jeecg boot 菜单选项后打开新选项,选择后的子选项内容

jeecg-boot项目点击菜单时,在新窗口打开一个新页面 阅读详情

我们可能在使用表单过程中在确定一个属性后,需要打开对应的子选项

先给大家看一下例子

当我选择了其他后,显示出其他的input 菜单

下面直接贴代码

<a-col :span="16">
<a-form-item label="专业特长" v-bind="validateInfos.hobbiesAndTalents">
<j-dict-select-tag
v-model:value="formData.hobbiesAndTalents"
placeholder="请输入技术信息"
dictCode="zx04"
:disabled="isDisabledAuth('user:xzxxbj')" />
</a-form-item>
</a-col>
<a-col :span="16">
<a-form-item v-if="formData.hobbiesAndTalents === '其他'" label="其他专业特长" v-bind="validateInfos.otherMajor">
<a-textarea
v-model:value="formData.otherMajor"
:rows="4"
placeholder="其他专业特长"
:disabled="isDisabledAuth('user:xzxxbj')"
/>
</a-form-item>
</a-col>

a-col  是行标签   核心代码v-if="formData.hobbiesAndTalents === '其他'"  在from里面判断专业特长变量formData.hobbiesAndTalents  是否等于其他,我们也可以写别的,通过这个方法控制要不要填写子选项内容

Jeecg-Boot 更换首页 踩坑日记 记录jeecgboot更换、去掉首页或自定义首页的方式; 阅读详情

相关推荐

jeecg-boot登录页与首页UI定制:从标题栏到用户菜单的全面优化指南

本文提供了一份Jeecg-Boot项目登录页与首页UI的全面定制指南。详细讲解了如何从浏览器标签页图标、加载页开始,逐步修改登录表单、布局、Logo,并深度优化首页导航栏、用户菜单及页脚等核心组件,帮助开发者将默认的“官方样板间”界面升级为符合自身品牌与业务需求的个性化系统。

weixin_29012677的博客 378

jeecg如何在一个页面使用按钮选择弹出选择框

1.在页面需要的地方加上如下代码: id="userId" name="userId" type="hidden" style="width: 150px" class="inputxt" ignore="ignore"/> name="userName" class="inputxt" value="" id="userName" readonly="readonly" datatype=

昊天卍上帝的博客 3756

Jeecg-boot权限添加数据规则

一、在jeecg-boot项目中首先用admin账户添加菜单 如图: 二: 在菜单"更多"中选择“数据规则"添加数据规则 如图: 三:在角色中给老师添加授权 如图: OK,此处不要以为就完了 ,在后台还要添加注解呢! 四: 在后台查询的list方法上添加注解 如图: 这样就OK了,亲测有效。 注意 @PermissionData(pageCompone...

yspxiaopanni的博客 1万+

jeecg-boot(Online表单 / 控件及代码生成菜单配置)

## 1、online表单开发 1) 创建表单 例:创建 md_test_task 任务测试表 选择 “ Online表单开发 ” 菜单 ; “ 新增 ” 表单,输入新增表单 “ 表名 ” 和 “ 表描述 ”,表类型选择 “ 单表 ”,清空自动创建的表字段信息; 根据需求创建表字段信息,进行相对应字段的数据库属性、页面属性、校验字段、外键、索引、查询等配置 ; 完成基础表字段配置后,进行数据库同步 ; 数据库同步成功后,点击 “ 功能测试 ” 进行 “ Auto在线表单功能测试

M_meng1025的博客 1万+

jeecg-boot列表“更多”新增按钮并打开自定义详情界面

这里写自定义目录标题jeecg-boot列表“更多”新增按钮传参并打开自定义详情界面 jeecg-boot列表“更多”新增按钮传参并打开自定义详情界面 一、新增标签“库位” 二、写点击事件 三、新页面引入接收代码 四、路由增加 五、menu菜单添加打开新页签代码 六、回列表界面点击 【备注】本人小白,通过自我学习摸索实现功能,如有其它好的方法,也希望能留言介绍,不足之处请谅解! ...

weixin_40377831的博客 3542

jeecg如何创建报表并配置到菜单中

当使用jeecg创建单表之后,需要进行报表显示,并把报表配置到菜单中,该如何操作呢?下面进行详细讲解。这里以课程表这张表为例进行讲解。一.表单创建完成,并配置好菜单栏。具体步骤略,如下图:二.创建积木报表1.左侧边栏展开低代码开发菜单,进入报表设计器栏目2.进入后,显示积木报表,这里是报表配置的入口3.可以选择报表类型,有数据报表,图形报表和打印设计。一般情况下,excel类型的显示,都是数据报表,这里需要进行展示形式的变换,所以选择的是数据报表。

极客栈 3247

JEECG_3.7.2新版本入门讲解—UI标签库专题

JEECG_3.7.2新版本入门讲解—UI标签库专题(UI标签库的使用和二次开发实战)

jeecg-boot配置菜单

一.创建表单页面 1.菜单栏-->在线开发--online表单开发-->新增 2.进入新建表单页面 3.更多->同步数据库 4.权限管理 4.更多->生成试图 5.更多->试图管理->权限管理 (试图里的权限管理和前面 单表上的权限控制都要开启,才能最终生效) 勾选需要的权限 6.生成试图(速度更快) 7.角色授权 先选择角色,再选择右侧的权限,点保存(保存按钮太小,不要忘记点,否则会跳过去,页面没提示) 按钮...

极客栈 8715

jeecg-boot online代码生成器应用

jeecg-boot online代码生成器应用 本文主要讲jeecg-boot 使用online代码生成器生成的代码如何在jeecg-boot中使用 关于jeecg-boot的安装入门请参考我另一篇 https://blog.youkuaiyun.com/YaoChiZaoFan/article/details/106474187 首先启动jeecg-boot的前后端项目 使用默认密码admin/123456 登录前端项目 1.在线开发-----online表单开发-----新增表 键入表名等必要字段----

一个菜鸡儿 5363

linux基线检查、基线加固、安全漏扫、系统漏洞、centos7、文尾部附脚本

等保三级-CentOS Linux 7合规基线检查 风险分类:系统-等保三级-CentOS Linux 7合规基线检查 检测项说明: CentOS Linux 7合规基线检查,对标中国等保2.0第三级等级保护基本要求部分检查项目,仅供参考 检查项目 : 应对登录的用户进行身份标识和鉴别,身份标识具有唯一性,身份鉴别信息具有复杂度要求并定期更换 加固建议: 1、执行`cat /etc/shadow | awk -F: '($2 == "" ) { print $1}' `, 查看空密码账户并处理; 2、

swindy博客 5626

音频功放电路大全

作为硬件工程师,特别是做纯粹模拟电路、应用于音频功放的工程师,对于A类,B类,AB类,D类,G类,H类,T类功放应该特别熟悉。大多数工程师或许只知道其中的一部分、或者知道大概,为了让更多的工程师掌握更加详尽的音频功放知识,下文对以上说的音频功放做详细的说明。 功放,顾名思义,就是功率放大的缩写。与电压或者电流放大来说,功放要求获得一定的、不失真的功率,一般在大信号状态下工作,因此,功放电路一般包含电压放大或者电流放大电路没有的特殊问题,具体表现在:①输出功率尽可能大;②通常在大信号状态下工作;③非线性失真突

ltqdxl的博客 6600

jeecg-boot自动生成代码_JEECG BOOT 代码生成使用教程

JEECG BOOT 代码生成器非常智能,在线业务建模、在线配置、所见即所得支持23种类控件,一键生成前后端代码,大幅度提升开发效率,不再为重复工作发愁1. 代码生成器的数据库配置代码生成器的数据库连接是独立的,与平台的数据源不统一。配置文件路径:jeecg-boot-module-system/jeecg/jeecg_database.properties2. 代码生成路径配置配置文件路径: j...

weixin_39773215的博客 5641

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 194

jeecg-boot 入门-小白避坑篇

jeecg-boot 入门 为小白避坑用的 视频教程 https://edu.youkuaiyun.com/learn/25027 说明文档 http://jeecg-boot.mydoc.io/

LavaStrom 9769

【SigmaStar SSC335系列】空片用Flash_Tool烧写

简介 本文主要讲新拿到的PCBA,板上spi nand flash还是空的,如何在这种情况下烧录固件,这里讲解用官方Flash_Tool烧写的方式。 但只讲一些注意的地方和坑,其它的官方文档里说的比较清楚,不多说。 准备 Flash_Tool烧写软件 编译打包好烧写镜像 串口烧录小板 ----- 这个是个坑,在官方文档里并没有提及,刚开始用的平时调试的USB转串口,怎么都没反应,一度不知烧写软件不对还是硬件有问题,最后通过厂家技术支持才得知,除了专门的Flash_Tool外,还要专门的串口烧录器

老K 4701

一个完整的c#股票分析软件源码

完整的c#股票分析软件源码

qq_35600909的博客 4597

关于新上手 JEECG-BOOT

已经有至少两年没有碰过JEECG,因为公司需求再找框架时候又瞄准了JEECG。于是浏览官网后,下载了JEECG-BOOT最新版,(第一次上手spring-boot和vue.js)历经一天的环境搭建,基本项目是可以正常运行了。 下面不得不提出我的一个疑问,为什么在online表单生成时,一定要有主键id呢???这一点让使用生成代码的我着实发愁了一把。 解决方法:因为我使用的是多数据源,所以在本地数据库中先生成一个带id的空表,(以先生成代码为目的)之后将代码生成后,其中数据源...

萝卜一锅汤的博客 757

S7-1200PLC 2轴直线插补详细算法(完整源代码)

速度轴V90PN总线伺服梯形加减速速度控制(标准报文1应用)_v90伺服加减速时间怎么调整-优快云博客文章浏览阅读288次。

RXXW_Dor的博客 4264

jeecg菜单

菜单表主要为sys_permission 以下是查询菜单的语句 SELECT id, parent_id, NAME, perms, perms_type, icon, component, component_name, url, redirect, sort_no, menu_type, is_leaf AS leaf, is_route AS route...

小鲍侃java 4727

Autosar MCAL-S32K324 Fls配置-基于EB

Autosar MCAL Flash配置,基于S32K324,EB软件

赞的博客 1516

C++ Qt6 QtQuick/QML入门进阶与项目实战视频教程

C++ Qt这些年在PC客户端、嵌入式、汽车座舱仪表等领域应用很广泛,例如剪映专业版、微信4.0、亿图脑图、Steam、美图秀秀、腾讯会议、钉钉(部分模块)等都是使用C++ QWidget/QML开发。特别是QML这种声明式UI开发更加快捷,QML的界面开发效率相对于QWidget更快速,界面效果更好,QtQuick/QML在Qt6版本也逐渐完善了,使用QML进行客户端开发是个不错的选择。

琅嬛福地 4495

【jeecg-boot】解决页面跳转问题:

使用jeecg-boot,实现点击菜单时,在新窗口打开一个没有左侧菜单的页面;在新窗口打开网址;跳转到指定页面

SunPeng的博客 8817

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

JEECG-BOOT-前端项目-路由菜单动态生成

JEECG-BOOT-前端项目-路由菜单动态生成 前端入口文件调用情况讲解 index.html → main.js → permission.js →/store/modules/user.js → /utils/util.js permission.js中对于用户权限数据的获取 permission.js中对于前端路由菜单的生成 一、介绍详解: index.html → main.js ...

qq_42829835的博客 5880

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

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

Jeecg-boot快速开始

Jeecgboot快速开发HelloWorld

山奈的博客 2508

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")

jeecg-boot 隐藏菜单操作步骤

背景: 对于一些业务场景, 需要在点击当前页面按钮,打开一个新的tab页面, 这个时候在jeecgboot怎么操作呢, 我们需要面对的问题如下: 1.构建隐藏路由菜单,得到路由名称 2.在当前页面进行跳转,两种方式:页面直接跳转, 方法当中跳转 3.跳转之后的页面接收到传参 步骤: 建立一个菜单, 并且设置成隐藏路由; 菜单路径:/jeecg/JeecgTreeTable 菜...

xrl2012的专栏 4275

jeecg-boot下拉二级联动_第二十三章:一级下拉、二级下拉菜单

有的时候,我们需要让所有填表的人员在表格中填写的是同一个版式,也就是规范填写,如何限制呢?可以借用下拉菜单。如下,我们要填写的是片区以及对应的省份,也就是在A、B列写入的是E、F列的内容。具体方法是:先制作以西北、东北为一级联动下拉菜单,陕西、甘肃、黑龙江等省份为二级联动下拉菜单。一、一级下拉菜单①选择需要一级下拉的区域:A2:A11;②在菜单栏里面选择“数据”-“ 数据验证”;③允许里面选“ 序...

weixin_39868663的博客 2705
上一篇: jeecg boot 的个性化详情页面
下一篇: JEECG BOOT 浏览器地址带参数传递 浏览器地址栏查询条件---list页面超链接传递参数到jeecg的页面进行查询
hellosaa
博客等级 码龄7年 47粉丝 8原创
评论 1
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