仿百度、google分页的实现

本文分享了一种模仿百度和Google分页效果的Java代码实现方法。通过调整当前页数和索引范围来动态更新分页导航栏,确保用户体验的同时保持良好的页面布局。

仿百度、google分页的实现

 

       前段时间写了个仿百度、google分页,现在和大家分享一下。大家有什么问题可以和我交流。

    首先我们分析一下google的分页情况:(百度也是一样的,这里只写google的情况)

 

    下面给出大家一段java代码,好让大家往下容易理解。

// 当前页
private int nowpage;
// 索引的sum值 代表的是 google页面中最大显示页数
private int sumindex = 20;
// 开始的索引值
private int startindex;
// 结束的索引值
private int endindex;

 

当前页是1        显示的是: 1 2 3 4 5 6 7 8 9 10

 

当前页是2     起始值1  未页 11  

 

 

 

 

 当前页是3     起始值1  未页 12

 

 

 当前页是4     起始值1  未页 13

 

以此类推:...

 

从上图得知:

 

    当前页小于等于11时  起始页为1  末页=当前页+9

 

startindex=1;
endindex=nowpage+9;

 注意:

      求和值后的endindex 如果endindex大于总页数。 那么: this.endindex=this.countpage;

 

 

 实现方式如下:

if (this.nowpage <= sumindex/2+1) {
	this.startindex = 1;
	this.endindex = this.nowpage + sumindex/2-1
			
	//当结束的索引值>总页数
	if(this.endindex>this.countpage){
		this.endindex=this.countpage;
	}
			
}

 

 当前页大于11时:

 

 

            当前页是12        起始值是2    未页 21

 

 

 

 

            当前页是13        起始值是3    未页 22

 

 

             当前页是14        起始值是4   未页 23

 

从上图得知 当前页大于11时 

   1.当前页与尾页的差少9    开始索引与当前页 差10 

endindex=nowpage+sumindex/2-1;
startindex=nowapge-sumindex/2;  

 

   注意:求和值后的endindex,如果endindex大于总页数

this.endindex=this.countpage;
this.startindex=this.countpage-sumindex/-1;

 

 

 实现代码如下:

 

if(this.nowpage>sumindex/2+1){
	this.startindex=this.nowpage-sumindex/2;		this.endindex=this.nowpage+sumindex/2-1;		//当结束的索引值>总页数
	//当结束的索引值>索引的sum值 代表的是 google页面中最大显示页数
	if(this.endindex>this.countpage&&this.endindex>this.sumindex){	this.endindex=this.countpage;			this.startindex=this.countpage-sumindex-1;		}
	//当结束的索引值<索引的sum值 代表的是 google页面中最大显示页数
	if(this.endindex<this.sumindex){
	        this.startindex = 1;
	        this.endindex = this.countpage;
	}
}

 

 整合后的代码如下:

 

// 计算索引位置
if (this.nowpage <= sumindex/2+1) {
	this.startindex = 1;
	this.endindex = this.nowpage + sumindex/2-1;
			
	//当结束的索引值>总页数
	if(this.endindex>this.countpage){
		this.endindex=this.countpage;
	}
}else if(this.nowpage>sumindex/2+1){
	this.startindex=this.nowpage-sumindex/2;
			this.endindex=this.nowpage+sumindex/2-1;	
	//当结束的索引值>总页数
	//当结束的索引值>索引的sum值 代表的是 google页面中最大显示页数
	if
(this.endindex>this.countpage&&this.endindex>this.sumindex){
				this.endindex=this.countpage;
				this.startindex=this.countpage-sumindex-1;
	}
	//当结束的索引值<索引的sum值 代表的是 google页面中最大显示页数
	if(this.endindex<this.sumindex){
	this.startindex = 1;
	this.endindex = this.countpage;
                }
}

 

   备注:

           别的代码没贴,如需要大家可以给我留言

 

内容概要:本文围绕六自由度机械臂的人工神经网络(ANN)设计展开,重点研究了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程,并通过Matlab代码实现相关算法。文章结合理论推导与仿真实践,利用人工神经网络对复杂的非线性关系进行建模与逼近,提升机械臂运动控制的精度与效率。同时涵盖了路径规划中的RRT算法与B样条优化方法,形成从运动学到动力学再到轨迹优化的完整技术链条。; 适合人群:具备一定机器人学、自动控制理论基础,熟悉Matlab编程,从事智能控制、机器人控制、运动学六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)建模等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握机械臂正/逆运动学的数学建模与ANN求解方法;②理解拉格朗日-欧拉法在动力学建模中的应用;③实现基于神经网络的动力学补偿与高精度轨迹跟踪控制;④结合RRT与B样条完成平滑路径规划与优化。; 阅读建议:建议读者结合Matlab代码动手实践,先从运动学建模入手,逐步深入动力学分析与神经网络训练,注重理论推导与仿真实验的结合,以充分理解机械臂控制系统的设计流程与优化策略。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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