easyui tree为什么不能选中子节点

EasyUI tree 选中父节点子节点全部选中,选中子节点父节点不选中 需求:EasyUI tree 选中父节点子节点全部选中,选中子节点父节点不选中 效果:            /** * 给树增加onCheck事件,首先使用cascadeCheck:false属性禁止全选, * 然后获取当前选中节点的所有子节点,在判断其拥有子节点时对其所有字节点 * 进行遍历操作。在easyui中树节点的是否选中不是由check 阅读详情

工程中需要对tree的节点进行更新的操作。但是更新完之后去执行('#xxx').tree('select', node.target)却不能选中该节点。

1、首先选中所要更新的节点curnode = $("#tree").tree('getSelected');

2、进行一系列的更新操作;

3、进行完更新操作之后,直接reload该节点,发现没有更新。故找到其父节点,进行reload之后展开,然后select该节点。代码如下:

var parentNode = $("#tree").tree('getParent', curnode.target);
  $("#tree").tree('reload', parentNode.target);
  $("#tree").tree('expand', parentNode.target); 
  $("#tree").tree('select', curnode.target);

奇怪的是该节点并没有被选中。

后来尝试着展开父节点之后执行find方法去找到该节点,但是得到的结果一直是null。

各位大仙有没有遇到过类似的问题?

 

【Jquery easyui 】Jquery easyui tree的使用 这个ui用的一切都是json数据。树也是如此!后台需要返回与格式匹配的json数据才能正确加载树。页面定义一个ui:[html] view plain copy<ul id="messageInfoAddTree" class="easyui-tree" checkbox="true" data-options="lines:true" style="height:94%">&am 阅读详情

相关推荐

easyui tree打开新节点清除缓存问题

近期写的一个项目需要用到tree显示

dingwenzheng的专栏 3986

【easyUI】禁用datagrid&treegrid复选框

最近公司启动了新项目,所以一直在和客户谈需求,撰写前期的设计相关文档,博客也陷入了停滞阶段。刚好今天搜集了两个问题,搜集的过程也算是耗时不短,所以记录下来,以备后用。 禁用datagrid复选框 思路就是,datagrid在load成功后,本身就需要去读取数据中的复选框选中值,从而判断该条目是否勾选,于是我在这个逻辑下面增加了一句话$(".datagrid-row[datagrid-row-inde

柠檬加冰 4266

easyUI的tree后台实现

easyUI的tree后台实现前言一、easyui入门手写前端框架图二、实现tree效果 前言 今天所要实现的效果是tree的结构,实现的功能展开,折叠 需要实现的效果图 一、easyui入门手写前端框架图 1、首先我们应该想写出一个前端展示出来大致框架 导入一个文件jquery-easyui-1.5.1 想要调用jquery-easyui-1.5.1中的样式,应该要的代码 有些人存放的路径不同,那么久改一下垃圾就可以了 <!-- 全局样式 --> <link rel="stylesh

小七 602

扩展jquery easyui tree的搜索树节点方法

因为jquery eas扩展了jquery easyui tree搜索树节点的方法,

stalwartwill的专栏 3万+

安装破解IAR EWARM 8.2,提供注册机

IAR Embedded Workbench for ARM(IAR for ARM)是一款微处理器的集成开发环境软件,该集成开发环境中包含了IAR的C/C++编译器、 汇编工具、链接器、库管理器、文本编辑器、工程管理器和C-SPY调试器,支持ARM,AVR,MSP430等芯片。   一、安装 双击运行安装程序,点击Install IAR Embedded Workbench for ARM...

睿思派克 4万+

CCC数字钥匙3.0标准解读(16)

介绍通信过程最重要部分:身份认证和加密.介绍需要身份认证的过程和需要加密的数据及过程.

weixin_41738640的博客 1534

easyUi Tree的CheckBox级联选中问题

需求:子结点选中,父节点随之选中,父节点取消,子节点随之取消,但是加载的时候不进行级联加载 var data = [{ "id": 1, "text": "系统", "children": [{ "id": 11, "text": "用户管理",

写博客只为学习 2399

ESP32Servo库驱动SG90舵机:从入门到精准控制

本文详细介绍了如何使用ESP32Servo库驱动SG90舵机,从硬件连接到软件环境搭建,再到编写示例程序实现精准控制。内容涵盖库安装、基础驱动代码解析、舵机校准方法以及平滑运动控制,帮助开发者快速掌握ESP32控制舵机的核心技能,并提供了电源管理、信号抗干扰等实用避坑指南。

ik678901的博客 898

解决 jquery 版本的easyui datagrid标题全选在内容复选框有禁用的情况下不勾选的问题

解决 jquery 版本的easyui datagrid复选框有禁用的情况下标题全选不勾选的问题。 一开始是使用attr添加checked,但是无效. 后来百度的时候看见有篇文章可能是jquery版本的问题,需要使用prop 使用prop后解决了这个问题。...

yxm_136452789的博客 733

ubuntu 20.04系统离线安装nfs

ubuntu环境下,离线安装nfs

m0_62464865的博客 2241

【麒麟桌面系统】企业微信提示当前副设备的企业微信版本较低

银河麒麟系统中登录企业微信时出现"副设备版本较低"的报错,可通过两种方案解决:1)更新最新版企业微信,需替换软件源并刷新软件商店安装8.0-50-4.1.26.6019kylin5版本;2)安装内测5.0版本企业微信,需下载deb包后使用sudo dpkg命令安装。文章还提供了常见问题解决表和长期维护建议,包括系统更新检查、软件源验证等维护项目及具体操作指南。

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 2272

easyUI Tree树动态刷新子节点

$("#tree").tree({ url: 'xxx', // 默认是post请求 checkbox: false, animate: true, lines: true, loadFilter: function(rows){ // 返回要显示的过滤数据。返回数据时以标准树格式返回的。也就是说把一个数组转换成树的json数组 ...

qq_35134066的博客 1884

Python OpenCV教程从入门到精通的全面指南【文末送书】

全书共分为16章,包括Python与OpenCV、搭建开发环境、图像处理的基本操作、像素的操作、色彩空间与通道、绘制图形和文字、图像的几何变换、图像的阈值处理、图像的运算、模板匹配、滤波器、腐蚀与膨胀、图形检测、视频处理、人脸检测和人脸识别以及MR智能视频打卡系统。主流技术,全面覆盖:本书内容丰富,涵盖了Open CV图像处理技术的方方面面,如图像的几何变换、阈值处理、图像运算、模板匹配、滤波器、腐蚀与膨胀、图形检测、视频处理、人脸检测和人脸识别等。此外,通过对比原图,可更直观地看到图像经过处理后的效果。

一键难忘的博客 9075

easyui中tree的父节点id获取

easyui中使用tree可以完美的展现树形结构。如下图 html代码如下: 使用cascadeCheck:true为级联选中子节点,默认值为true。 <ul id="resourceTree" class="easyui-tree" data-options=" url:'privilegemgmt/resourceAction_getAll.action',

哟呼很多事的专栏 1万+

基于STM32+华为云IOT设计的云平台监控系统_102

本次设计结合现代生活的具体需求,设计出一套基于华为云IOT设计的云平台监控系统,可以远程实时查看家里光照强度、温湿度等信息,支持在云端控制家里的电器设备,实现远程控制。

7644

Python爬虫实战:如何通过解析JSON数据抓取抖音视频评论

本文介绍了如何使用Python爬虫抓取抖音视频评论数据。请求头伪造:通过使用随机的User-Agent,模拟真实用户的请求。代理池:使用代理IP来避免被封禁。JSON解析:直接从API接口获取JSON格式的数据,避免了动态加载内容的限制。需要注意的是,抓取网站数据时应遵守网站的爬虫协议,避免过度抓取影响网站性能或违反法律法规。希望本文能够帮助你掌握如何抓取和分析抖音视频评论数据!

2201_76125261的博客 3361

easyui tree的全选、全不选和反选

全选、全不选是用的同一个函数@param  {[boolean]} ifcheck [是否选中true:全选,false:全不选]@param  {[string]}  treeId  [树的id]function easyuiTreeChecked(ifcheck, treeId) { var _tree = $('#' + treeId), roots = _tree.tree('getRo...

qq_35676471的博客 4069

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。

Easyui tree扩展tree方法获取一级子节点

Easyui Tree插件获取子节点的时候用的getChildren方法,但是这个方法获取到的节点却是级联获取了子节点下的子节点,但是在有些时候,我们并不希望他返回这么多。我们只想获取目标节点的一级子节点,那么就我们就需要扩展我们自己的方法了。 这里我扩展了这个方法(getLeafChildren): $.extend($.fn.tree.methods,{ getLeafChildren

攻城记 4361

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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!

关于easyui tree控件树节点的搜索实现

easyui tree树我们开发人员一般都不会陌生,很多时候我们会有这么一个需求,让子树层级比较多的时候,我们要寻找我们需要的子树就变得有些麻烦,所以我们可以做一个树的搜索功能,废话不多说,我们立刻上代码: <input class="easyui-searchbox" data-options="searcher:searchDept,prompt:'搜索部门'" id="s

kry1201的专栏 7571

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")

easyUI tree点击文字展开节点

easyUI tree点击文字展开节点

java程序员的蜕变之路 3313

EasyUI 递归遍历tree以及全选与全不选

EasyUI网上的全选与全不选都是只针对根节点的,并没有对子节点进行处理,因此自己略做改进写了一版,如下: function treeChecked(selected, treeMenu) { var _tree = $('#' + treeMenu); var roots = _tree.tree('getRoots');//返回tree的所有根节点数组 if (sele...

long9870的博客 1898

easyui tree插件扩展

/** * 1)扩展jquery easyui tree的节点检索方法。使用方法如下: * $("#treeId").tree("search", searchText); * 其中,treeId为easyui tree的根UL元素的ID,searchText为检索的文本。 * 如果searchText为空或"",将恢复展示所有节点为正常状态 */ (function($) {

stalwartwill的专栏 5939

easyUI 多选tree点击节点即选中的方法

 easyUI tree 树无法通过点击树节点,而将点击的节点选中,故在树中增加点击事件 window.onload = function(){  $('#easyuiTree').tree({      url:'',      animate:true,      lines:true,      checkbox:true,      onClick: function

窥云偶偶的博客 2886

EasyUI实现异步加载tree(整合Struts2)

首先jsp页面有一ul用于展现tree 1.extends是json-default,表示返回json对象格式。 2.result中param的name为root,里面设置的值就是action中要返回的JSON对象

itmyhome的专栏 7663

easyui tree 刷新指定节点非reload

最近项目中使用easyui中tree插件展示zk目录结构,这里总结记录一些用法。 tree的api中有reload方法,reload方法从根目录刷新目录。 直接上代码了,注释写的很清楚。如果不清楚某些字段、属性,可以console.log(),打印出来看看。 var refresh = ...

979
上一篇: Tomcat启动异常java.lang.Exception: Socket bind failed: [730048]
下一篇: javascript代码的运行原理
小康师傅
博客等级 码龄16年 2粉丝 4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