14 Form表单对象

详解React Hook Form 和 Yup 实现输入表单的验证 阅读详情

Form对象
表单对象,文档对象的子对象,Javascript的Runtime Engine自动为每个表单建立对应的表单对象
属性:
 action 表单的动作
 elements 以索引表示的所有表单元素
 encoding MIME的类型
 length 表单元素的个数
 mehtod 方法
 name 表单名称
 target 目标
方法:
 handleEvent(event) 使事件处理程序生效
 reset() 重置
 submit() 提交
 
1、文本对象


访问:document.forms[索引].elements[索引].属性|方法
 document.表单名称.文件本对象名称.属性|方法
属性:
 defaultValue  该对象的value属性
 form 该对象所在的表单名称
 name 该对象的名称
 type 该对象的type属性
 value 该对象的value属性
方法:
 blur() 失去焦点
 focus() 获得焦点
 handleEvent(event) 使事件处理程序生效
 select() 该对象设置为选取状态
事件处理程序:
 onBlur onChange onClick onDbClick onFocus onKeyDown onKeyPress onKeyUp onMouseDown onMouseUp onMouseOver onMouseOut onMouseMove onSelect
 
1)获取文本框内容的方法
  
2)文本框获得和失去焦点事件
 
 
3)满四位自动下移到下一个文本框的文字输入
 
 
2、密码对象
 密码对象与文本对象基本相似,只是将type改为password类型。
 
 
3、按钮对象、提交按钮对象和重置按钮对象
 type="button"||"submit"||"reset"
4、隐藏对象
 type="hidden"
5、单选按钮对象
 checked 设置该对象为选定状态
 defaultChecked 对应该对象的默认选定状态
 type="radio"

 
 
6、复选框对象
 type="checkbox" 

  
7、下拉选择框对象
 length 选项的数目
 options option标记集合
 selectedIndex 所选项目的索引值
 
 选项对象:下接选择框对象的子对象
 new Option([显示文本[,值[,defaultSelected[,selected]]]]);
 text 该选项显示的文本
 value 该选项的值
 
 
 
8、文本域对象

EasyUI Jquery 学习笔记 —— Form(表单)详细版 微调器(spinner)是创建其他微调器组件(比如:数值微调器 numberspinner、时间微调器 timespinner,等等)的基础组件。时间微调器(timespinner)是基于微调器(spinner)创建的。密码框会通过显示圆点的方式来保护您输入的密码文本,同时输入框中会提供一个眼睛的图标来通过点击的动作查看您输入的密码,来确保您输入的密码正确无误。与日期框(datebox)相似,日期时间框(datetimebox)允许用户选择要显示的带有指定格式的日期和时间的日期和时间。 阅读详情

相关推荐

「0基础安装本地Hermes」本地部署Hermes|为Hermes装上UI图形界面

Hermes已经发布有一段时间了,不少小伙伴也装配上了这个Agent。相对于之前发布爆火的Openclaw,Hermes对于很多小白不是很友好,它没有属于自己的UI界面,只能在本地终端运行,前不久Github上有人发布自己的作品,让终端里的Hermes拥有属于自己的UI界面,EKKOLearnAI开发的Hermes UI界面项目为终端运行的Hermes提供了可视化操作方式,降低了使用门槛。该项目通过Web界面与本地Hermes Agent交互,实现更友好的操作体验。

qq_55438365的博客 1878

JavaScript学习笔记9

表单、控件 表单导航: document.forms – 一个表单元素可以通过document.forms[name/index]访问到。 form.elements – 表单元素可以通过form.element[name/index]的方式访问,也可以用form[name/index],elements属性也使用于 element.form – 元素通过form属性来引用它们所属的表单,value可以被通过input.value,textarea.value,select.value等来获取到,对于单选框

lina_ITgo的博客 217

RoboMaster机甲大师赛备赛:如何用STM32+CAN总线精准控制四个大疆3508电机?

本文详细介绍了在RoboMaster机甲大师赛中,如何利用STM32和CAN总线技术精准控制四台大疆3508电机。从硬件架构设计、多电机ID分配、数据解析到同步控制算法,全面解析了构建高响应、低延迟底盘驱动系统的关键技术,助力参赛队伍提升机器人运动性能。

weixin_28684825的博客 135

用document.forms[formname].elements[elementname].value获取FORM元素的value--测试通过

用新方法document取得FORM中的元素的value function sub() { var name = document.forms['theForm'].elements['name'].value; var sex = document.forms['theForm'].elements['sex'].value; alert(name); alert(sex); ret

东垂小夫 4240

过程挖掘(Process Mining)1——始于颜值

下周开始每周1-2篇的过程挖掘分享 过程挖掘是什么? 过程挖掘与过程管理的关系? 过程挖掘与数据挖掘的关系? 管理学还是计算机科学?

hyhy12580的博客 6236

COT Buck和普通Buck的区别

传统的电流模控制的调制原理,由时钟脉冲信号 clk 的上升沿触发开始一个新的开关周期,d 由低变高,主开关闭合,流过它的电流和电感电流相等,并以固定斜率逐渐增大,直至 iL *Ri 与斜坡补偿信号 se 的和等于控制信号 vc;此时,比较器的输出电平由低变高,导通时间产生器被触发,其输出 d 由低变高,并产生一个固定的导通时间 Ton;然后 PWM 比较器的输出由低变高,导通时间产生器被触发,主开关闭合,电感电流逐渐增大,直到导通时间产生器计满固定的时间 Ton,d 变为低电平,主开关断开,周期结束。

模拟芯片设计 1131

js之elements用法

1 js中有elements的用法,该用法是用于form表单内部的,其余的地方不能使用,否则会报错。 如:                                js: var id=document.form1.elements["bean.user_id"];//不会报错 var password=document.form1.elements["bea

xclsky的博客 9691

Python实战日志_P4_图书馆Web API服务

目标:使用Flask将图书馆系统升级为RESTful API服务,掌握Web开发基础难度:⭐⭐⭐⭐☆预计学习时间:75分钟前置要求:已完成第3篇《个人图书馆管理系统》

qq_39436086的博客 84

JS中用document对象操作form表单 案例

<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>百度360一起搜</title> <!-- 作者:李瑞琦 时间:2017-08-24 描述:用document对象操作form表单 -->

racy696的博客 6938

第14.8章 高翔博士最新开源框架Lightning-LM源码解读(八):位姿平滑器PoseSmoother深度剖析,从原理到代码实现

本文深度解析了高翔博士开源框架Lightning-LM中的位姿平滑器PoseSmoother模块。该模块通过设置平滑因子,在保证位姿准确性的同时减少突变,使位姿变化更平稳。文章详细讲解了模块功能、数据流程和核心代码实现,包括构造函数、拷贝构造函数以及关键的PushDRPose和PushPose函数。重点分析了位姿平滑算法原理,涉及运动有效性校验、位姿队列维护和平滑因子调节等核心机制。此外还介绍了相关C++语法(如显式构造函数、默认拷贝构造)和优化方向。本解析为SLAM学习者提供了位姿平滑处理的实用实现范例。

行知SLAM 607

计算机视觉与深度学习 | Matlab实现ORBSLAM2(附完整代码)

================================================ 博主github:https://github.com/MichaelBeechan 博主优快云:https://blog.csdn.net/u011344545 ================================================ 代码阅览 效果图 代码 imdsLeft = imageDatastore('C:\MichaelSpace\matlabworks

尘世冰封的专栏 1525

2025.4.14 form表单

form表单是HTML中用于收集用户输入信息的重要元素。通过表单,用户可以填写数据(如文本、数字、日期等),然后将这些数据提交到服务器进行处理。表单通常包含各种表单控件(如输入框、按钮、选择框等),这些控件共同构成了用户与网页交互的界面。

2503_90960068的博客 1242

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

动态生成form表单,不在为表单烦恼

form-create是具有数据收集、校验和提交功能的表单生成器,包含input、复选框、单选框、输入框、下拉选择框等元素以及省市区三级联动、时间选择、日期选择、颜色选择、文件/图片上传功能,支持事件扩展。 欢迎大家star学习交流:github地址 1.1版本重大更新 内部重构 新增 省市区三级联动组件 新增 组件事件扩展 优化 文件上传,时间选择等组件 待完善 [ ]...

轻松搞定低代码 2万+

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Vue表单生成器form-create的使用详解

form-create的使用 具有动态渲染、数据收集、校验和提交功能的表单生成器。 安装 CDN 引入 目前可以通过 unpkg.com/form-create 获取到最新版本的资源,在页面上引入 js 即可开始使用。 <!-- import Vue 2.5--> <script src="https://cdn.jsdelivr.net/npm/vue@2.5.16/dist/vue.min.js"></script> <!-- import iview 2.

leilei__66的博客 1万+

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")

12表单对象

表单对象 表单对象(Form) 提供一个让客户端输入文字或进行选择的功能,例如:单选按钮、复选框、选择列表等。由<FORM>标记组构成,JavaScript自动建立一个表单对象,并将用户端的信息送至服务器进行处理。表单对象是文件对象的子对象,同时,它也包含许多子对象。 1.表单对象的使用格式 document.forms[索引值].属性 docume...

weixin_30660027的博客 995

form表单以及CSS

HTML以及css的基础使用

m0_68989458的博客 3538

Vue2+ElementUI表单、Form组件的封装

在 Vue2 项目中,ElementUI 的 `el-form` 组件是常用的表单组件。它提供了丰富的功能和样式,可以满足各种需求。但是,在实际开发中,我们经常会遇到一些重复性的需求

qq_43657722的博客 3039

form表单提交点击按钮提交form表单

使用jquery提交form表单 2017-06-14  刘道鑫seq...  转自 I_T_馆 修改 微信分享: 需求是:新增页面,有一个表单要提交,正常直接在action中写url,点击submit按钮就可以提交了,但我希望能够在表单提交之前验证一下文本框内容。于是,使用jquery来验证表单,验证通过后提交form表单。

4788

三周精通FastAPI:14 表单数据和表单模型Form Models

Form您可以使用Pydantic模型在FastAPI中声明表单字段。😎。表单数据的「媒体类型」编码一般为application/x-www-form-urlencoded。

skywalk8163的专栏 1595

ajax上传form表单图片,php form表单ajax上传图片方法

form表单ajax上传图片方法先引用jquery.form.js前台代码 function TemporaryMedia() {//var image0 = $("input[name='file_temporaryImage']").val();//判断上传控件中是否选择了图片var image = $("#file_temporaryImage").val();if ($.trim(i...

weixin_36352025的博客 1321

HTML 14 HTML 表单form

HTML 14 HTML 表单form

代码改变世界 175

antd Form组件表单在vue3中的使用

antd Form表单组件有个最需要注意的问题,官方文档里写的很清楚: 这是什么意思,我们下面说个例子就明白了: <template> <a-form ref="formRef" :model="formState" :rules="rules" :label-col="labelCol" :wrapper-col="wrapperCol" > <a-form-item ref="username" name="user

Hiroshi's 6877

Django Form表单,常用表单字段

在Django中,表单(Forms)是处理用户输入数据的重要工具。Django提供了两种主要方式来创建和处理表单:使用Django的表单API手动创建表单,或者使用模型表单(ModelForms)自动从数据库模型生成表单。

人生苦短,何妨一试 1927

form表单校验

form表单 form表单用来前后端的交互 表单校验:过滤无效的请求 数据格式不合法 前端对数据的合法性进行校验 <form action="" method="" onsubmit=""></form> action:服务器的地址 method:数据传输方法GET POST GET 的缺陷:传输数据量有限 安全性欠佳 POST:比较安全 可以传输的数据量比较大 ...

var_da的博客 524
上一篇: 13 Event对象
下一篇: 15 Cookie对象
ppjava2009
博客等级 码龄17年 6粉丝 44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