重的情况下这种方法不再适用 关于函数的调用请见：https://blog.youkuaiyun.com/qq.
uniapp之app、微信小程序实现输入框发送消息键盘不收起、解决iOS端键盘弹起遮挡输入框问题
uniapp微信小程序、APP输入框发送消息不失焦问题解决，uniapp iOS键盘遮挡输入框问题解决
第14.10章 高翔博士最新开源框架Lightning-LM源码解读（十）：在线定位run_loc_online涉及到的核心模块总结
本文对Lightning-LM激光SLAM定位框架进行了全面剖析。该框架是一个轻量高效的激光雷达建图与定位系统，支持3D SLAM、动态图层管理等功能。文章首先介绍了项目概况和源码结构，包括核心模块如定位系统(loc_system)、激光匹配(lidar_loc)和位姿图优化(pose_graph)等。接着详细解析了各模块的关键函数和运行流程，如数据接收处理、NDT匹配和位姿优化等。最后总结了学习该框架所需的C++知识要点，包括智能指针、多线程编程等现代C++特性。该分析为SLAM开发者提供了实用的架构参考
关于ios端微信input框键盘收起留白
关于ios端微信input框键盘收起留白问题 关于ios端微信input框键盘收起留白问题 document.body.addEventListener("focusout", () => { //软键盘收起的事件处理 setTimeout(() => { const scrollHeight = document.documentElement.scrollT...
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');```[](https://bitdeli.com/free "Bitdeli Badge")
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
微信小程序键盘弹起时,底部输入框抬起至键盘上方,顶部导航栏固定不动
在微信小程序中,常见的页面布局是顶部导航栏和底部输入框固定不动,中间内容部分自适应。但是当键盘弹起时整个页面被挤压,导致元素上移或被覆盖,业务希望在这种情况下,输入框能自动抬起至键盘上方,顶部导航栏保持固定,不被顶上去。2.在页面的onLoad生命周期中监听键盘事件,记录键盘弹起的高度,并将高度赋值给inputBoxBottom。
VB摄像头监控
该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制
如何处理微信7.0中，ios下软键盘弹出后，点击完成不收起的bug
最近做项目发现在iOS12.*系统里的微信7.0版本下，input输入框会产生个很怪的bug：软键盘弹出后，点击完成后键盘并没有收起。 该bug在iOS自带的Safari浏览器里面是没有任何问题的，于是找度娘狂搜了一番 ...
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
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
346
扫一扫
