第六天 JSON和AJAX基础教程

【python3.7】解决报错 error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ 解决pip安装py7zr遇到的报错问题。 阅读详情

JSON : JavaScript Object Notation (JavaScript 对象表示法)。
JSON用来存储和交换文本信息,它比xml更加简洁高效。

JSON语法

[
    {
        "name":"风沐流萤",
        "age":18,
        "sex":"男"
    },{
        "name":"你",
        "age":10,
        "sex":"男"
    }
]

数据写成"名称":值
数据由逗号分隔
大括号保存对象
中括号保存数组

JSON解析

JSON.stringify() 方法将 JavaScript 对象转换为字符串。
JSON.parse() 方法将字符串转换为 JavaScript 对象。

function person(){
    this.name="张三";
    this.sex="女";
}
var jon = JSON.stringify(new person());
console.log(jon);//输出"{"name":"张三","sex":"女"}"
var zs = JSON.parse(jon);
console.log(zs.name);//输出"张三"

AJAX : Asynchronous JavaScript and XML(异步的JavaScript和XML)。
AJAX主要用于动态更新网页上的部分内容。

三步创建AJAX

第一步 创建XMLHttpRequest对象
var xmlhttp;
if (window.XMLHttpRequest){
    xmlhttp=new XMLHttpRequest();
    //IE7+, Firefox, Chrome, Opera, Safari等浏览器执行这个
}else{
    xmlhttp=new ActiveXObject("Microsoft.XMLHTTP");
    //为了兼容IE6, IE5浏览器
}
第二步 添加onreadystatechange事件

readyState存有XMLHttpRequest的状态。从0到4发生变化。
0: 请求未初始化
1: 服务器连接已建立
2: 请求已接收
3: 请求处理中
4: 请求已完成,且响应已就绪
每当readyState改变都会触发onreadystatechange事件。
status是Http状态码
200: 请求成功
404: 页面未找到

xmlhttp.onreadystatechange=function(){
    if (xmlhttp.readyState==4 && xmlhttp.status==200){
    //确保请求成功
        document.getElementById("myDiv").innerHTML=xmlhttp.responseText;
        //xmlhttp.responseText是得到的字符串数据
    }
}
第三步 发送请求
xmlhttp.open("GET","myjson.json",true);//这里请求的是一个json文件的数据
xmlhttp.send();

GET还是POST?
与 POST 相比,GET 更简单也更快,并且在大部分情况下都能用。
然而,在以下情况中,请使用POST请求:
无法使用缓存文件(更新服务器上的文件或数据库)
向服务器发送大量数据(POST没有数据量限制)
发送包含未知字符的用户输入时,POST比GET更稳定也更可靠。

基于DINO自监督学习对YOLO11 Backbone进行预训练 这PoolHead将获取前一层的输出并应用卷积,然后应用自适应平均池化以将特征图的空间维度减小为固定且一致的大小(1x1)。这是必需的,因为否则空间维度会根据输入的大小而变化,这将使将 DINO 头部附加到主干变得困难,因为它需要固定的输入大小。在本指南中,我们将介绍如何使用 Lightly 使用 DINO 预训练 YOLO 11主干,以及如何将其重新加载到 Ultralytics 中进行微调。您可以使用不同的大小,例如,640这与 YOLO 中的默认图像大小更一致,但它也会在训练期间消耗更多 VRAM。 阅读详情

相关推荐

Linux新手必看:FinalShell连接不上?从检查IP到配置固定地址的完整排错指南

本文为Linux新手提供了FinalShell连接失败的完整排错指南,涵盖IP检查、SSH服务状态、防火墙配置和静态IP设置等关键步骤。通过详细的命令行操作和配置示例,帮助用户快速解决远程连接问题,提升Linux使用效率。

weixin_30675247的博客 753

笔记45-Ajax&Json

文章目录AJAX1. 概念:1. 异步和同步: 客户端和服务器端相互通信的基础上2. 实现方式:1.原生的JS实现方式(了解) AJAX 1. 概念: ASynchronous JavaScript And XML 异步的JavaScript和XML 1. 异步和同步: 客户端和服务器端相互通信的基础上 客户端必须等待服务器端的响应,在等待的期间客户端不能做其他操作 客户端不需要等待服务器端的响应,在服务器处理请求的过程中,客户端可以进行其他的操作 2. 实现方式: 1.原生的JS实现方式(了解) &l

Saito__Asuka的博客 555

从零到一:手把手教你用DJI E-Port套件为M350 RTK开发第三方负载(PSDK V3实战)

本文详细介绍了如何使用DJI E-Port套件为M350 RTK开发第三方负载,涵盖硬件配置、开发环境搭建及实战应用。通过PSDK V3开发套件,开发者可以高效实现负载与无人机的通信,适用于电力巡检等工业场景,提升开发效率与系统稳定性。

weixin_26841743的博客 701

AJAX和JSON的基础学习

AJAX 概念:全称为( ASynchronous JavaScript And XML )异步的JavaScript 和 XML。 异步与同步的区别,当客户端与服务器进行交互的时候,异步是不需要等待服务器响应,可以继续执行操作,而同步是需要等待服务器响应,才能完成下一步操作。 Ajax 是一种在无需重新加载整个网页的情况下,能够更新部分网页的技术。传统网页需要重新加载整个网页。 JQuery...

weixin_42982622的博客 222

多尺度变换(Multidimensional Scaling ,MDS)详解

介绍多尺度变换基本原理

5214

Cluster Computing投稿

在overleaf中新建picins.sty文件,该文件是导入的包在.tex文件中添加以下内容\usepackage{picins}%实现作者简介%下边这块有几个人复制几段\vspace{0\baselineskip} %这一行控制作者间隔,可视情况改数字!!!!!!!!

这里是萤石ym的学习路途,努力搬砖! 5533

菜鸟AJAX 教程和JSON

哈哈,以前学前端学过,那时不会后台,没搞明白,现在再学试试看。 AJAX  读法:误[啊,贾克斯】,正确读法[ˈeˌdʒæks]  平a贾克斯 AJAX = Asynchronous JavaScript and XML(异步的 JavaScript 和 XML)。 AJAX 最大的优点是在不重新加载整个页面的情况下,可以与服务器交换数据并更新部分网页内容。AJAX 是一种在无需重新加载整...

Spring Lee的博客 1820

在树莓派5(8G版)上运行Ollama + LLM

直接上结论,Ollama在树莓派上能安装,且本身运行起来毫无压力,但具体到大语言模型,Deepseek似乎不总是最佳选择。

ki1381的专栏 1649

JS 对象原型学习笔记function Person(name,age,sex) { this.name = name; this.age = age; this.sex =

JS原型学习笔记

javaEE_zero的博客 3720

学习C++的递归函数(包含汉诺塔讲解)

简单来讲,递归函数就是函数本身自己调用自己,那么函数又是什么呢?#include <stdio.h> //这行是头文件,不同的头文件可以用不同的函数int main() //这里就是一个main函数//这里是你要编写程序的内容return 0;(这是个小细节如下)所以我们平时用来练习的就是一个main函数,而且是一个整型类型的函数,而这也是最后一句话为什么要加一句 return 0;了,因为它最后要返回整数类型,其它整数也可以,但是大家规定为0,这是C++自带的函数。

2302_81032013的博客 2594

从NVLINK到EthLink:GPU互联技术演进全解析(含最新行业趋势)

本文深入解析了从NVLINK到EthLink的GPU互联技术演进,重点剖析了Scale-up与Scale-out两种核心范式。文章详细对比了NVLINK、UALINK及革命性的EthLink技术,后者创新性地将以太网改造为支持Load/Store与RDMA双语义的高性能互联网络,旨在打破封闭生态,实现高性能与开放性的统一。最后,文章提供了技术选型指南并展望了未来以以太网为主导、语义融合的行业趋势。

weixin_29204749的博客 177

go语言学习第六天==>处理http请求、设置http详细信息、服务器响应JSON数据(可给ajax解析)、json+map+struct之间的转换

go语言学习第六天==>处理http请求、设置http详细信息、服务器响应JSON数据(可给ajax解析)、json+map+struct之间的转换 - HTTP服务端处理HTTP请求 //函数原型:指定tcp地址 进行监听 //参数1为地址 //参数2为服务端处理程序 通常为空 func ListenAndServe(addr string, handler Handler) er...

KongYu01的博客 784

Flink实战案例(十三):Flink DataStream 八大分区策略与自定义分区器

声明:本系列博客是根据SGG的视频整理而成,非常适合大家入门学习。 《2021年最新版大数据面试题全面开启更新》 分区策略决定了一条数据如何发送给下游。Flink中默认提供了八大分区策略(也叫分区器)。 本文基于Flink 1.9.0总结Flink DataStream中的八大分区策略以及手动实现一个自定义分区器。 八大分区策略继承关系图 ChannelSelector: 接口,决定将记录写入哪个Channel。有3个方法: void setup(int numberOfChannels):

微信搜:import_bigdata,大数据领域硬核原创作者 1124

NodeJS_06_Mysql_Promise_json-server_http-server

NodeJS七天课程学习笔记_第6天课程内容概要:    1.  Node 中如何操作Mysql数据库 (包括如何使用连接池pool)    2. 将上一个使用MongoDB的CRUB项目改写成使用Mysql    3. 针对回调地狱callback hell 而生的 Promise语法    4. 封装promise版本的自定义ajax的get方法    5. 演示一下promise的使用场景 ...

pre_eminent的JAVA学习园地 670

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

Ajax — 第六天

Ajax-06 GET和POST的区别 字面意思不同 GET 是获取意思。想从服务器获取数据,用GET方式的请求 POST是邮递、邮寄意思。如果提交数据到服务器,用POST方式 请求参数位置不同 GET 请求参数会和url拼接到一起,形如 api/getbooks?id=2&age=3 POST 的请求参数,也叫做提交的数据,它不会和url拼接到一起 浏览器工具查看请求参数...

黑白两客 215

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

【ajax知识点整理】(复习第六天)

81、web服务器访问流程 (1)浏览器(客户端) 通过 请求 向服务器发送数据 (2)服务端通过 响应 向浏览器(客户端)响应数据 82、请求响应流程 (1)用户在浏览器地址栏输入我们需要访问的网站网址(URL) (2)浏览器向服务器发送请求(HTTP 请求),告知服务器要获取的内容(请求) (3)服务端处理浏览器发送的请求,并把处理的结果返回(HTTP 响应)给浏览器(响应) (4)浏览器将服务端返回的结果呈现到界面上 83、http协议 超文本传输协议(Hypertext Trans

qq_65923595的博客 153

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")

React从入门到项目--第六天(React中Ajax的使用)

React与之前学过的jQuery不同的是,React本身只关注界面,本身并不包含相关发送ajax的代码,就像jQuery中的$.ajax()在React中是不存在的。 前端应用需要通过 ajax 请求与后台进行交互,获取相应的Json数据。 在React中的前端应用,在与后台进行交互的时候,需要依赖于第三方的ajax库来完成,或者自己进行原生JS的封装,不过这一点工作量就比较大了,相信也不会...

欢迎来到我的博客 524

逆水行舟之servlet学习第六天

一、Ajax 1. 概念: ASynchronous JavaScript And XML 异步的JavaScript 和 XML。 是一种在无需重新加载整个网页的情况下,能够更新部分网页的技术。 通过在后台与服务器进行少量数据交换,Ajax 可以使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下,对网页的某部分进行更新。传统的网页(不使用 ( Ajax)如果需要更新内容,必须重载...

SmallScorpion 211

jQuery框架学习第六天:jQuery中的Ajax应用

jQuery框架学习第一天:开始认识jQueryjQuery框架学习第二天:jQuery中万能的选择器jQuery框架学习第三天:如何管理jQuery包装集 jQuery框架学习第四天:使用jQuery操作元素的属性与样式jQuery框架学习第五天:事件与事件对象jQuery框架学习第六天:jQuery中的Ajax应用jQuery框架学习第七天:jQuery动画–jQuery让页面动起来! jQu...

weixin_34072159的博客 95

jquery Ajax应用

jQuery框架学习第六天:jQuery中的Ajax应用 jQuery框架学习第一天:开始认识jQuery jQuery框架学习第二天:jQuery中万能的选择器 jQuery框架学习第三天:如何管理jQuery包装集 jQuery框架学习第四天:使用jQuery操作元素的属性与样式 jQuery框架学习第五天:事件与事件对象 jQuery框架学习第六天:jQuery中的Ajax应用 jQu...

weixin_30429201的博客 186

[转帖]jQuery框架学习第六天:jQuery中的Ajax应用

一.摘要本系列文章将带您进入jQuery的精彩世界, 其中有很多作者具体的使用经验和解决方案, 即使你会使用jQuery也能在阅读中发现些许秘籍. 本篇文章讲解如何使用jQuery方便快捷的实现Ajax功能.统一所有开发人员使用Ajax的方式. 二.前言Ajax让用户页面丰富起来, 增强了用户体验. 使用Ajax是所有Web开发的必修课. 虽然Ajax技术并不复杂, 但是实现方式还是会...

weixin_30770495的博客 117

前端学习记录 Day6(Ajax)

Day 5 2019年8月2日。 这是我学习前端的第五天。 这一天,我学到了以下的知识。 前导知识 学习Ajax,需要掌握的知识如下: Spring MVC Controller Spring MVC配置文件 web.xml JavaScript 引入JavaScript,<script> 函数 选择器 标签选择器 类选择器 id选择器 jQuery公式 $(选择...

赈川 384

jQuery解析XML数据(jQuery调用JSON数据学习第六天)

       与传统的JavaScript调用XML数据相比,使用jQuery框架解析XML数据将方便很多,通常情况下,在jQuery框架中,先使用$.ajax()方法请求并打开指定的XML文件,然后,在回调函数中获取返回的XML文件数据对象,使用find(),children(),text()方法获取各标签下的元素并读取元素的值。 (1)功能描述        在页面中,用户单击“获取数据”...

weixin_42306620的博客 962

ssm-学子商城-项目第六天

ssm-学子商城-项目第六天 2018年04月18日 09:59:31 achang编程 阅读数:872 地址管理 1.添加地址 1.2 省市区列表 1.2.1 显示省信息 4.页面:把json数据显示到省列表中 //显示省列表信息 function getProrvinces(){ $.ajax({ "url":"${pageContex...

weixin_43272719的博客 479

[第六天]uni开发vue页面使用接口调用数据的流程

uni通过request请求的方法来进行数据的传递和请求主要采用了post和get方法,默认情况下采用了get方法,method进行传递方法的标记总体语法和流程和ajax相似,不过最后都要通过json还有return进行数据的返回,以此达到传递信息的作用 使用v-for标签循环数组@click=用于绑定事件 通过后端处理数据,最后返回json值$list以data的形式在jso...

夏日起子的博客 354

jquery学习笔记之Ajax应用(内含jquery十一天学习笔记链接)

jQuery框架学习第一天:开始认识jQuery jQuery框架学习第二天:jQuery中万能的选择器 jQuery框架学习第三天:如何管理jQuery包装集  jQuery框架学习第四天:使用jQuery操作元素的属性与样式 jQuery框架学习第五天:事件与事件对象 jQuery框架学习第六天:jQuery中的Ajax应用 jQuery框架学习第七天:jQuery动画–jQuer

w20101114的专栏 713
上一篇: 第五天 Javascript面向对象和一些常用对象
下一篇: 第七天 JQuery基础教程
风沐流萤
博客等级 码龄14年 31粉丝 11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