HTML5应用:setCustomValidity(message)接口

HTML5表单的自动验证、取消验证、自定义错误信息 通过在元素中使用属性的方法,该属性可以实现在表单提交时执行自动验证的功能。下面是关于对元素内输入内容进行限制的属性的指定。pattern 属性的主要目的是根据表单控件上设置的格式规则验证输入是否为有效格式。通过在 input 元素中使用pattern 属性,并将属性值设为某个格式的正则表达式,该属性实现在提交表单时会检查其内容是否符合给定格式。 阅读详情

html5自带的表单验证给前端开发带来了极大的方便,但有些验证还是要自己写,比如常见的

注册界面,需要用户重复输入两次密码,这时候自带的type验证还有pattern验证是不能够实现

的。但是可以换一种角度,通过更改第二次输入密码时的pattern来达到验证。我表达的可能

不是很清楚,下面通过一个demo看一下具体的实现。

自定义html5验证

验证效果截图:


<!DOCTYPE html>
<html lang="en">

<head>
    <meta charset="UTF-8">
    <title>Document</title>
    <style>
    input {
        margin: 10px;
        font-size: 18px;
    }
    </style>
</head>

<body>
    <form action="" name="myform">
        <label for="user">用户名
            <input type="text" name="user" placeholder="请输入用户名" pattern="[A-z]{3}" required="required"oninput="chePattern(this,'请输入3个字母')" maxlength="3">
        </label>
        <br>
        <label for="password">密 码
            <input type="password" name="password" placeholder="请输入密码" required="required" pattern="^\d{3}$"oninput="chePattern(this,'请输入3位数字')" maxlength="3" onblur="document.myform.password1.pattern=document.myform.password.value;">
        </label>
        <br>
        <label for="password1">密 码
            <input type="password" name="password1" placeholder="请再次输入密码" required="required" maxlength="3" oninput="chePattern(this,'两次密码不同')">
        </label>
        <br>
        <label for="submit">
            <input type="submit" value="submit" name="submit">
        </label>
    </form>
    <script>
    function chePattern(i,tip) {
        var v = i.validity;
        if (true === v.valueMessing) {
            i.setCustomValidity("请填写此字段");
        } else {
            if (true === v.patternMismatch) {
                i.setCustomValidity(tip);
            } else {
                i.setCustomValidity("");
            }
        }
    }
    </script>
</body>

</html>

参考文章 http://tid.tenpay.com/?p=3592

在HTML5表单验证,自定义规则,用checkValidity()结合setCustomValidity()实现 阅读详情

相关推荐

HTML5高级之新增form表单中的新API、新事件(带示例)

  HTML5中新增的API方法   --setCustomValidity()      定制验证信息 --checkValidity()              实现表单验证   (1)setCustomValidity() --如果浏览器提交了一个包含无效的表单,支持HTML5的浏览器会显示一条错误信息 --使用setCustomValidity()可以定制化验证消息 -...

maoye的博客 1515

html表单样式提示语,HTML5 表单验证失败的提示语问题

前言但为了减轻法国孩子们学习历史的负担,该表单除了在1855年9月补选了一个五级酒庄以及在1973年将木桐酒庄升级为一级酒庄。邮箱地址验证:Test邮箱: 邮箱验证是 H5 自身支持的, 但是我们要验证的场景和情况是多种多样的, 那该怎么办? 用回 Js 吗? 很明显没这么蛋疼, 因为 H5 提供了 pattern 属性, 让我们自食其力! 我们可以在 pattern 指定正则表达式, 只要正则写...

weixin_33592736的博客 842

在HTML5中,你可以创建自定义错误提示信息来替换默认的服务器返回页面

记住,每个框架的具体实现可能会有所不同,但基本思路都是相似的:捕获错误、决定响应状态码、渲染预设的或自定义的错误页面。:错误页面的内容通常是HTML模板,包含了错误消息和可能的修复建议。在这个例子中,当任意类型的异常发生时,Spring MVC会查找名为"error/errorPage"的视图。:当框架检测到错误时,它会调用你设定的错误处理器,该处理器会加载对应的错误模板并填充错误信息。这样,当用户访问不存在的资源时,他们就会看到你自定义的错误页面,而不是默认的服务器返回消息。来指定默认的错误页面映射。

[Blog][Domain] programb.blog.youkuaiyun.com 2199

HTML5的新特性--基础知识(3)

1. setCustomValidity()     1.1 作用         自定义错误信息,一旦设置好了setCustomValidity(),当前表单是不允许被提交的,一旦提交,显示自定义错误信息     1.2 注意         setCustomValidity(""),一旦数据被修改正确后,需要通过setCustomValidity("")清空错误验证消息,使得表单允许

懒猫慧慧 865

原生Constraint Validation API前端表单校验实战

表单校验是Web交互的基础能力,其本质是通过HTML语义属性、浏览器内置约束机制与JavaScript事件协同,实现用户输入的实时反馈与错误拦截。Constraint Validation API作为现代浏览器标准方案,将校验逻辑解耦为语义层(type/required)、约束层(pattern/minlength)、交互层(checkValidity/reportValidity)和样式层(:valid/:user-invalid),显著降低维护成本并提升可访问性。相比Yup、Zod等第三方库,原生API

weixin_33898876的博客 315

自动控制原理之控制系统的数学模型(类比神经网络学习数学模型)

控制系统的数学模型背景建模方法常用的数学模型时域数学模型的建立建立微分方程的步骤复数域模型的建立传递函数的性质系统的典型环节及传递函数比例环节惯性环节积分环节微分环节理想微分环节一阶微分环节二阶微分环节振荡环节延时环节(时滞环节) 背景 数学模型就像是真实世界的写照,它就像一个虚拟的世界,我们可以通过建模的方式了解这个真实世界的运作规律。 这一点很像强化学习,强化学习需要一个供智能体探索、学习的环境,于是,我们通常会事先建立一个虚拟的仿真环境。举个例子,对于人类来说,可能需要经过不断地尝试,甚至是生命的代价

zbp_12138的博客 6578

HTML5--表单新特性使用自定义错误提示消息validity属性

一、HTML5表单新特性 这里由于不是本文的主要内容,所以就不详细介绍HTML5表单新特性,需要了解和学习的介意查看本人的另外一篇文章,里面有很详细的介绍关于HTML5的表单的新特性。 网址: http://blog.youkuaiyun.com/baidu_25343343/article/details/53140454 二、自定义错误是什么? 首先,HTML5的表单中有很

冯小东 2万+

【codex教程】Codex 注册和使用教程(2026最新版)

Codex 是 OpenAI 推出的 AI 编程助手,可以帮助开发者阅读代码、修改代码、运行命令、生成测试、排查 bug、做代码审查,也可以在终端、IDE、Codex App 或网页端使用。根据 OpenAI 帮助中心,截至 2026 年 6 月,Codex 已包含在 Free、Go、Plus、Pro、Business、Edu 和 Enterprise 等 ChatGPT 方案中,但不同套餐的使用额度会有所不同。适合开发者在终端中使用。如果你想在命令行里使用 Codex,可以安装 Codex CLI。

与时俱进,开放共享 2万+

HTML5表单必填属性设置自定义验证消息?

dituirenwu的博客 282

华为擎云W515 PGUV-WBY0安装银河麒麟V10全流程解析

本文详细解析了华为擎云W515 PGUV-WBY0安装银河麒麟V10系统的全流程,包括准备工作、镜像下载与校验、启动盘制作、BIOS设置、安装过程关键选择、系统初始化及常见问题排查。特别针对ARM架构设备提供了实用技巧,帮助用户顺利完成国产化系统的部署与优化。

weixin_28725949的博客 698

子网划分详解

还不会子网划分?看这篇就够了,保姆级教程

m0_47584619的博客 6093

HTML5 表单验证的oninvalid事件

定制校验规则 但是浏览器会显示通用的错误报告 好在可以用JavaScript添加自己定制的校验消息,只要把它加到oninvalid监听器上就行了 HTML DOM oninvalid事件(input元素内的值为无效值时触发的事件) 提交的input元素的值为无效值时,触发oninvalid事件。 例如:input元素设置了required属性,但是提交时该处为空就会触发o

99的博客 1万+

用Multisim仿真AD630锁定放大器:从2012年电赛A题实战到避坑指南

本文详细介绍了如何使用Multisim仿真AD630锁定放大器,从2012年电赛A题实战出发,提供完整的电路搭建、参数优化及避坑指南。重点解析AD630的开关调制架构和双相位检测的工程实现,帮助读者在强噪声背景下有效提取微弱信号,提升电子设计竞赛和工程实践中的信号处理能力。

weixin_42549451的博客 203

HTML5内置表单验证 Build-in Form Validation

HTML5表单的内置验证功能,可以通过required, pattern属性添加限制,用type="email"或"url"进行格式限制,在提交时自动进行验证病给出提示信息。也可以自定手动验证,显示自定义信息等。

qq_40461938的博客 1026

从零构建基于ZYNQ与AD9361的SDR信号源:FPGA逻辑与射频前端的协同设计

本文详细介绍了从零开始构建基于ZYNQ与AD9361的SDR信号源的完整流程。通过解析FPGA逻辑与射频前端的协同设计,重点阐述了如何利用FPGA生成基带信号,并通过ARM处理器配置AD9361,最终实现一个可编程的2.4GHz载波信号发生器。内容涵盖硬件选型、Vivado环境搭建、AXI总线通信、LVDS接口设计及软件驱动开发,为SDR开发者提供了实用的实战指南。

weixin_29200485的博客 214

AgentScope实战训练营-Java开发HITL人机协作AI应用完整指南

本文手把手带你从零搭建一个基于 Spring Boot WebFlux + AgentScope + 通义千问的人机协作(HITL)AI 聊天应用。项目涵盖流式对话、工具调用、高危操作确认、对话中断、动态 MCP 工具接入、中英文双语界面等完整功能。文章从环境准备、pom.xml 配置、DTO 数据模型、Hook 机制、AgentService 核心服务、ChatController 接口到前端 HTML/CSS/JS 实现,逐一讲解每行代码的设计意图,并附带 REST API 接口说明、测试场景、常见问题

program哲学 713

改HTML5里的input标签的required属性的提示为英文的

原文出处:http://zhidao.baidu.com/link?url=bVzR5uJ0pHchYtnUAbwbjmfKwBi6tF52wjOqWQtyGddJ6ZpGbd4qPM7Q_pfIEsD2qIVD42yyLVVbxF53ZICrKVfd5MEk1-n0rU1eewrrjja 大家都知道HTML5为input标签里新增了required属性,在提交表单时,如果requi

chelen_jak的专栏 8950

多模态对齐方案

本文中我们介绍了 13 中常见的大型多模态模型(Large Multimodal Models, LMM),包括 BLIP-2,LLaVA、MiniGPT、Qwen-VL 以及 Ferret 等。最全 LMM 模型结构(13种)综述。单层linear投影、两层mlp。

liguandong 2082

html5重置,javascript – 如何在“setCustomValidity(”…“)之后清除,删除或重置HTML5表单验证状态;”?...

I confirmed Opera 11.50 worked as your expectation, but Firefox 6 andChrome 14 didn’t.However, Chrome’s behavior is correct according to the standard.07000If the submitted from submit() method flag is...

weixin_34702885的博客 246

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

html5表单验证

h5新增的表单验证都存在了ValidityState对象中,该对象是通过validity 属性获取的, 该对象有11个属性; 1.valueMissing属性 必填的表单元素的值为空。对应required 2.typeMismatch属性 输入值与type类型不匹配,如email、number、url等 3.patternMismatch属性 输入值与pattern特性的正则不匹配。 4.tooL...

u011165335的博客 1149

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

html5 form 验证状态,详解HTML5中表单验证的8种方法介绍

在深人探讨表单验证之前,让我们先思考一下表单验证的真实含义。就其核心而言,表单验证是一套系统,它为终端用户检测无效的控件数据并标记这些错误。换言之,表单验证就是在表单提交服务器前对其进行一系列的检查并通知用户纠正错误。但是真正的表单验证是什么?是一种优化。之所以说表单验证是一种优化,是因为仅通过表单验证机制不足以保证提交给服务器的表单数据是正确和有效的。另一方面,设计表单验证是为了让Web应 用更...

weixin_28930033的博客 689

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")

html表单验证元素必填,html5 form-Validity验证函数

h5 为表单新增了很多类型,及属性。根据这些新增的类型及属性 h5也为我们提供了验证这些数据的js函数,这些验证表单的函数都存在了ValidityState对象中,接下来让我们一起来了解一下这些函数的用法:ValidityState对象ValidityState对象是通过validity 属性获取的,该对象有8个属性,分别针对8个方面的错误验证,属性值均为布尔值。1.valueMissing属性必...

weixin_42299427的博客 1533

基于 Haystack 构建新闻抓取 Agent 并用 RagaAI Catalyst 进行 Agentic Tracing 的完整实践指南

本文以 RagaAI-Catalyst 仓库中的 [Haystack News Fetching 示例](https://link.gitcode.com/i/85cf93a6629799a3f8ee313eed87f879) 为主体,系统讲解如何用 Haystack Pipeline 组装一个具备"工具调用决策"能力的新闻抓取 Agent(通过 SerperDev 网络搜索实时回答问题),并接入

gitblog_00727的博客 895

HTML5 validity api,html5 form-Validity验证函数

h5 为表单新增了很多类型,及属性。根据这些新增的类型及属性 h5也为我们提供了验证这些数据的js函数,这些验证表单的函数都存在了ValidityState对象中,接下来让我们一起来了解一下这些函数的用法:ValidityState对象ValidityState对象是通过validity 属性获取的,该对象有8个属性,分别针对8个方面的错误验证,属性值均为布尔值。valueMissing属性必填的...

weixin_42306688的博客 314

HTML 约束验证

HTML5引入了表单相关的一些新机制:它为<input>元素和约束验证增加了一些新的语义类型,使得客户端检查表单内容变得容易。基本上,通过设置一些新的属性,常用的约束条件可以无需 JavaScript 代码而检测到;对于更复杂的约束条件的校验可以尝试使用约束验证 API。

liuxiaoqi_123的博客 1087
上一篇: 前端编码规范
下一篇: jquery表单验证插件
shitouPlus
博客等级 码龄11年 2粉丝 43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