ie功能汇总(javascript)

windspeed windspeed 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 890平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄24年
关注
原创 最新推荐文章于 2026-07-21 14:56:29 发布 890 阅读 AI 写同款· GEO 优化 ›
QT邂逅豆包API：打造专属文章生成神器 通过本次探索，我们成功基于 QT 调用豆包 API 开发出了文章生成工具。从前期的准备工作，到核心代码的实现，再到功能的拓展与优化，每一步都凝聚着技术的魅力与挑战。我们学会了申请豆包 API 密钥，搭建 QT 开发环境，创建网络请求类来与豆包 API 进行交互，构建请求体并解析响应，还为工具添加了友好的界面交互，提升了性能。 阅读详情
 <OBJECT id=WebBrowser height=0 width=0 
      classid=CLSID:8856F961-340A-11D0-A96B-00C04FD705A2></OBJECT>
<INPUT onclick=document.all.WebBrowser.ExecWB(1,1) type=button value=打开 name=Button1>
<INPUT onclick=document.all.WebBrowser.ExecWB(4,1) type=button value=另存为 name=Button2>
<INPUT onclick=document.all.WebBrowser.ExecWB(10,1) type=button value=属性 name=Button3>
<INPUT onclick=document.all.WebBrowser.ExecWB(6,1) type=button value=打印 name=Button>
<INPUT onclick=document.all.WebBrowser.ExecWB(8,1) type=button value=页面设置 name=Button4> 
<INPUT onclick=window.location.reload() type=button value=刷新 name=refresh>
<INPUT onclick="window.external.ImportExportFavorites(true,'');" type=button value=导入收藏夹 name=Button5>
<INPUT onclick="window.external.ImportExportFavorites(false,'');" type=button value=导出收藏夹 name=Button32>
<INPUT onclick="window.external.AddFavorite(location.href, document.title)" type=button value=加入收藏夹 name=Button22> 
 <INPUT onclick="window.external.ShowBrowserUI('OrganizeFavorites', null)" type=button value=整理收藏夹 name=Submit2>
<INPUT onclick='window.location="view-source:" + window.location.href' type=button value=查看源文件 name=Button7>
<INPUT onclick="window.external.ShowBrowserUI('LanguageDialog', null)" type=button value=语言设置 name=Button6>
<INPUT onclick=history.go(1) type=submit value=前进 name=Submit>
 <INPUT onclick=history.go(-1) type=submit value=后退 name=Submit2>
 <INPUT onclick="document.execCommand('Cut')" type=button value=剪切>
 <INPUT onclick="document.execCommand('Copy')" type=button value=拷贝>
 <INPUT onclick="document.execCommand('Paste')" type=button value=粘贴>
<INPUT onclick="document.execCommand('Undo')" type=button value=撤消>
 <INPUT onclick="document.execCommand('Delete')" type=button value=删除>
<INPUT onclick="document.execCommand('Bold')" type=button value=黑体>
 <INPUT onclick="document.execCommand('Italic')" type=button value=斜体>
 <INPUT onclick="document.execCommand('Underline')" type=button value=下划线>
 <INPUT onclick="document.execCommand('stop')" type=button value=停止>
 <INPUT onclick="document.execCommand('SaveAs')" type=button value=保存>
 <INPUT onclick="document.execCommand('Saveas',false,'c://test.htm')" type=button value=另存为>
<INPUT onclick="document.execCommand('FontName',false,fn)" type=button value=字体>
<INPUT onclick="document.execCommand('FontSize',false,fs)" type=button value=字体大小>
<INPUT onclick="document.execCommand('refresh',false,0)" type=button value=刷新>
<INPUT onclick=window.location.reload() type=button value=刷新>
 <INPUT onclick=history.go(1) type=button value=前进>
 <INPUT onclick=history.go(-1) type=button value=后退>
 <INPUT onclick=history.forward() type=button value=前进>
 <INPUT onclick=history.back() type=button value=后退>
 <INPUT onclick='window.external.ImportExportFavorites(true,"http://localhost");' type=button value=导入收藏夹>
<INPUT onclick='window.external.ImportExportFavorites(false,"http://localhost");' type=button value=导出收藏夹>
<INPUT onclick="window.external.ShowBrowserUI('OrganizeFavorites', null)" type=button value=整理收藏夹>
<INPUT onclick="window.location = 'view-source:'+ window.location.href" type=button value=查看源文件>
<INPUT onclick="window.external.ShowBrowserUI('LanguageDialog', null)" type=button value=语言设置>
<INPUT onclick="window.external.AddFavorite('http://www.fashionme.net', '自由，时尚')" type=button value=加入收藏夹>
<INPUT onclick="window.external.addChannel('http://blog.youkuaiyun.com/arcow/')" type=button value=加入到频道>
<INPUT onclick="this.style.behavior='url(#default#homepage)';this.setHomePage('http://blog.youkuaiyun.com/arcow')" type=button value=设成主页>
收录于
脚本类

当前文章被收录于：

脚本类
2 篇文章 0 人学习
订阅专栏 查看详情
标签
#javascript #button #ie #input #webbrowser
#null
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Stata实战：5步搞定PSM倾向得分匹配（附完整代码与常见报错解决） 本文详细介绍了使用Stata进行PSM（倾向得分匹配）的5步实战流程，包括数据预处理、模型构建、匹配算法选择、匹配质量诊断和结果解释。提供完整代码示例和常见报错解决方案，帮助研究者高效完成实证分析，提升匹配成功率。 阅读详情

相关推荐

使用 EasyExcel 实现 百万级数据导入导出

在项目开发中往往需要使用到数据的导入和导出，导入就是从Excel中导入到DB中，而导出就是从DB中查询数据然后使用POI写到Excel上。大数据的导入和导出，相信大家在日常的开发、面试中都会遇到。很多问题只要这一次解决了，总给复盘记录，后期遇到同样的问题就好解决了。好啦，废话不多说开始正文！1.如此大批量数据的导出和导入操作，会占用大量的内存实际开发中还应限制操作人数。2.在做大批量的数据导入时，可以使用jdbc手动开启事务，批量提交。

houxian1103的博客 2699

IE功能汇总

　 <OBJECT id=WebBrowser height=0 width=0 classid=CLSID:8856F961-340A-11D0-A96B-00C04FD705A2></OBJECT><INPUT onclick=...

175

从QEvent到系统响应：EC如何成为硬件事件的隐形信使

本文深入解析嵌入式控制器（EC）如何作为硬件事件的隐形信使，通过QEvent机制将按键、合盖等物理事件转换为SCI信号，并经由ACPI架构触发操作系统响应。EC与BIOS紧密协作，实现了从底层硬件到系统层面的高效事件传递，是嵌入式开发和系统优化的关键技术。

yellow的专栏 651

实例解析自定义IE右键上下文菜单

 实例解析自定义IE右键上下文菜单           简介         如果你经常访问某个论坛，会发现有很多问题都是重复提问的，而且之前也有过详细的解答；或许也会发觉，有时很难搜索到特定的某个帖子；又或者用论坛的搜索引擎搜索出来后难以甄别哪个才是你想要的主题，难道就没有个地方可以存放这些有用的帖子呢？为什么不把这些链接就放在论坛的回复窗口中呢？就像下图：   

谢启东的专栏 2470

Matlab系列之GUI设计基础

Matlab系列之GUI设计基础简介编辑界面菜单设计控件设计控件描述个人理解Matlab转译控件属性【1】外观与行为【2】控件对象的信息【3】回调函数【4】状态信息结束结束更多精彩,等你发现~ 简介 GUI即图形用户界面（Graphical User Interface），人机交互的一种方式，可以简化用户的操作，比如只需要点点窗口上的按键或者菜单选择等等，就可以实现一个复杂的功能，有点类似黑盒的操作吧。 本篇将主要介绍GUI的使用，以及一些功能，后续的篇章再使用GUI来设计实例。 打开GUI可以在Matla

Smart_Devil的博客 5万+

学习海康VisionMaster之圆查找

（1）：ROI选中位置修正，并且修正信息需要选择刚刚创建的位置修正组件输出信息，这里的话后续的检测窗口一般都需要做这一步，因为大部分的应用场景都是需要用到实时跟踪的。圆查找模块是用于查找指定区域的圆，并且会输出该圆的相关参数信息，比如圆中心点，圆半径，圆是否存在等信息。7）：剔除点数：和高级参数里面的剔除距离搭配使用的，就是过滤较远的边缘点，让拟合圆心出来的轮廓更加接近。中的圆查找，相当于就是拟合圆心，这个在视觉软件中的应用也是非常广泛的，通常用于定位，测量项目。

yuhouxiyang的专栏 2104

【COM编程】如何往IE工具条添加按钮

问题提出： 金山词霸、网络蚂蚁等软件安装后会向IE的工具条添加自己的按钮。按下按钮后还会作出相应的动作，这种功能是如何实现的呢？读完本文，您也可以将自己应用程序的按钮添加到IE的工具条中。 基本原理： 从IE5开始便允许我们向工具栏添加自己的按钮，其本质就是修改注册表，添加创建此按钮所需的信息。实现步骤：1.创建此按钮的GUID(globally unique identifier) ...

编程世界 591

Keras深度学习实战（32）——基于LSTM预测股价

股价预测是时间序列预测中最具挑战性的问题之一，研究股价预测问题具有重要的理论意义和应用价值。针对循环神经网络在股价预测中存在的长期依赖等缺点，本文引入了长短时记忆神经网络以提高股价预测的效果。同时，我们把有关公司的新闻标题的文本数据作为模型的输入变量时，发现预测效果更好，因此我们可以把有关公司的新闻标题的文本数据作为一个有效的输入变量。最后，通过利用 Keras 实现了以上两个股价预测模型，并进行了性能分析和对比。

盼小辉丶的博客 1万+

IE功能汇总(javascript)

IE功能汇总(javascript) &lt;OBJECT id=WebBrowser height=0 width=0 classid=CLSID:8856F961-340A-11D0-A96B-00C04FD705A2&gt;&lt;/OBJECT&gt;&lt;INPUT onclick=document.all.WebBrowser.ExecWB(1,1) type=button val...

编程资料大全 148

python实现序列比对之Needleman-wunsch算法 (附完整源码)

python实现序列比对之Needleman-wunsch算法 (附完整源码)

希望我的博客，能帮上你解决学习中工作中所遇到的问题 461

QT应用编程: 基于UDP协议设计的大文件传输软件

一、环境介绍 QT版本: 5.12.6 编译器: MinGW 32 传输协议: UDP 功能介绍:软件由客户端和服务器组成，客户端通过 UDP协议不断循环地向服务端发送文件,文件传输速率可以达到10MB/s以上，文件传输后支持自动删除，客户端上可以支持每分钟创建一个文件并以时间戳命名,每个生成的文件可以设置大小，默认大小为6GB; 服务端收到文件之后，将文件进行存储到本地，可以指定时间自动删除文件;服务端可以动态计算传输速率，并写入日志文件; 服务器可以支持同时接收多个客户端的文件上传。...

2803

IE功能汇总(javascript) 因该只适合IE ,对FireFox好像不灵！

IE功能汇总(javascript)  因该只适合IE ,对FireFox好像不灵！ 转自：猪飞飞 Blog （稍作修改）  http://localhost"); type=button value=导入收藏夹> http://localhost"); type=button value=导出收藏夹> Trackback: h

LaoChai的专栏 1391

【WorkBuddy从入门到精通实战教程】使用手册 第 2 章 WorkBuddy的下载、安装、登录与更新

摘要：WorkBuddy官方下载地址为https://www.codebuddy.cn/work/，支持Mac和Windows系统，需根据设备自动匹配版本。安装时需核对发布者信息，Mac用户需拖入应用程序文件夹。登录支持微信扫码或手机号，公司电脑安装需IT授权。更新通过个人中心检查，遇到安装包损坏、登录失败或文件读写问题时，建议重新下载、检查网络/权限或联系官方支持。重要文件建议定期备份，避免直接操作原文件。（149字）

企鹅码农的专属播客，分享10多年的实战案例和经验解读，包含YOLO、RT-DETR、AI等各个工作领域。 1849

JavaScript常用方法总结——IE功能汇总

IE功能汇总 classid=CLSID:8856F961-340A-11D0-A96B-00C04FD705A2> http://localhost");/ type=button value=导入收藏夹> http://localhost");/ type=button value=导出收藏夹> 窗口打开自动最大

377

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面，电脑运行连游戏界面都一样大小，很怀旧，很真实，（英文版）强烈推荐，很小的文件，很难才找到的。

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")

IE, FF, Safari前端开发常用调试工具（转载）

一些前端开发 IE 中的常用调试工具： Microsoft Script Debugger —— Companion.JS need to install thisCompanion.JS —— Javascript debugger for IE , like Console API featureIE Developer Toolbar —— Like Firebug (DOM/CSS ...

weixin_30561425的博客 97

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

IE, FF, Safari前端开发常用调试工具

一些前端开发 IE 中的常用调试工具： Microsoft Script Debugger —— Companion.JS need to install this Companion.JS —— Javascript debugger for IE , like Console API feature IE Developer Toolbar —— Like Firebug (DOM/CSS...

java的涟漪 157

NTscan扫描工具

ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。

IE下前端调试工具

http://www.cnblogs.com/qfcndtt/archive/2012/08/27/2658403.html   一些前端开发 IE 中的常用调试工具： Microsoft Script Debugger —— Companion.JS need to install this Companion.JS —— Javascript debugger for IE , li

日々精進 1912

IE下的Javascript调试利器:Companion.js

   做web开发的朋友都清楚，js程序的调试是相当郁闷的，因为首先这种语言语法比较灵活，它是一种弱类型的脚本语言，很多错误是无法控制的，这些不谈，最 痛苦的是没有什么好的调试工具，现在的情况比以前稍好，在Firefox下还有firebug，这的确是一个不错的js调试工具，但在IE下使用就很麻 烦，而且效果很不好，鄙人一直苦于寻找一个很好的IE下的js调试工具，能够自动捕获错误，并定位位置和原因，

雪候鸟的专栏 3199

谷歌的ie9.js ie8.js ie7.js 解决IE5、IE6、IE7、IE8与W3C标准的冲突

http://code.google.com/p/ie7-js/ 如果分别用IE5、IE6、IE7浏览同一个网页，将可能出现不一样的效果。 这是它们之间对CSS的解析选择器不一样或错误和个别bug所导致。为了解决这些错误和bug。 我们不得不找到一个能平衡于它们之间的解决方法。 如png透明问题在IE5、IE6下无法显示出其效果，我们可能会使用CSS hack或者引入外部JavaScrip

WP8HUB 8018

如何在IE8-9中实现现代JavaScript功能的终极指南

还在为旧版IE浏览器无法运行现代JavaScript而烦恼吗？aight项目正是你需要的解决方案！aight是一个专为IE8和IE9设计的JavaScript垫片集合，通过精心优化的代码让这些"古董"浏览器能够支持HTML5和ES5功能。本文将为你提供完整的aight性能优化指南，帮助你在旧版IE中实现快速加载和卓越性能。 ## 🎯 为什么你需要aight性能优化？ 在当今的Web开发环境中

gitblog_00091的博客 909

javascript常见兼容问题汇总js(主要针对IE)

js中有很多兼容问题，今天先来讨论一些常用的关于低版本IE的兼容。（基本上都是为了兼容IE8一下的） 一、事件对象的兼容问题（event） 比如想要获取鼠标坐标时候需用到event，在高级浏览器中会主动传递该参数，但是在IE8及以下浏览器中，将event放在了window.event属性下，此时用逻辑短路即可轻松解决 btn.onclick=function(ev){ var e=ev||w...

qq_42072844的博客 2023

JS和JS是IE上JavaScript或JScript的缩写。

JS和JS是IE上JavaScript或JScript的缩写。javascript是所有浏览器的开放式标准脚本语言JScript是微软自己的开放式脚本语言标准，只有微软的IE浏览器遵循。JScript可以说是微软私有化JavaScript的产物。就像微软推出的C/C++一样。大家都知道VC不仅仅是C/C++。对于那些使用风投，认为自己很先进的人，我很遗憾…哈哈哈。而JavaScript和JScri...

weixin_30415801的博客 423
上一篇： #default#savehistory防止后退清空文本框
下一篇： 防止表格变形
点赞 0
评论 0
书签 书签 0
windspeed
windspeed
博客等级 码龄24年 5粉丝 45原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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