jq基础笔记

JQ框架笔记 JQ基础笔记 阅读详情

 

同学心目中的jQuery:

    简单易用,功能强大,对移动端来说,体积稍大。

1.1  回顾前面学到的js我们遇到的一些痛点

1.    window.onload 事件有个事件覆盖的问题,我们只能写一个(如果页面有两个window.onload,那么第一个会被第二个覆盖)

2.    代码容错性差 (比如把onclick写成onclik也不会报错)

3.    浏览器兼容性问题(用innerText在火狐上不兼容)

4.    书写很繁琐,代码量多($(“#div1”)和document.getElement(“div1”))

5.    代码很乱,各个页面到处都是

6.    动画效果,我们很难实现  (animate(),slide(),show(30)等等)

1.2  jQuery解决问题

解决了我们上面遇到所有问题

1.3  jQuery的基本使用

min:它是压缩过的版本

区别:我们开发过程中,会用未压缩的版本,或者压缩的。

          项目上线的时候,我们要用压缩过的版本。

版本问题:

1.    1.xxx 版本     jQuery-1.11.1.js

2.    2.xxx 版本    不再支持IE6、7、8

3.    3.xxx版本 

1.3.1   引包

1.要把我们的jQuery源文件拿到我们的项目里面来

2.在我们的页面中引用jQuery文件

问题:

   

如果遇到这种问题,那肯定是没有引用我们的jQuery源文件。

用jQuery之前,先引入jQuery,然后,再去写我们的jQuery代码。

1.3.2    入口函数

$(document).ready(function(){});

$(function(){});

1.3.3   事件处理程序

1.    事件源

Js方式:document.getElementById(“id”)

jQuery方式:$(“#id”)

2.    事件

Js方式 :document.getElementById(“id”).onclick

jQuery方式: $(“#id”).click

区别:jQuery的事件不带on

3.    事件处理程序

Js 书写方式:

document.getElementById(“id”).onclick = function(){

    // 语句

}

jQuery 书写方式:

$(“#id”).click(function(){

    // 语句

});

 

1.4  jQuery详细介绍

1.4.1   $问题

a)      Js命名归法:下划线、字母、$、数字

b)     但是不能以数字作为开头

 

var $ = “我是$符号”;

jQUery的两个变量:$ 和 jQuery

jQuery占用了我们两个变量:$ 和 jQuery

1.4.2   js入口函数跟jQuery入口函数的区别:

1.    Js的window.onload事件是等到所有内容,以及我们的外部图片之类的文件加载完了之后,才回去执行

2.    jQuery的入口函数 是在 html所有标签都加载之后,就回去执行。

1.5  Js创建对象(3种)

三种方式:

1.  var obj = {};   推荐使用

2.  var obj1 = new Object();

3.  var obj2 = Object.create();

1跟2的区别:

    推荐使用第一个方式

面试题:第二种方式存在效率问题,因为要new对象,会涉及到原型查找的问题。

1.6  jQuery基本选择器

1.6.1   回顾CSS选择器

CSS选择器回顾

符号

说明

用法

#id

Id选择器

#id{ color:red; }

.class

类选择器

.class{ //}

Element

标签选择器

P { //}

*

通配符选择器

配合其他选择器来使用

,

并集选择器

div,p{}

 空格

后代选择器

div span{}

选择div下面所有后代的span

> 

子代选择器(亲的儿子)

div > span{}

+

紧邻选择器(只取一个,没有过滤功能)

如下图

 

div+p

选择div紧挨着的下一个p元素

 

 

 

 

 

1.6.2   jQuery基本选择器

基本选择器

符号

说明

用法

$(“#demo”)

选择id为demo的第一个元素

$(“#demo”).css(“background”,”red”)

$(“.liItem”)

选择所有类名(样式名)为liItem的元素

$(“.liItem”). css(“background”,”red”);

$(“div”)

选择所有标签名字为div的元素

$(“div”). css(“background”,”red”);

$(“*”)

选择所有元素

少用或配合其他选择器来使用

$(“*”). css(“background”,”red”)

$(“.liItem,div”)

选择多个指定的元素,这个地方是选择出了 .liItem元素和div元素

$(“.liItem,div”). css(“background”,”red”)

 

规律:$(selector).css(“background”,”red”);

 

1.7  jQuery是什么

jQuery就是javascript的一个库,把我们常用的一些功能进行了封装,方便我们来调用,提高我们的开发效率。

 

1.7.1   Javascipt跟jQuery的区别:

Javascript是一门编程语言,我们用它来编写客户端浏览器脚本。

jQuery是javascript的一个库,包含多个可重用的函数,用来辅助我们简化javascript开发

jQuery能做的javascipt都能做到,而javascript能做的事情,jQuery不一定能做到。

1.8  jQuery其他选择器

1.8.1   层级选择器

 

符号

说明

用法

 空格

后代选择器

选择所有的后代元素

$(“div span”). css(“background”,”red”);

> 

子代选择器

选择所有的子代元素(亲子代)

$(“div > span”). css(“background”,”red”)

+

紧邻选择器

选择紧挨着的下一个元素(紧挨着的第一个,只取一个)

$(“div + p”). css(“background”,”red”)

~

兄弟选择器

选择后面的所有的兄弟元素(不包括前面和自己)

$(“div ~ p”). css(“background”,”red”)

层级选择器选择了选择符后面那个元素,比如,div  >  p,是选择>后面的p元素。

 

1.8.2   过滤选择器

基本过滤选择器

符号

说明

用法

:eq(index)

index是从0开始的一个数字,选择序号为index的元素。选择第一个匹配的元素。

$(“li:eq(1)”). css(“background”,”red”)

:gt(index)

Index 是从0开始的一个数字,选择序号大于index的元素

$(“li:gt(2)”). css(“background”,”red”)

:lt(index)

Index是从0开始的一个数字,选择小于index 的元素

$(“li:lt(2)”). css(“background”,”red”)

:odd

选择所有序号为奇数行的元素下标为1 3 5 7

$(“li:odd”). css(“background”,”red”)

:even

选择所有序号为偶数的元素下标为0 2 4 6

$(“li:even”). css(“background”,”red”)

:first

选择匹配第一个元素

$(“li:first”). css(“background”,”red”)

:last

选择匹配的最后一个元素

$(“li:last”). css(“background”,”red”)

 

属性选择器

符号

说明

用法

$(“a[href]”)

选择所有包含href属性的元素

$(“a[href]”). css(“background”,”red”)

$(“a[href=’itcast’]”)

选择href属性值为itcast的所有a标签

$(“a[href=’itcast’]”). css(“background”,”red”)

$(“a[href!=’baidu’]”)

选择所有href属性不等baidu的所有元素,包括没有href的元素

$(“a[href!=’baidu’]”). css(“background”,”red”)

$(“a[href^=’web’]”)

选择所有以web开头的元素

$(“a[href^=’web’]”). css(“background”,”red”)

$(“a[href$=’cn’]”)

选择所有以cn结尾的元素

$(“a[href$=’cn’]”). css(“background”,”red”)

$(“a[href*=’i’]”)

$(“a[href*=’img’]”)  img必须是连在一起

如果是images是不可以的

 

 

选择所有包含i这个字符的元素,可以是中英文

$(“a[href*=’i’]”). css(“background”,”red”)

$(“a[href][title=’我’]”)

选择所有符合指定属性规则的元素,都符合才会被选中。

$(“a[href][title=’我’]”). css(“background”,”red”)

 

1.9  mouseover事件跟mouseenter事件的区别:

    mouseover/mouseout事件,鼠标经过的时候会触发多次,每遇到一个子元素就会触发一次。

mouseenter/mouseleave事件,鼠标经过的时候只会触发一次

 

1.10  DOM对象跟jQuery对象相互转换

jQuery对象转换成DOM对象:

方式一:$(“#btn”)[0]

方式二:$(“#btn”).get(0)

DOM对象转换成jQuery对象:

$(document) -> 把DOM对象转成了jQuery对象

    var btn = document.getElementById(“bt n”);

    btn     ->$(btn);

 

1.11  上午提到的两个面试题:

1.    js对象创建的有几种方式(三种)

a)      1.var obj = {};

b)     2. var obj = new Object();

c)      3. ECMAScript5里面提供的一个方法:Object.create(参数);

2.    window.onload 跟jQuery的ready函数区别:

 

Silvaco Atlas(五)——物理模型总结 物理模型总结 阅读详情

相关推荐

Time-Interleaved Analog-to-Digital Converters

  这篇论文提供了时间交错模数转换器的教程回顾。在解释了偏置、增益、定时和其他不匹配对变换器性能的影响后,给出了目前解决不匹配问题的方法。论文最后总结了时间交错模数转换器的现状。 1.简介   时间交错模数转换器(ADC)将多个子ADC组合成一个ADC系统,可以实现比单独的子ADC[1]更快的采样速率。历史上,时间交错adc的主要缺点是需要紧密匹配子adc[2]的特性。近年来,由于应用需要非常宽带信号的数字化、功率高效子adc的可用性以及由深亚微米互补金属氧化物硅(CMOS)技术实现的微调技术,使得时间交错

weixin_44537056的博客 6731

jq var用逗号隔开表示定义多个变量或者函数

function startTime(arr, obj) { var today = new Date(), def = { onlyOneDayTempHtml: 'HH:MM:SS', dayTempHtml: '还有DD天' }, obj = $.extend({}, def, obj)...

lmp5023的博客 1788

drm 之modes

#define _GNU_SOURCE #include <errno.h> #include <fcntl.h> #include <stdbool.h> #include <stdint.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <sys/mman.h> #include <time.h&...

u012794472的专栏 3718

jquery变量var的使用

变量var的使用 js的变量没有类型 var $li = $('#' + file.id), $percent = $li.find('.progress span'); //console.log("percentage:", percentage); ...

悦分享 1万+

Geoserver新手必看:5分钟搞定世界地图发布(附中国省市数据)

本文为Geoserver新手提供了快速发布世界地图的实战指南。从环境搭建、数据准备入手,详细讲解了如何创建工作区、添加数据存储、发布图层及配置关键参数,并最终通过创建图层组实现地图服务的整合与预览。文章旨在帮助用户快速掌握Geoserver发布地图服务的核心流程与实用技巧。

cola5的博客 223

模拟IC设计避坑:手把手教你用Cadence仿真恒定跨导轨到轨运放(附完整工艺库文件)

本文详细解析了使用Cadence仿真恒定跨导轨到轨运放的全流程,涵盖电路原理、工艺库配置、尺寸设计及仿真分析。通过1:3电流镜补偿技术实现跨导稳定,提供CSMC 0.25um工艺下的实战案例,帮助工程师规避设计陷阱,提升模拟IC设计效率。

weixin_30952535的博客 494

jqueryvar语句_jquery常用语句总结

一.jquery中text val html attr的使用区别html和innerHTMl是一样的,可以获得和设置指定元素如中的html标签和文本如:设置值:$("p").html("HTML标签+文本");获得值:$("p").html();text和innerText是一样的,可以获得和设置文本如:设置值:$("p").text("HTML标签+文本");获得值:$("p").text();...

weixin_31002075的博客 577

STM32F030F4P6 ADC多通道定时器触发DMA搬运

主函数中等待转换完成的标志位,然后打印出来。ADC回调函数中将数值赋值给变量。配置定时器1s读一次。

qq_24426625的博客 1355

【jQuery】jQuery操作之如何绑定事件_05

在jQuery中,实现事件绑定有两种方式,一种是通过事件方法进行绑定(仅限常用事件),另一种是通过on()方法进行绑定(标准)。jQuery的事件和DOM中的事件相比,省略了开头的“on”,如jQuery中的click()对应DOM中的onclick。并且,jQuery的事件方法允许为一个事件绑定多个事件处理函数,只需多次调用事件方法,传入不同的函数即可。...............

青春木鱼的博客 1353

面板数据门槛归回分析,xthreg的安装,xthreg2安装包

我用的是Stata17,数据是不平衡的面板数据,需要用到xthreg2,虽然我找到了xthreg2.ado,但是还需要安装xthreg,因为运行xthreg2需要xthreg包顺带安装的lxthreg.mlib文件。但是!我后来发现还是不行,最后是去买了一个真正能用到xthreg2的lxthreg.mlib文件,才可以运行。

weixin_55252589的博客 1万+

LVGL的基础知识总结

另外,还有自定义字库的使用,具体可参考开发手册。

qq_28576837的博客 7387

python语言里数字包括_Python基本元素:数字、字符串和变量

计算机作为一种发展了几十年的高级机器,他所作的计算不知是加减乘除那么单元,包括各种复杂的函数运算、视频、音频、图像处理,比如比较流行的游戏英雄联盟、DOTA、绝地求生等也是计算机对于一堆数据进行不断的计算所以才能展示出来玩家眼前所展示的各种画面。变量的概念基本上和一般数学课本里说的一个概念,只是在计算机程序中,变量不仅可以是数字,还可以是任意数据类型。变量在程序中就是用一个变量名表示了,变量名必须...

weixin_39944375的博客 281

Open3D(C++) 点云构建三维Delaunay三角剖分

C++版本的Open3D实现从点云构建三维Delaunay,可视化效果。

点云侠的博客 2247

JQ笔记

开头(加载文件): <script type="text/javascript"> $(document).ready(function(){ 代码段 });</script> //简写(常用方法) <script type="text/javascript"> $(function(){ 代码段 })</script> ...

jlb1024的博客 329

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

jq笔记

jquery笔记 1.dom元素不能使用jq的方法,反之亦然。 dom->jq $(dom)  jq->dom jq[index]或者jq.get(index); 2.jq size和length方法区别: 1)针对标签对象元素,比如数html页面有多少个段落元素 那么此时的$("p").size() == $("p").length 2)计算一个字符串的长度或者计算一个数组

db308950372的专栏 720

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。

Linux JQ 命令学习笔记

JQ是一个命令行工具,主要用于处理json文本。语法很简单,如下: jq [options...] filter [files...] JQ可以对json文本执行多种操作,包括选择、遍历、删减等等。例如jq ´map(.price) | add´ 表示遍历输入的数组,并将其中每个元素的price累加起来。默认情况下,jq从stdin中读取json数据流,多个数据流使用空格分隔。还有一些命令行参数,主要用于控制输出和输出的格式,filter是jq语言编写的,主要用于操作...

fuyuande的博客 3053

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")

jq学习使用基础笔记

使用shell脚本解析json数据不像java或者python一样轻便,较为麻烦,还好有一个jq.其使用起来比较像grep ,awk,sed等命令,也是管道命令.此外jq也没有乱七八槽的依赖,只需要一个binary文件即可.

坤哥的学习笔记 1480

JQ基础笔记(一)

JQuery(一) JQuery是JavaScript库 简化JavaScript代码操作 集成了JavaScript、DOM、CSS和Ajax,兼容不同的浏览器 API:http://api.jquery.com

优快云博客 213

【JQ】基础笔记

本来想入门一下jq,可是中间发现,对我这种业余的,经常用F12调试脚本的人,好像还是用回js比较合适,因为对自己的写的代码还不好把握;但是还是看了点的,起码知道大概逻辑,简单做个笔记。但是用document,会有内容补全,让你看,但是jq没有,对我这种在F12调试的人不太友好,不确定自己写得对不对。

LAM LAB 153

JQ基础笔记

JQ笔记,包括JQ基本使用,JQ常用API,JQ事件和JQ其他方法

weixin_47280394的博客 225

shell jq

Mark 下,周末来补充 参考资料: https://stedolan.github.io/jq/tutorial/ 转载于:https://www.cnblogs.com/nashiyue/p/7878481.html

weixin_33898233的博客 177

JQ 笔记

jq中: jquery each下循环出的内容如何相加 var sum = 0; $('.xxx').each(function(){     sum += $(this).val() }) alert(sum); .which 属性指示按了哪个键或按钮。 显示按了哪个键:如下 $("input").keydown(function(event){  

Tzz_Ricordo的博客 723

JQ笔记基础

$(document).ready()与windows.onload 异同 $(document).ready(): DOM文档结构绘制完成即即刻执行,可能某些静态 资源(图片,视频)还没加载完 同一个页面,可以写多个 window.onload(): 必须等待网页中所有静态资源(图片,视频)都 加载完毕后才执行 同一个页面,不可以写 $("li:even").chilk() : $() : 工厂函.

ypf3442354429的博客 1108

linux下的json解析工具jq的使用笔记

如何使用强大的命令行json解析工具jq

江天飞鸟的博客 3349

JQ学习笔记

1. 使用前准备: <script src="jquery-3.3.1.min.js></script> 引包 在jq中$("#box")就是选中id为box的部分 三种获取值的方法: jq对象.attr('class'); 但是获取不到checked的值,对于HTML元素我们自己自定义的DOM属性, jq对象.prop(''),保险安全,处理HTML元...

知有的博客 324
上一篇: 前端面试题四
下一篇: jq基础笔记02
小小樟鱼
博客等级 码龄10年 38粉丝 30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