vue进行路由拼图的使用案例

Vue实战篇三十五:实现滑动拼图验证登录 Vue基础篇一:编写第一个Vue程序 Vue基础篇二:Vue组件的核心概念 Vue基础篇三:Vue的计算属性与侦听器 Vue基础篇四:Vue的生命周期(秒杀案例实战) Vue基础篇五:Vue的指令 Vue基础篇六:Vue使用JSX进行动态渲染 Vue提高篇一:使用Vuex进行状态管理 Vue提高篇二:使用vue-router实现静态路由 Vue提高篇三:使用vue-router实现动态路由 Vue提高篇四:使用Element UI组件库 Vue提高篇五:使用Jest进行单元测试 Vue提高篇六: 使用Vet 阅读详情

vue进行路由拼图的使用案例

实现思路,利用路由进行实现多个组件拼图:

Detail.vue

<template>
    <div>
      <h1>详细展示</h1>
      <div>鞍山市所所所所所所所所所所所所所所所所所所所所</div>
    </div>
</template>

<script>

</script>

Header.vue

<template>
    <div>
      <h1>标题栏</h1>
      <div>欢迎</div>
    </div>
</template>

<script>

</script>

<style scoped>

</style>
Sidebar.vue
<template>
    <div>
      <h1>边条</h1>
    </div>
</template>

<script>

</script>

<style scoped>

</style>

在router\下index.js中引入

import Vue from 'vue'
import Router from 'vue-router'
import Detail from '../components/Detail'
import MyHeader from '../components/Header'
import Sidebar from '../components/Sidebar'
Vue.use(Router)

export default new Router({
  routes: [
    {
      path: '/',
      name: 'Home',
      components: {
        myHeader: MyHeader,
        mySidebar: Sidebar,
        myDetail: Detail
      }
    }
  ]
})

 

注意事项:

 

 app.vue

<template>
  <div id="app">
    <table width="100%">
      <tr>
        <td colspan="2" style="background-color:darkgoldenrod">
          <router-view name="myHeader"></router-view>
        </td>
      </tr>
      <tr>
        <td width="20%" style="background-color:thistle">
          <router-view name="mySidebar"></router-view>
        </td>
        <td width="80%" style="background-color:aquamarine">
          <router-view name="myDetail"></router-view>
        </td>
      </tr>
    </table>
  </div>
</template>

<script>
export default {
  name: 'App'
}
</script>

<style>

</style>

 

最终运行结果:\

 



 

posted @ 2019-04-25 09:44 动手的程序员 阅读( ...) 评论( ...) 编辑 收藏
用Vue.js打造的拼图小游戏实践教程 Vue.js是一个开源的JavaScript框架,由前谷歌员工尤雨溪于2014年创建。它以数据驱动和组件化的概念为基础,逐步发展成为现代前端开发的主流框架之一。Vue.js因其轻量级、灵活性以及易于上手的特性,特别受到前端开发者的欢迎。它旨在简化复杂界面的构建,尤其是针对单页面应用(SPA)的场景。响应式系统是现代前端框架的基石。这一概念的出现极大地简化了数据与视图之间同步更新的复杂性,使得开发者可以专注于业务逻辑的开发而无需关注界面的更新细节。 阅读详情

相关推荐

Comsol超声空化气泡仿真:从基础理论到工业应用实践

本文详细介绍了Comsol超声空化气泡仿真的基础理论及工业应用实践。通过解析超声空化现象、Comsol模型搭建流程及求解器优化技巧,帮助工程师掌握气泡仿真技术,提升超声波清洗和乳液制备等工业应用的效率与质量。

weixin_27966471的博客 253

vue route 路由拼接参数的两种方式

vue route 路由拼接参数的两种方式,如http://localhost:3000/view/zhangsan/123456和​ http: //localhost:3000/view?username=lisi&password=654321

weixin_42634991的博客 8597

PTPX功耗分析实战——从脚本配置到报告解读

本文详细介绍了PTPX功耗分析的全流程,从脚本配置到报告解读,帮助工程师快速掌握芯片设计中的功耗估算技术。文章涵盖了环境搭建、波形文件处理、功耗报告解析等关键环节,并提供了实战经验和优化建议,特别适合需要提升PTPX功耗分析效率的开发者。

weixin_29248313的博客 283

Vue前端路由合并

还存在着问题,就是单纯这样修改的话,页面跳转的时候不会刷新页面,vue生命周期钩子函数不会被调用,也就是数据不会改变,这不是我们想要的。3,因为是同一个组件,怎样判断是哪个url调用的呢?需求:销售订单分为 “进行中订单” 和 “已完成订单”,之前是两个vue组件,两个页面,现在想合并成一个,但展现出的数据不同(分别是进行中的和已完成的订单)。现在页面可以实现刷新了,钩子函数被调用了。钩子函数被调用就可以想干吗就干吗啦~~~今天收到一个需求,需要将两个url跳转到同一个页面,即跳到同一个组件。

qing2019的博客 634

机器人强化学习入门学习笔记

如果你追求高精度动力学仿真、用于强化学习或机器人研究,MuJoCo 是一个非常优秀的选择。如果需要快速实验、使用真实机器人模型,PyBullet 或 Gazebo可能更合适;如果你追求大规模并行训练,Isaac Gym 或 BraX会更高效。legged gym底层是​编辑isaacgym,基于gpu训练可以多环境并行训练,收敛到一个稳定行走的策略快。本视频MuJoCo基于cpu训练很慢。

xiaomu_347的博客 1493

国内优秀MES开源框架

一套springboot 开源框架 代码标准规范化。 界面展示 演示地址 http://wangziyangmes.pzzd.xyz 用户名admin 密码123 系统管理 工艺管理 计划管理 物料管理 *用户管理* *工艺路线管理* 工单下达...

q707231019的博客 2万+

Vue点击跳转携带数据传参,并拼接到URL中

在点击后进入的页面我们要将id=1 拼接到url中 使用的是模版字符串。今天我们使用编程式导航的方式进行页面的跳转 把id=1传过去。顺便讲一讲 params和query传参的区别。公共路径后要加上?

weixin_73569104的博客 1543

使用Simulink对氢燃料电池与锂电池的混合储能系统进行建模

本文介绍了基于Simulink的氢燃料电池与锂电池混合储能系统建模与协同控制方法。系统通过氢燃料电池提供稳定能源,锂电池实现快速响应,结合DC-DC变换器和负载管理器实现动态调控。详细阐述了从模型创建、关键模块配置到控制器设计的完整流程,重点说明了功率分配算法和充放电控制策略的实现。通过仿真分析验证了系统在不同负载条件下的性能表现,包括响应速度、工作效率和稳定性等指标。该方案为新能源混合储能系统的设计与优化提供了实用指导,有助于提升系统可靠性和延长电池寿命。

amy_mhd的博客 315

vue 动态拼接路由 完整简洁

import Vue from "vue"; import Router from "vue-router"; import Home from "@/pages/Home/home.vue"; import jgcx from "@/pages/jgcx/jgcx.vue"; import zxts from "@/pages/zxts/zxts.vue"; import notice from "@/pages/notice/notice.vue"; import noticeList from "@/

xiaosi1413的博客 2570

YOLOv8与UNetV2融合:一种面向目标检测与图像分割的混合方法【附核心代码】

我们提出了一种基于YOLOv8和UNetV2相结合的混合架构。该架构利用YOLOv8作为主干进行目标检测,同时在YOLOv8的特征提取过程中,引入UNetV2来进行图像分割任务的增强。在该架构中,YOLOv8负责大范围目标检测和位置预测,而UNetV2则在检测网络的特征图基础上,通过其高效的上下文信息提取和细节恢复能力,进一步优化分割任务。在本文中,我们提出了一种改进YOLOv8的方法,通过引入图像分割网络UNetV2来提高图像分割检测性能。

一键难忘的博客 3526

深度强化学习 | 基于DQN实现Flappy Bird游戏与分析

在Flappy Bird中,玩家需要通过控制小鸟安全穿过随机长度的水管来得分。本文基于深度Q网络DQN来实现Flappy Bird游戏的自主探索与学习

FRIGIDWINTER的博客 5915

vue路由传参的三种方式

vue项目中很多情况下需要用到路由传参,想了一下有三种 1,query方式 2,params方式 3,在路由地址后面拼接参数 一,query方式 //第一步先注册路由 import Vue from 'vue' import Router from 'vue-router' import HelloWorld from '@/components/HelloWorld' import Route1 from '@/components/Route1' Vue.use(Router) expo

君子-如兰的博客 1354

创建 Fiori Space 时看不到传输请求的根因与排查路径

摘要: 在创建Fiori Space时,若Transport字段下拉列表为空,通常是因为系统未找到符合要求的传输请求。主要原因是: 请求类型不匹配:需使用Customizing request而非Workbench request。 用户权限问题:当前用户需在请求下有可用的task。 客户端或系统不一致:请求需在当前客户端和正确系统(如后端)中创建。 解决方法: 在当前客户端和系统中新建Customizing request,确保包含用户task。 检查是否为前后端分离架构,确保请求创建在正确的系统。 验证

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 110

【Vue.js学习笔记】21:路由转移的多种方式,多路由拼图

学习b站上的小马视频。 路由转移的多种方式 前面学习的使用路由的方式都是下面这样: &lt;router-link to="路由URL"&gt;&lt;/router-link&gt; 还可以用传递一个路由对象的方式,灵活的实现路由。 App.vue 在上篇的例子的基础上,只改这个文件。需要注意的是,传递路由对象时,如果要使用name属性,name属性的值应该是组件的名称,而不是映射到的路由的名...

大桔骑士的学习笔记 637

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

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")

Vue-Router 多路由拼图

多路由拼图 什么是多路由拼图,实际就是为一个路由(画面)组合多个组件,完成整个页面。这里利用的不单单是我们在做菜单时的拼接,利用的是router-view的name属性 Layout/Header.vue <template> <div> 我的世界崩塌了 </div> </template> Layout/Sidebar.vue <template> <div> 左边跟我一起

qq_34239734的博客 420

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。

五、VUE学习笔记 5 | 进阶 Vue CLI---路由

目录 1、安装 路由组件的设定-仅两步 2、第一个例子 3、动态路由 4、嵌套路由 5、路由拼图 6、重定向及别名 7、多参数路由 1、安装 VUE CLI可以选择安装,如果没有安装则运行以下命令 $ npm install vue-router --save --save-exact 路由组件的设定-仅两步 1、src/router/index.js ---...

Shawn的博客 422

vue-element-admin点击按钮跳转新页面方法$router.push

1:首先在view里面新建一个新的组件页面 addChip.vue 2:打开router/index.js 配置新增组件 { path: 'addChip', component: () => import('@/views/chip/addChip'), name: 'addChip', meta: { title: '新增拼图' }, hidden:true, }, 3:打开chip组件界面,开始写一

前端视听 1万+

仿京东 项目笔记2(注册登录)

api/index.js store/user.js 1.2 Vue开发中Element UI的样式穿透 1.2.1 ::v-deep的使用 参考::v-deep的使用在 vue 项目的开发过程,使用了 ElementUI 组件且样式 style 使用了 scoped 属性,当想要修改组件样式,发现直接修改不了,需去掉 scoped 属性或者使用深度选择器才能修改成功。去掉scoped的话又会影响全局样式,针对这种情况,可以使用深度作用选择器(即样式穿透)1、当项目中使用的 css 原生样式 ,需要使用 >

qq_33290233的博客 2243

【GVA】商业级综合后台的整体技术生态和功能拼图

GVA(Gin-Vue-Admin)是一个综合后台管理系统,集成了8大核心技术组件:1)Viper配置管理中心实现动态配置管理;2)Cron定时任务调度;3)基于Redis+Lua的分布式限流器;4)支持本地/云存储的文件管理适配器;5)JWT+Redis黑名单机制实现单点登录;6)gopsutil跨平台系统监控;7)模块化动态路由注册;8)图形验证码防护。通过"三板斧"快速开发流程:代码生成器建表→后台录入数据→编写公开API,可快速构建完整后台系统。这些组件共同构成了一个高效、安全的

顺顺利利的专栏 437

解锁Vue原生开发:从跨端方案到工程化实践

跨端开发技术旨在实现一套代码多端运行,其核心原理是通过JavaScript引擎与原生渲染引擎的桥接,将声明式UI框架转换为原生组件。这种技术能显著提升开发效率,降低多平台适配成本,尤其适合需要快速迭代的业务场景。在Vue生态中,开发者可以通过Weex、Lynx等方案或自定义渲染器实现与原生平台的集成。本文聚焦于Vue与原生开发结合时的工程化挑战,深入探讨了状态管理、原生模块桥接、性能优化等关键问题,并分析了热词Weex和Lynx在实际应用中的技术特点与适用边界,为团队技术选型提供实践参考。

weixin_34054866的博客 513

Vue.js GalGame项目Nginx部署指南

Vue.js GalGame项目Nginx部署指南

在经历了无数个黑夜之后,我决定自己成为太阳 216

前端vue3——实现二次元人物拼图校验

大家好,我是yma16,本文分享关于 前端vue3——实现二次元人物拼图校验。vue3 + fastapi 实现选择目录所有文件自定义上传到服务器前端vue2、vue3去掉url路由“ # ”号——nginx配置csdn新星计划vue3+ts+antd赛道——利用inscode搭建vue3(ts)+antd前端模板认识vite_vue3 初始化项目到打包python_selenuim获取csdn新星赛道选手所在城市用echarts地图显示。

编程知识分享,主打前端 2万+

Vue编写的滑动拼图验证码前端及示例demo源码,vue滑动拼图验证码demo代码

Vue编写的滑动拼图验证码前端示例。

Python代码大全 758

前端路由与后端路由的区别

前端路由与后端路由的区别

商务合作欢迎私信我 3510

Vue后管权限(动态路由)

【代码】Vue后管权限(动态路由)

m0_53912016的博客 409
上一篇: 安装vuecli和使用elememtUi
下一篇: springcloud应用思考
菩提树下的丁春秋
博客等级 码龄8年 18粉丝 336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  | 博主筛选后可见
 
 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