jquery封装评分插件

基于jQuery的星级评分插件实战应用 jQuery星级评分插件是一种基于 jQuery 构建的前端组件,旨在为网页提供直观、交互性强的评分功能。它通过图形化的星级展示,让用户能够轻松完成评分操作,广泛应用于电商平台、评论系统、用户反馈等场景。该插件通常具备丰富的配置项,如设置默认评分、只读模式、半星评分等,支持高度定制化。同时,它在主流浏览器中表现稳定,兼容 jQuery 1.x 到 3.x 的多个版本,适合不同项目需求。 阅读详情

转载于:https://www.imooc.com/u/2084853/courses?sort=publish

(function(){
    // LightEntire.prototype = new Light();
    // LightHalf.prototype = new Light(); //如果这样会继承自有属性和原型方法 Light.prototype中的方法和Light函数通过this赋值的东西(这个我们已经通过call实现了,不需要,资源浪费)

    // 继承
    var extend = function(subClass,superClass){
        var F = function(){

        }
        F.prototype = superClass.prototype;
        subClass.prototype = new F();
        subClass.prototype.subClass = subClass;
    }
    // 父类
    var Light = function(el,options){
        this.$el = $(el);
        this.$item = this.$el.find('.rating-item');
        this.opts = options;
        this.add = 1;
        this.selectEvent = 'mouseover';

    }
    //初始化
    Light.prototype.init = function(){
        this.lightOn(this.opts.num);
        if(!this.opts.readOnly){ //判断是否只读
          this.bindEvent();
        }
    };
    Light.prototype.lightOn = function(num){
        num = parseInt(num);
           this.$item.each(function(index) {
             if (index < num) {
                $(this).css('background-image', 'url("./star-on.png")');
            } else {
                $(this).css('background-image', 'url("./star-off.png")');
            }
        });
    };
    Light.prototype.bindEvent = function(){
            var self = this,
            itemLength = self.$item.length;

            self.$el.on(self.selectEvent, '.rating-item', function(e) {
                var $this = $(this);
                var num = 0;

                self.select(e,$this);
                num = $(this).index()+self.add;
                self.lightOn( num ); //this指向 '.rating-item'

                (typeof self.opts.select === 'function') && self.opts.select.call(this,num, itemLength);//this指向的是移动的星星
                //先判断是否是函数,然后执行这个函数,用call去改变select中的this;

                self.$el.trigger('select',[num,itemLength]); 
                //移动到信息触发一个事件
            })
            .on('click', '.rating-item', function() {
                self.opts.num = $(this).index() + self.add;
                 (typeof self.opts.chosen === 'function') && self.opts.chosen.call(this, self.opts.num, itemLength);
                 self.$el.trigger('chosen',[ self.opts.num,itemLength]);
            })
            .on('mouseout', '.rating-item', function() {
                self.lightOn(self.opts.num);
            });
    };
    Light.prototype.select = function(){
        throw new Error('子类必须重写此方法');
    };
    Light.prototype.unbindEvent = function(){
        this.$el.off();
    }


    //点亮整颗星星
    var LightEntire = function(el,options){
        Light.call(this,el,options); //继承父类自有属性
        this.selectEvent = 'mouseover';

    }
    extend(LightEntire,Light);//继承父类原型方法

    LightEntire.prototype.lightOn = function(num){
       Light.prototype.lightOn.call(this,num);
    };
    LightEntire.prototype.select = function(){
        self.add = 1;
    }

      //点亮半颗星星
    var LightHalf = function(el,options){
        Light.call(this,el,options); //继承父类
        this.selectEvent = 'mousemove';
    }
    extend(LightHalf,Light);//继承父类原型方法

    LightHalf.prototype.lightOn = function(num){
        var count = parseInt(num);
        var isHalf = count !== num;

           Light.prototype.lightOn.call(this,count);

           if(isHalf){
            this.$item.eq(count).css('background-image','url("./star-half.png")');
           }
    };

    LightHalf.prototype.select = function(e,$this){
        if(e.pageX - $this.offset().left < $this.width()/2){
            this.add = 0.5;
        }else{
            this.add = 1;
        }
    }


    //默认参数
    var defaults = {
        num: 0,
        mode: 'LightEntire',
        readOnly: false,
        select: function(){

        }, //移动到星星的方法
        chosen: function(){

        } //点击星星的方法
    };
    var mode = {
        'LightHalf': LightHalf,
        'LightEntire': LightEntire
    }
    //初始化
    var init = function(el,option){
        console.log(el);
       var options = $.extend({},defaults, typeof option === 'object' && option),
            $el = $(el),
            rating = $el.data('rating');
        // new LightEntire(el,options).init();
        if(!mode[options.mode]){
            options.mode = 'LightEntire'; //纠错机制
        }
        if(!rating){ 
            $el.data('rating',(rating=new mode[options.mode](el,options))); //赋值
            rating.init();
        }
        if(typeof option ==='string'){
            rating[option]();
        }


    };

    $.fn.extend({
        rating:function(option){
            return this.each(function(){
                init(this,option);
            })
        }
    });

    return {
        init: init
    };

})();



// 提供了'select 和 chosen事件'
$('#rating').on('select', function(e,num,total){
    console.log(total +'/'+ num);
}).on('chosen',function(e,num,total){
    console.log(total +'/'+ num);
});
//点击后解绑,不允许再点击了
$('#rating2').on('chosen', function(){
    $('#rating2').rating('unbindEvent');
});
$('#rating').rating({
    num: 2.5,
    mode: 'LightHalf'
});
$('#rating2').rating({
    num: 2.5,
    mode: 'LightEntire'
})
jQuery Raty星星评分插件实战应用 jQuery Raty 是一款基于 jQuery 构建的轻量级星级评分插件,专为快速实现网页中的评分功能而设计。它通过简洁的 API 和高度可定制的配置,帮助开发者轻松创建交互性强、视觉美观的星星评分组件。该插件广泛应用于电商网站、内容评价系统、用户反馈模块等场景,在提升用户体验的同时也增强了页面的互动性。随着前端开发对组件化和交互体验的重视不断提升,掌握 jQuery Raty 的使用已成为前端工程师的一项实用技能。本章将为读者奠定基础认知,为后续深入实践做好铺垫。number。 阅读详情

相关推荐

基于jQuery的鼠标滑动星级评分插件实战详解

jQuery鼠标滑动星级评分插件通过集成mousemove与click事件,实现用户在星级区域滑动时实时预览评分、点击后永久确认的交互逻辑。其核心目标是替代传统“点击即定”的粗粒度评分方式,提供更流畅、直观的用户体验。插件支持半星精度(如3.5星)、动态视觉反馈及可配置动画效果,广泛应用于电商商品评价、内容评分系统等场景。为了支持半星评分,必须将每一颗完整星星划分为两个等宽区域:左半部分代表当前星的 0.5 分,右半部分则代表 1 分。假设每颗星的宽度为starWidth。

weixin_42311427的博客 441

html星星插件 半星,小程序五星打分组件封装(支持半星)

自定义组件star-score:star-score.js内容:Component({/*** 组件的属性列表*/properties: {// 是否只读disabled: {type: Boolean,value: false},// 传入的分值val: {type: Number,value: 0},// 星星的宽度starW: {type: Number,value: 40},// 星星的高...

weixin_42589700的博客 577

jQuery星星评分插件特效开发与实战

在构建出评分插件的基本HTML结构后,接下来的重点是实现星星图标的视觉呈现与交互效果。本章将围绕CSS样式的设计与控制展开,涵盖从基础类名规范、样式定义,到交互状态的变化、动画效果的实现,以及主题样式切换机制的构建。通过本章的学习,读者将掌握如何通过CSS实现高度可定制化的评分插件视觉样式。评分插件的核心是星星图标的展示与交互。我们可以使用字体图标(如Font Awesome)或SVG来实现星星图标,这里以使用字体图标为例进行说明。</div>对应的CSS样式如下:gap: 8px;

weixin_35749545的博客 996

jQuery Raty星级评分插件使用方法

使用jQuery Raty,可以很方便的在页面上嵌入一个评分组件,如下所示:      使用方法很简单,首先从https://github.com/wbotelhos/raty下载raty的源代码(依赖于jquery) 然后在页面中引入相应的js文件、css文件、图片资源,在需要添加评分组件的元素上(比如span标签)添加下面的jquery代码即可: $('span'

乔峰的专栏 1万+

HTML5用户注册表单进度条提示JS特效实战项目

元素构建进度条成为必要选择。此时应遵循WAI-ARIA规范,赋予DOM节点正确的角色与状态信息,保证可访问性不因结构简化而受损。<div"></div>表单填写进度:60%

weixin_28681379的博客 1028

知识检索中的四大评估指标:准确率、精确率、召回率与F1分数详解

摘要:NLP算法面试中,评估知识检索系统的核心指标包括准确率、精确率、召回率和F1分数。准确率衡量整体预测正确性,但在样本不均衡时可能失真;精确率关注预测正类中的真实比例(查准能力),召回率衡量真实正类被预测的比例(查全能力)。F1分数是两者的调和平均,提供综合评估。这些指标通过混淆矩阵计算,并存在制约关系:提高召回率往往降低精确率,反之亦然。应用场景包括文档检索(评估结果质量和覆盖度)和文本分类(如垃圾邮件过滤)。面试需掌握指标区别、适用场景及平衡方法(如调整阈值)。F1分数在样本不平衡时比准确率更具参考

Ven%的博客 1762

jQuery.raty评分插件使用方法

$(function() { $(".raty").raty({ number: 5, score: function() { return $(this).attr('data-score'); }, targetType: 'hint', path: RESOURCE_ADMIN_U

linwha1990的博客 3618

Mixly/Arduino实战:WS2812点阵动态显示自定义图案与汉字

本文手把手教你使用Mixly和Arduino驱动WS2812点阵屏,实现自定义图案与汉字的动态显示。内容涵盖硬件连接、取模软件设置、高效数据处理技巧(巧用Excel)、Mixly图形化编程及Arduino代码解析,并深入探讨动态显示与滚动汉字原理,最后提供常见问题排查与性能优化心得,助你从零开始轻松玩转智能硬件。

weixin_29185199的博客 454

jQuery Rate星星评分插件的使用

1、第一版根据插件教程编写自己的星星评级,如下:&lt;!DOCTYPE html&gt; &lt;html lang="en"&gt; &lt;head&gt; &lt;meta charset="UTF-8"&gt; &lt;title&gt;我的星星评级&lt;/title&gt; &lt;!-- JQUERY SCRIPTS --&a

唯爱浅浅waqq914的博客 2074

高云FPGA开发实战:手把手教你用ModelSim做功能仿真与时序分析(附Testbench写法)

本文详细介绍了高云FPGA开发中如何使用ModelSim进行功能仿真与时序分析,包括环境搭建、Testbench编写、波形调试和时序优化等实战技巧。通过具体案例和代码示例,帮助开发者掌握FPGA仿真验证的核心方法,提升设计可靠性。特别针对高云GW5A系列器件提供了专业的仿真库配置指南和时序分析策略。

weixin_30412167的博客 465

高分六号GF-6 WFV数据处理全流程:从原始数据解压到经纬度投影转换

本文详细解析了高分六号GF-6 WFV遥感数据的完整处理流程。从原始数据解压与分块结构理解入手,指导如何安装ENVI国产卫星支持工具进行自动拼接,并重点阐述了利用RPC模型进行正射校正以消除几何畸变,以及将UTM投影转换为地理经纬度坐标的关键步骤。文章旨在帮助用户高效地将原始卫星数据转化为可直接用于农业监测、生态环境分析等领域的标准地理空间图像。

weixin_29047919的博客 195

jQuery评分插件demo

一款使用简便、满足多种需求的星际评分插件。 <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <meta http-equiv="X-UA-Compatible" content="ie=edge"> <li.

tanqingfu1的博客 395

【信息系统项目管理师】高分论文:论信息系统项目的整合管理(绩效考核系统)

我们将项目管理计划中的子计划包括项目范围、进度、成本、质量管理计划,过程改进计划,人力资源管理计划,风险、采购管理计划,干系人管理计划,项目范围、成本、进度基准作为依据,查看项目的各个方面,通过组织全体团体成员会议来解读由各监控过程提供的信息,之后我与项目管理团队一起制订所需措施,确保项目绩效达到预期要求。在一个项目中,变更是必然的,也是不可避免的,进度拖延,成本失控,客户有新的需求等都会引起项目的变更。在本项目中,我要求有处于工作状态的产品,开发人员才可以对其任意修改,修改完成后,重新入库即可。

数据知道的博客 6885

星级评分--封装成jquery插件

<!DOCTYPEhtml> <html> <head> <metacharset="utf-8"> <title>星级评分--封装成jquery插件</title> </head> <styletype="text/css"> body,ul,li...

aomiano55778的博客 114

基于STM32的设计智慧超市管理系统(带收银系统+物联网环境监测)_167

本系统主要由超市环境监测部分和商品管理部分组成。环境监测部分主控芯片采用STM32F103C8T6,主要包括温湿度传感器、烟雾传感器和空调制热开关、空调制冷开关,采集的数据通过ESP8266模块+MQTT协议上传至OneNet云平台,在OneNet云平台设计手机和电脑版本可视化页面,能够在页面上查看超市的环境信息,还能在页面上手动打开空调制热开关和空调制冷开关。商品管理部分主要由RC522-RFID读卡器、上位机组成,实现商品选购、结算、顾客的VIP会员卡注册管理等功能。

6067

故障诊断 | 小波变换机械设备外圈振动信号故障诊断

故障诊断 | 小波变换机械设备外圈振动信号故障诊断

天天酷科研的博客 506

星级评分实现,封装成jquery插件

&lt;!DOCTYPE html&gt; &lt;html lang="zh-CN"&gt; &lt;head&gt; &lt;meta charset="UTF-8"/&gt; &lt;title&gt;星级评分&lt;/title&gt; &lt;style type="text/css"&gt; body ul li{

huangbaokang的博客 885

【OpenCV C++】基本绘图操作

OpenCV C++基本绘图操作程序说明代码运行效果 程序说明 // 程序描述:OpenCV C++基本绘图操作 //参 考:毛星云《OpenCV3编程入门》 // 操作系统: Windows 10 64bit // 开发语言: C++ // IDE 版 本:Visual Studio 2019 // OpenCV版本:4.20 代码 main函数写法很简单,先创建空表Mat图像,然后点用函数绘制化学原子图,接着绘制组合图,最后显示图像。 //-------------------------

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 765

基于jQuery的星级评分插件

以前写过一篇文章以jquery为基础的星星评分,今天有时间把这个功能重写,并以jQuery插件的形式出现以便以后使用。 首先看一下运行效果如下图所示。 鼠标移到星星上该星星前面的所有星星全部变亮,鼠标单击将记录点击的星星数,前面的所有星星将变亮。 一、原理 本程序

leejin_521的专栏 479

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")

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

JQuery学习(三)

JQuery学习(三) 如何查看JQuery的版本? 通过jQuery文件名来查看jQuery的版本其实是不靠谱的做法。 通过以下四种方式可以查看jQuery的版本. (1)、console.log(jQuery.fn.jquery); (2)、console.log(jQuery.prototype.jquery); (3)、console.log(.fn.jquery);(4)、console...

Ybianyi的博客 308

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。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

五星点评

之前做星点评时都是用backgroud-position来替换点亮的小星子:如用图 ,现总结出一个新方法,直接用width控制点亮的星子个数,可将图片减为两张全灰和全亮(可以用css sprites): , , 现有两种组织形式: 一种简单封装的函数: 程序: <div class="starbar">   <p>评分星条:</p&...

weixin_30746117的博客 96

jquery评论页星星打分动画效果

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33766168的博客 124

星级评论===>>>html+js+封装js代码

这里是HTML代码:&lt;div class="star"&gt; &lt;ul&gt; &lt;li&gt; &lt;span&gt;服务态度&lt;/span&gt; &lt;div class="smstar"&gt; &a

一然 522

jQuery Bar Rating插件源码解析:深入理解评分机制实现原理

jQuery Bar Rating插件是一款轻量级的评分组件,通过简洁的代码实现了灵活的星级和条形评分功能。本文将从核心架构、评分机制实现、主题系统设计三个维度,深入剖析这款插件的实现原理,帮助开发者理解其内部工作机制。 ## 插件核心架构解析 ### 模块化设计与初始化流程 插件采用IIFE(立即执行函数表达式)封装,支持AMD、CommonJS和浏览器全局三种加载方式,确保在不同环境下的

gitblog_00124的博客 957
上一篇: 模板设计模式的思路
下一篇: 【前端性能】高性能滚动 scroll 及页面渲染优化
han_hanker
博客等级 码龄13年 35粉丝 106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