JavaScript 基础知识总结

JavaScript入门一(JS基础知识) 文章目录一、JavaScript是什么二、网页组成2.读入数据总结 一、JavaScript是什么        JavaScript(简称“JS”)百度解释如下: 是一种具有函数优先的轻量级,解释型或即时编译型的编程语言。虽然它是作为开发Web页面的脚本语言而出名,但是它也被用到了很多非浏览器环境中,JavaScript 基于原型编程、多范式的动态脚本语言,并且支持面向对象、命令式、声明式、函数式编程范式。   & 阅读详情


Dom 编程:

取得相应id的对象: getElementById("标签id id唯一 ")
根据css类名选取元素: getElemenetsByClassName("<style 标签中定义的css>")
 通过dom获得element之后设置属性及属性值:element.setAttribute(attributeName,attributeValue) 
dom 创建节点:
创建html 标签节点:document.createElement("h3")
创建html 文本节点:document.createTextNode(String)
增加节点:
在element 内部的最后添加一个节点:element.appendChild(Node)
 在element内部中已经存在的节点前插入新的节点:elelment.insertBefore(newNode,existingNode); 

html基础知识:
html嵌套js方式:<script>标签,<script src="xx.js">,<button onlick="">
判断相等:=== 判断值与类型相等,instanceof, 类.prototype.isprototypeof(对象)[判断某个对象是否为某个类对象],a.constructor==类名
真与假: !非,!! 双重否定,0,“”,null全为假
数组的添加与删除:var a=[];a.shift(),删除第一个,a.pop()删除最后一个;a.unshift(argments) 在数组开头,a.push(argments) 在数组结尾

 表格属性: 
 insertRow(-1)在表格末尾添加行;insertCell() colSpan 设置列宽; 添加列;cell.innerHTML 添加内容  rowSpan 行宽
 

css 编程:
 块级元素:另起一行,宽度默认100%,宽度、行高、顶边,底边大小可控
 内联元素:不另起一行,一行课放置多个,只能容纳文本和其他内联元素,大小不可控
 display:inline ,display:block  display:inline-block 
 设定样式
 标签对象.className="css定义的class样式"
 标签对象.style.cssText
 cssText 是一个css属性-值的集合 设置style 属性
 display  隐藏对象 不占用空间  visibility 隐藏对象 占用空间
 

 盒子模型:
 浏览器兼容 但是已经支持不带前缀的写法
 {
  -webkit-box-sizing:border-box; //safari chorme
  -moz-box-sizing:border-box; //firefox
  box-sizing:border-box;
 }
 
 事件绑定:
 直接在标签中;
 对象绑定:
dom.getElementById("xid").事件=函数
 监听器绑定:
 dom.getElementById("xid").addEventListener("事件前面去掉on",函数,true/false) true : 监听捕获  false 监听冒泡
 
 对象绑定与监听器 绑定区别:
 对象绑定只能有一个,后面绑定的函数会覆盖先绑定的
 监听器绑定可以绑定多个,可以在同一标签上绑定多个事件
 
 function(event){}  event是winows 自动给我们传递的, 只在事件的发生过程中有效 
 
事件流:
父父级捕捉事件-》父级捕捉事件-》目标冒泡事件-》目标捕捉事件-》父级冒泡事件-》父父级冒泡事件

preventDefault 取消事件监听器注册的事件函数
stopProgapation 阻止事件冒泡,防止事件被父级事件执行。 如果父级定义了与子级相同的事件,如果不取消冒泡,在执行了子级事件之后会往上继续执行父级事件,所以在子级事件中要加入event.stopProgapation

继承:
prototype  向对象添加属性和方法 
prototype 是类构造器方法的属性,又是类对象的原型对象(原型对象:以xx为原型构造)。
其中含有属性constructor,这个属性指向类构造器
https://blog.youkuaiyun.com/qq_42497250/article/details/92845285


回调 :

回头调用
在f1中调用f2,f2的参数可以在作为与回调函数同等级的参数或者在调用回调函数内部创建

setTimeour=(fn,毫秒) 隔多少毫秒执行  ,如果在要执行时cpu被占用没能执行,那么会被放到执行队列中当cpu空闲时再去执行
setInterVal(fn,毫秒) 隔多少毫秒执行一次

常见编程规范:_加方法名  代表私有方法

把一个长时间的任务进行切分,提升交互
function updateAsync(){
var i=0,c=0;
var timer=-1;
var updateLater=function(){
for(i=0;i<50;i++)
docunment.getElementById('output').InnerHTML +="<div> 第" +(c+1)+"行</div>";
c++;
i=0;
if(c>=500)
clearTimer(timer);
return;
else
timer=setTimer(updateLater,100);
};
updateLater();
}

 

Element-cascader级联选择器增加全选功能 element el-cascader 阅读详情

相关推荐

保姆级教程:用Python+MM-Agent搭建自己的数学建模AI助手(支持GPT-4o/DeepSeek)

本文提供了一份详细的教程,教你如何使用Python和MM-Agent框架搭建数学建模AI助手,支持GPT-4o和DeepSeek-R1等LLM后端。从环境配置、HMML知识库集成到多LLM适配和建模流程实现,手把手教你构建智能建模系统,提升数学建模效率。

k6l7m8n9的博客 452

js---javaScript基础知识

javascript是脚本语言,这门语言可用于html和web。 javascript是一种轻量级的编程语言。 是可以插入html页面的编程代码,插入后,通过浏览器执行。 <!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title></title> </head> <body> <script> doc.

A123ppleQueen的博客 2078

NVIDIA NCCL 安装和测试实战教程

ibrary)是用于深度学习应用的高性能通信库,可加速多GPU通信和同步。它能够在多个GPU之间进行高效的数据传输和集体操作,显著提高了分布式GPU系统上深度学习训练和推理的性能。NVIDIA NCCL是加速多GPU系统上深度学习应用的必不可少的工具。其高效的通信原语和集体操作显著提高了分布式训练和推理的性能,使其成为现代深度学习基础架构的关键组成部分。

weixin_39818775的博客 4429

js基础知识总结笔记,javascript课堂笔记

JavaScript是目前web开发中不可缺少的脚本语言,js不需要编译即可运行,运行在客户端,需要通过浏览器来解析执行JavaScript代码。语法function 函数名(形式参数){ 函数体}调用函数:函数名(实际参数);函数只有被调用后才会执行如果函数需要返回值、直接使用return 返回// 定义一个函数 : functionfunction demo1() { return 你好;// 调用函数 :如果函数需要传递参数、不需要指定参数的类型、直接使用变量即可。

wenangou的博客 150

用VASP计算GW+BSE

VASP在5.3以后的版本都能用解BSE方程的方法,在计算光吸收的过程中考虑激子效应。 下面就来写一个用BSE计算bulkSi的例子 首先,介电函数的计算是在GW计算的基础之上的。这里首先介绍G0W0的计算(我们这里直接在PBE的波函数基础上进行G0W0计算)。 1.PBE自恰计算,写WAVECAR System= Silicon groundstate occupied

ultra1989的专栏 2万+

2025年数学建模国赛高教社杯A题、B题、C题、D题、E题详细思路和代码 模型||插值与拟合

核心思想:构造一个精确通过所有已知离散数据点(xi, yi)的函数y = f(x),并以此函数来估算或预测未知点的值。基本假设:我们认为已知的数据点是100%精确、无误差的(或者误差可忽略不计),比如理论计算值、高精度仪器测量值等。我们的目标是“还原”或“重建”出点与点之间的真实函数关系。关键特征精确性:曲线或曲面必须穿过每一个样本点。局部性:插值结果严重依赖于局部数据点的分布和数值。用途:用于“补全”数据、填充缺失值、进行函数近似等。常见方法多项式插值:拉格朗日插值、牛顿插值。

2201_76125261的博客 802

【JS】JavaScript基础知识 笔记

目录 前言 简介 Hello World 弹框 写到控制台 数据类型 函数的定义和调用 定义 调用 DOM操作HTML innerHTML 修改HTML的属性 获取和设置元素的属性 获取子节点和父节点 插入元素 DOM操作CSS EventListener 事件对象 事件冒泡 怎么阻止事件冒泡 阻止事件默认行为 字符串对象 Date日期对象 一个自动...

GreAmbWang的博客 603

结构光之相移法+多频外差的数学原理推导

‍论文:基于数字光栅投影的结构光三维测量技术与系统研究 [博]作者:李中伟 华中科技大学 2007功能:相移法:多频外差(三频N步相移法)01 相移法图1 待写入投影仪的理想N步相移条纹通常对于 步相移来说,生成第 幅条纹图像(如图1所示)的公式如下:402 Payment Required其中::背景光强:调制强度:像素点横向坐标:相移值图2 相机拍摄到的实际 N ......

3D视觉工坊 1189

javascript考点 —— 从基础知识到JS-Web-API

一、回顾JS基础知识 变量类型和计算 原型和原型链 闭包和作用域 异步和单线程 其他(日期、Math、常用API) 二、JS-Web-API JS基础知识:ECMA 262标准(规定基础语法) JS-Web-API:W3C标准(浏览器遵循ECMA的规定也要遵循W3C标准) 1、W3C标准中关于JS的规定有: DOM操作 BOM操作 事件绑定 ajax请求(包括HTTP协议) ...

zhanghuali 341

C#里使用NModbus来创建一个TCP从站服务

摘要:本文介绍了一个用C#实现的Modbus TCP从站服务器,基于.NET Framework 4.6.1开发。代码使用NModbus库创建TcpListener和ModbusSlaveNetwork,支持设置IP地址、端口号和从站ID。服务器实现了数据存储初始化功能(包括线圈和保持寄存器),并提供了启动/停止操作的UI界面和日志记录功能。该解决方案适用于需要调试Modbus TCP协议的场景,特别适合无法升级到更高版本.NET Framework的环境。

大坡3D软件开发 478

C# 从数秒到毫秒:MySQL+Redis百万数据优化实战全解析

在处理百万级数据时,传统单体数据库常面临查询效率低下、数据库负载过高和用户体验差等问题。为解决这些性能瓶颈,可以采用MySQL分库分表、Redis缓存和异步统计的组合策略。 数据库分片:通过水平分表和分库实现,将单表数据分散到多个物理表或数据库实例中,降低单点负载。 Redis缓存:利用Redis缓存高频数据,减少数据库查询压力,提升响应速度。 异步统计:通过消息队列(如RabbitMQ)解耦统计任务,后台处理非实时任务,避免阻塞主流程。 这些优化策略能够显著提升系统性能,确保在高并发和大数据量场景下的稳定

墨夶的博客 852

JavaScript JS入门 基础知识

开发语言分类 解释性语言:翻译一行,执行一行 JS、Python 编译性语言:通篇翻译后在执行 Java、C、C++、C# 代码报错: 1.语法错误 没有按照要求书写 2.逻辑错误 3.运行错误 开发流程 1.功能的设计 2.需求分析 3.功能开发(确定数据结构和算法) 4.功能测试 5.功能维护 6.功能上线 软件—程序–数据结构和算法 数据结构:存储数据的方式 算法:解决问题的方法和步骤 算法的特点: 1.有穷性: 一个算法的操作步骤,是在有限的范围内可以完成的 2.确定性 3.有0到多个输入 4.有

qq_40653601的博客 231

医学图像的对抗攻击:模型安全性与鲁棒性分析

医学图像的对抗攻击:模型安全性与鲁棒性分析 ,人工智能,计算机视觉,大模型,AI,本文围绕医学图像的对抗攻击展开,分析了其对AI模型的威胁。介绍了对抗样本定义、攻击原理,以及FGSM、BIM、PGD等常见攻击方法,还给出了相关代码示例。阐述了攻击对模型诊断准确性和可信度的影响,提出对抗训练、输入预处理、模型集成等提升模型安全性与鲁棒性的方法,探讨了评估指标、数据集和流程,分析了实际应用中的挑战与应对策略,最后展望了未来发展趋势。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 18万+

JavaScript基础知识总结笔记

一、js的两种引入方式1.  自己编写的js代码将上面的代码放在或者之间2.直接保存为js文件,然后外部调用二、JavaScript的三种输出形式1.alert():弹窗,会以文本的原格式输出2.document.write ()输出到页面,会以HTML的语法解析里面的内容3.prompt('提示文字','默认值'):输入框---不常用 alert('hflahgfah'); document

自由士大夫 1万+

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

JS入门必备基础知识(适合小白)

JS入门必备基础知识(适合小白)一、JS是什么?1、JS简介2、JS的组成部分3、JS的基本特点4、JS的特性5、JS与HTML、CSS的对比二、JS的用法1、JS的引入方法1)head中的 JavaScript 函数2)body中的 JavaScript 函数3)外部的 JavaScript2、JS的基本语法3、JS中的变量1)变量名2)变量值3)全局变量与局部变量4、数据类型1)基本数据类型2)引用数据类型3) JS的数据类型转换4)typeof 操作符5、JS代码在执行时分两个阶段1)预编译2)代码执

a_l_f_的博客 1万+

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

一文读懂JavaScript(JS)基础知识大全

1997 年,JavaScript 1.1 作为一个草案提交给欧洲计算机制造商协会(ECMA)。第 39 技术委员会(TC39)被委派来“标准化一个通用、跨平台、中立于厂商的脚本语言的语法和语义”(http://www.ecma-international.org/memento/TC39.htm)。由来自 Netscape、Sun、微软、Borland 和其他一些对脚本编程感兴趣的公司的程序员组成的 TC39 锤炼出了 ECMA-262,该标准定义了名为 ECMAScript 的全新脚本语言。

HTDiiii的博客 4359

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")

【javaScript】js基础知识

undefined派生自null,所以undefined == null结果为true,但是null表示空对象,undefined表示未定义;当栈存放引用类型时,值为对象的地址,obj与obj1指向同一个地址,所以当obj的name值变为“lisi”时,obj1也会发生变化。在body部分中的JavaScript会在页面加载的时候被执行,在head部分中的JavaScript会在被调用的时候才执行。指变量,函数,属性的名字或者函数的参数。基本数据类型变量都维护在栈区,基本数据类型的值保存在栈区。...

叶子yes的博客 648

JavaScript基础知识看这一篇就够了!

Core DOM - 所有文档类型的标准类型Document:整个文档对象Element:元素对象Attribute:属性对象Text:文本对象Comment:注释对象XML DOM - XML 文档的标准模型HTML DOM - HTML 文档的标准模型。

weixin_66546741的博客 1229

学习JavaScript必须掌握的基础知识

好多人想要学习前端……自学或者培训。那么我们在学习过程中到底需要掌握那些基础知识呢!下面分类了JS中必备的知识也是必须要了解学会的!看一看你是否已经将JS的基础知识都了如指掌了呢? 事件: onmousedown 鼠标按下onmouseup   鼠标抬起onmouseover  鼠标移入onmouseout   鼠标移除onmousemove 鼠标移动onclick       点击事

记录成长过程中的点滴 1218

【JavaScript】JS的基础知识

JavaScript一、什么是JavaScript?二、JavaScript的用途三、JS是如何运行的?四、JS前置知识4.1 JS书写格式4.1.1 行内格式4.1.2 内嵌格式4.1.3 外部格式 一、什么是JavaScript? JavaScript(下文简称JS)是一种运行在客户端的脚本语言,不需要编译,运行过程中由JS解释器逐个进行解释并执行,JS解释器被称为JavaScript引擎,是浏览器的一部分。 二、JavaScript的用途 表单动态校验(验证数据合法性) 网页开发 网页游戏开发 服务

weixin_48271092的博客 929

JS基础知识

今天记录一下学习JS的知识。

柯南的博客 298

JavaScript基础知识

JavaScript基础知识 1.基本信息 JavaScript是一种属于网络的脚本语言,已经被广泛用于Web应用开发,常用来为网页添加各式各样的动态功能,为用户提供更流畅美观的浏览效果。通常JavaScript脚本是通过嵌入在HTML中来实现自身的功能的。 1、是一种解释性脚本语言(代码不进行预编译)。 2、主要用来向HTML(标准通用标记语言下的一个应用)页面添加交互行为。 可以直接嵌入HTM...

weixin_44279798的博客 626

JS:JavaScript 基础知识 .1

JS:JavaScript 基础知识 .1 ES:ECMA Script ,规范JS 注释:分为单行和多行注释 [专业术语] 1.语句:js中用分号来判别一条语句 书写格式:关键字 标识符 赋值符号 var F72 = 关键字:声明/创建 标识符:变量、函数、数组、对象、集合等 标识符的命名规范: 1.硬性要求:可以是字母、数字、下划线、美 元符号(不允许其他的特殊符号);不 能以数字开头、不能使用关键字和保留字、不能大小写敏感(区分大小写)

weixin_53626597的博客 107

javascript(js)基础知识

javascript (简称js)基础知识小汇总

随笔 588

JavaScript——基础知识,开始我们的js编程之旅吧!

JavaScript基础第01天 1. 编程语言 编程语言: 可以通过类似于人类语言的“语言”来控制计算机,让计算机为我们做事情,这样的语言就叫做编程语言(Programming Language)。编程语言是用来控制计算机的一系列指令,它有固定的格式和词汇(不同编程语言的格式和词汇不一样),必须遵守。如今通用的编程语言有两种形式:汇编语言和高级语言。 语言类型 说明 汇编语言 汇编语言和机器语言实质是相同的,都是直接对硬件操作,只不过指令采用了英文缩写的标识符,容易识别和记忆。 高级语言 高...

cnmeimei的博客 568
上一篇: Centos 设置静态ip 并且联网
下一篇: impala 自定义函数
date-date
博客等级 码龄9年 6粉丝 28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