10、Dp Notes底部导航栏

[size=medium] 有卡顿的现象(可能模拟器原因),滑动时没有渐变,设置一下渐变,主要是OnPageChangeListener中的onPageScrolled(int position, float offset, …),参数position表示当前页,offset表示位置偏移(0-1)。在函数中处理一下图标的透明度,实现渐变:[/size]
if(position>=0&&position<=3){
if(offset>0){
alphaItem[position]=(int)(255-255*offset);
alphaItem[position+1]=(int)(255*offset);
if(position==0){
alphaItem[2]=0;
alphaItem[3]=0;
}
else if(position==1){
alphaItem[0]=0;
alphaItem[3]=0;
}
else if(position==2){
alphaItem[0]=0;
alphaItem[1]=0;
}
else{
alphaItem[0]=0;
alphaItem[1]=0;
alphaItem[2]=0;
}
}
else if(offset<0){
alphaItem[position]=(int)(255-255*offset);
alphaItem[position-1]=(int)(255*offset);
if(position==0){
alphaItem[1]=0;
alphaItem[2]=0;
alphaItem[3]=0;
}
else if(position==1){
alphaItem[2]=0;
alphaItem[3]=0;
}
else if(position==2){
alphaItem[0]=0;
alphaItem[3]=0;
}
else{
alphaItem[0]=0;
alphaItem[1]=0;
}
}
postInvalidate();
}

[size=medium] 根据向哪个方向滑动(offset正负),和当前页(position),来计算一下每个图标的透明度,设置,刷新。还想加一个点击时的效果(水波反馈?)。类似于好多软件中的点击效果(UC菜单点击效果),简单实现原理,按下时画一个圆,半径逐渐扩大,抬起时半径逐渐减小。QEndBar中定义几个变量,boolean isDown,isUp,isMax;int downItem=-1;int colorItemDown;float radius=0;。onTouchEvent中:[/size]
case MotionEvent.ACTION_DOWN:
isDown=true;
radius=widthItem/4;
isUp=false;
touchX=(int)event.getX(); //记录点击位置
touchY=(int)event.getY();
if(Math.abs(touchX-positionItem[0])<widthItem/2){
itemDown=0;
}
else if(Math.abs(touchX-positionItem[1])<widthItem/2){
itemDown=1;
}
else if(Math.abs(touchX-widthAll/2)<widthItem/2){
itemDown=4; //点击中间图标
}
else if(Math.abs(touchX-positionItem[2])<widthItem/2){
itemDown=2;
}
else if(Math.abs(touchX-positionItem[3])<widthItem/2){
itemDown=3;
}
postInvalidate();
break;
case MotionEvent.ACTION_UP:
isDown=false;
isUp=true;
……

[size=medium] 根据点击位置设置一些状态。

onDraw中:[/size]

paintOther.setColor(colorItemDown);
int alpha=colorItemDown>>24;
paintOther.setAlpha((int)(alpha*radius/widthItem*2));
if(isDown){
if(radius<widthItem/2){
if(itemDown==0){
canvas.drawCircle(positionItem[0], heightAll/2, radius, paintOther);
radius+=widthItem/4/10;
postInvalidateDelayed(10);
}
else if(itemDown==1){
……
}
else if(itemDown==2){
……
}
else if(itemDown==3){
……
}
else if(itemDown==4){
……
}
}
else{
isMax=true;
if(itemDown==0){
canvas.drawCircle(positionItem[0], heightAll/2, radius, paintOther);
}
else if(itemDown==1){
……
}
else if(itemDown==2){
……
}
else if(itemDown==3){
……
}
else if(itemDown==4){
……
}
}
}
else if(isUp){
if(!isMax){
if(itemDown==0){
canvas.drawCircle(positionItem[0], heightAll/2, radius, paintOther);
radius+=widthItem/4/10;
postInvalidateDelayed(10);
}
else if(itemDown==1){
……
}
else if(itemDown==2){
……
}
else if(itemDown==3){
……
}
else if(itemDown==4){
……
}
if(radius<widthItem/2){
isMax=false;
}
else{
isMax=true;
}
}
else{
if(radius>widthItem/4){
if(itemDown==0){
canvas.drawCircle(positionItem[0], heightAll/2, radius, paintOther);
radius-=widthItem/4/5;
postInvalidateDelayed(10);
}
else if(itemDown==1){
……
}
else if(itemDown==2){
……
}
else if(itemDown==3){
……
}
else if(itemDown==4){
……
}
}
else{
isUp=false;
itemDown=-1;
isMax=false;
postInvalidateDelayed(10);
}
}
}

[size=medium]根据状态值画出想实现的效果,postInvalidateDelayed(25);延时刷新。比较乱,实现效果还凑合(一周弄了个底部栏,汗(-__-))。[/size]
[img]http://dl2.iteye.com/upload/attachment/0124/2484/1a3d31ce-fe21-3c75-aa8f-52a517ca992c.gif[/img]
[color=gray][size=medium]注:这是一个.gif动图,ctrl点击图片查看。[/size][/color]

[align=right][size=medium]有志竟成——2016/10/28[/size][/align]
AI产品经理30分钟掌握Axure核心交互与AI辅助原型设计 原型设计是产品经理将产品构想可视化的核心能力,其本质是通过交互模型快速验证产品逻辑与用户体验。传统工具如Axure通过元件库、交互事件和动态面板等机制,支持从静态线框图到高保真可交互原型的搭建,其技术价值在于能以低成本、高效率的方式在开发前完成产品演示与用户测试。在AI技术普及的当下,产品经理的工作流正迎来变革,AI生成工具能够辅助完成布局构思、文案生成与素材创建,与Axure的精确交互设计能力形成互补。这种‘AI构思+专业工具实现’的融合模式,尤其适用于AI产品、SaaS平台等需要快速迭代验证的场景,能帮 阅读详情

相关推荐

Android集成Google Maps实现真实道路导航路线绘制

在移动开发中,‘两点间路线绘制’常被误解为简单几何绘图,实则涉及地理坐标系统、道路拓扑建模与动态路径渲染等核心概念。其原理基于调用专业路线规划服务(如Google Directions API)获取带转向指令与真实道路走向的经纬度序列,再经坐标解码、屏幕适配、图层叠加等步骤完成高保真渲染。该技术具备精准定位、交互响应、缩放自适应等工程价值,广泛应用于物流调度、本地生活、出行服务等场景。本文聚焦 Android 平台下 Google Maps SDK 与 Directions API 的协同实践,深入解析 P

weixin_30514745的博客 331

非常好用的底部导航栏

在做底部导航栏时发现自己写选择器之类的非常麻烦于是上网搜了一下发现一个非常好用的底部导航栏: 简书:http://www.jianshu.com/p/ade8485a16be Github:https://github.com/hujinmeng/MyApplication 我选择了版本比较高的。compile 'com.hjm:BottomTabBar:1.1.1'具体方法可以看连接地址:

清风洒脱 1万+

固定在底部或顶部的浮动导航或广告图片

导航条原本正常显示,可能不一定在顶部位置.但当然滚动鼠标时,导航条或广告图片会自动紧贴顶部,当鼠标重新滚动到顶部时,则导航又恢复正常状态.从而实现固定浮动效果.================ 顶部浮动时,需要jquery的支持,注意引用.============== 共三个html文件,一个是顶部浮动,两个在底部浮动,包含一个手机版的页脚导航条

微信小程序四(设置底部导航)

好了 小程序的头部标题 设置好了,我们来说说底部导航栏是如何实现的。 我们先来看个效果图 这里,我们添加了三个导航图标,因为我们有三个页面,微信小程序最多能加5个。 那他们是怎么出现怎么着色的呢?两步就搞定! 1. 图标准备 阿里图标库  http://www.iconfont.cn/collections/show/29 我们进入该网站,鼠标滑到一个喜欢的图标上面

不忘初心,才能始终 10万+

探针卡技术演进:从金线微针到MEMS探针的Wafer Sort革命

本文探讨了探针卡技术从传统金线微针到MEMS探针的演进,及其对晶圆测试(Wafer Sort)的革命性影响。随着芯片焊垫间距进入45微米以下,MEMS技术凭借其超高精度、超长寿命和卓越的信号完整性,成为应对高密度、高速及3D IC测试挑战的关键,显著提升了测试效率与稳定性。

lstm7chronicler的博客 365

Allegro 16.6 高级技巧实战:用Region规则和动态间距搞定高密度连接器布局布线

本文深入探讨了Allegro 16.6在高密度连接器布局布线中的高级技巧,重点介绍了Region规则和动态间距属性的应用。通过局部规则覆盖和分层控制,解决0.5mm以下引脚间距的布线难题,提升PCB设计效率和质量。

weixin_30352645的博客 441

React Native 的顶部导航栏和底部导航栏目

说来也是惭愧,本来关于底部导航栏,我已经写过一篇博客,只不过那篇更偏向于入门一些,当时一实现功能之后就迫不及待的分享给大家了。地址在这儿:http://blog.youkuaiyun.com/LJFPHP/article/details/77888439,后来随着项目的逐渐深入,也慢慢对代码有了一定的优化,然后发现了更好的导航栏目的实现,在此分享给大家。      这边利用的主要组件是react-navigat

铁柱的博客 8072

Simulink实战:火电机组一次调频与AGC协同控制建模与仿真解析

本文详细解析了如何使用Simulink进行火电机组一次调频与AGC协调控制的建模与仿真。通过系统架构设计、参数设置和模块实现,阐述了如何实现两者的协同控制,确保电网频率稳定。文章提供了实用的建模技巧、参数整定经验和性能评估方法,为电力系统仿真工程师提供了有价值的实践指导。

c7d8e9的博客 310

php开发微信小程序教程,从零开始开发微信小程序步骤(三)

前面我们和大家分享了如何创建一个新的页面和设置页面的标题,这一章我们来聊聊底部导航栏是如何实现的。即点击底部的导航,会实现不同对应页面之间的切换。我们先来看个我们要实现的底部导航栏的效果图:(三个导航图标示例,微信小程序最多能加5个)。1. 图标准备阿里图标库 http://www.iconfont.cn/collections/show/29在这个网站上下载一些自己要用到的图标,比如人员头像,...

weixin_42384267的博客 5712

Nacos漏洞利用工具V3.0.5实战:从认证绕开到内存马植入的全流程指南

本文详细解析了Nacos漏洞利用工具V3.0.5在实战中的应用,从认证绕开到内存马植入的全流程。文章深入探讨了如何利用Nacos的历史漏洞,如默认口令、认证逻辑绕过、Derby SQL注入及Jraft反序列化,实现权限提升与持久化控制,并提供了防御视角与加固建议,旨在帮助安全人员理解攻击链以加强防护。

h6j7k8l9p0的博客 485

芯片缺陷检测全流程:从光学成像到AI自动判别的实战路线

在半导体制造中,良率是衡量产线效率的核心指标,而缺陷检测则是守住良率的关键防线。传统人工显微镜目检已难以应对微米级乃至纳米级缺陷的挑战,工业界正加速转向机器视觉与深度学习相结合的技术方案。其核心原理在于:先通过明场、暗场或DIC等光学成像获取高对比度图像,再借助传统图像处理算法快速提取候选缺陷区域,最后利用CNN等深度学习模型对缺陷进行精准分类与判定。这一技术路线不仅大幅提升检测效率与准确性,还能有效降低漏检和误报,广泛应用于晶圆制造、封装测试等环节。本文从成像选型、算法分工、数据标注到模型部署,系统梳理了

weixin_29053577的博客 269

6、Dp Notes底部导航栏(自定义控件(View))

[size=medium] 已经看到了安卓的一角,正式开始Dp Notes开发工作。安卓开发一般是先有美工设计设计好界面,按照界面再布局(没正式开发过,不太清楚)。没有美工(美学,什么?),直接按自己想的来好了。 主要实现一个底部的导航栏,一般软件底部都有导航栏,包含3-5项,点击时切换不同的页面。像微信,不止可以点,还可以滑动,而且滑动时导航栏图标还会有不同...

zdphpn的博客 226

常见消息队列:ActiveMQ、RabbitMQ、RocketMQ、Kafka的区别总结

常见消息队列:ActiveMQ、RabbitMQ、RocketMQ、Kafka的区别。

qq_30713721的博客 3472

8、Dp Notes底部导航栏

[size=medium] 实现了点击切换效果(只是图标状态变化),如何结合页面,点击时切换页面,页面滑动时图标有渐变。需要一个新的控件ViewPager,看名字就知道是管理页面切换的,在底部的QEndBar之上加入一个ViewPager:[/size] [code="xml"] [/code] [size=medium] ViewPager控件在android-...

zdphpn的博客 181

LangChain4j + MCP:从工具协议到生产级 Agent

这两年,很多团队都已经把「大模型问答」接入到系统里了:前端一个输入框,后端调一下 OpenAI / DeepSeek / 本地模型,返回一段回答——这类 「简单问答型」AI 功能它只能说,不会做:不会主动查数据库,不会调用你的接口,不会帮你真正执行脚本;面对复杂一点的需求,比如「帮我生成这个报表的 SQL 并执行一下」,普通 ChatGPT 式的问答就开始力不从心了。而Agent 智能体想解决的,就是这件事:不只是回答你「怎么做」,而是能自己思考、自己决定要不要用工具、再用工具把事做完。

OFFTime_we的博客 1154

AutoSAR系列讲解(入门篇)4.1-BSW概述

BSW概述,主要讲解BSW的结构组成

雪云飞星的博客 4万+

9、Dp Notes底部导航栏

[size=medium] 将ViewPager和QEndBar结合起来,点击图标时切换ViewPager页面,ViewPager滑动时改变图标状态。打开QEndBar.java,定义ViewPager对象viewPager,新建一个函数setViewPager():[/size] [code="java"]public void setViewPager(ViewPager vi...

zdphpn的博客 196

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

7、Dp Notes底部导航栏

[size=medium] 想要的图标呢?怎么弄上去。从网上找了几个图标,并做成了字体(为什么做成字体,做成字体,相当于每个图标对应一个字符,如"0"对应着主页的图标,在View里drawText(0),就把对应的图标画上去了(当然要为paint设置字体),方便改变大小,颜色等。怎么做成字体,图标字体(ICONFONT),百度一下),这里只是想介绍一种投机取巧的方法来实现图标显示和之...

zdphpn的博客 167

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")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

11、Dp Notes顶部导航栏

[size=medium] 完成了底部导航栏,再来顶部导航栏(叫什么?菜单栏?有脚没头显得不协调)。软件顶部默认是有一个ActionBar,为了使各自顶部的事件处理放到各自的Fragment中,将顶部自带的ActionBar给去掉(res/values下styles.xml中把style改为一个带.NoTitleBar的Theme即可),自己加一块布局在上面,一个假的ActionBa...

zdphpn的博客 191

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

android notes,Android Notes|BottomNavigationView 爱上 Lottie

鸡老大说:大丈夫岂能久居人下。前言好容易解决个问题,感觉记录一波。当日事当日毕,践行鸡老大,点滴积累,万一某天优秀了呢?以前大部分项目底部导航栏关于图片部分的实现,要么两套图 selector 切换,要么通过着色器 tint 进行渲染,总之最后呈现的效果便是在点击时两张图静态切换,说 Low 吧,也还凑合,但是总是没那么高大上。项目重构时,韩总说了,之前的方式呈现的效果太 Low 了,这次重构要求...

weixin_42427302的博客 544

宠物照护应用基于HarmonyOS API 24实战解析数值型字段便于计算(如体重趋势分析、卡路里统计),而日期时间由于 ArkTS 标准库中日期处理能力的限制

本文将对一个基于 HarmonyOS ArkTS 开发的读书笔记管理应用进行逐段深入分析。该应用采用经典的底部 Tab 导航架构,包含书架、正在阅读、读书笔记、发现好书和个人中心五大功能模块,整体代码结构清晰、设计模式规范、UI 交互丰富,是学习和理解 ArkTS 声明式开发范式的优秀范例。 深度解析:这两个接口是应用元数据配置体系的基础。 定义了图书分类的元信息结构,包含四个视觉维度: 用于中文展示名称, 作为该分类的主题色贯穿整个 UI, 使用 Emoji 作为分类的视觉标识, 则定义了分类在列表中的背

2302_79499487的博客 190

基于HarmonyOS API 24宠物健康追踪应用采用传统的 `for` 循环而非 `Array.prototype.find`,在 HarmonyOS ArkTS 环境中能获得更好的运行性能

在 HarmonyOS NEXT 正式商用的背景下,ArkTS 作为鸿蒙生态的官方应用开发语言,正在从传统的命令式 UI 开发范式向声明式 UI 范式全面迁移。ArkUI 框架以组件化、声明式、状态驱动为核心特征,要求开发者以"描述 UI 应该是什么样"而非"一步步操作 UI 怎么变"的思维方式构建界面。本文以一个名为"智能账单"的三标签页记账应用为切入点,逐层拆解其数据模型设计、@Builder 组件复用策略、@State 状态管理机制、条件渲染导航模式,以及静态写死渲染与动态循环渲染之间的性能权衡,为

2301_79651252的博客 124

健身运动管理应用对象内部的属性在 ArkTS 运行时可能被修改,使用 Object.freeze() 或只读类型 Readonly<Record<...>> 来强化

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务",而是"时间序列的身体状态数据":每次训练有时长、卡路里、组数、重量;每次饮食有热量、蛋白质、碳水、脂肪;每周有运动时长趋势图。这些数据的共同特征是"随时间积累,用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求,而非仅关注当前单条记录的增删改查。健身应用的用户行为模式也有独特之处:用户使用健身App的目标是"坚持",而不是"一次性完成任务"。这意味着激励

2302_79499487的博客 231

基于HarmonyOS API 24实战解析Blank() 组件自动填充标题栏中剩余的空白空间,通过 Row 的 alignItems(VerticalAlign.Center) 实现垂直居中对齐

健身管理类应用与之前分析的外卖、招聘等应用有本质差异——它的核心数据不是"交易"或"任务",而是"时间序列的身体状态数据":每次训练有时长、卡路里、组数、重量;每次饮食有热量、蛋白质、碳水、脂肪;每周有运动时长趋势图。这些数据的共同特征是"随时间积累,用户需要横向对比和趋势分析"。这导致健身App的数据层设计必须从第一天就考虑"历史数据查询"和"多维度聚合"的需求,而非仅关注当前单条记录的增删改查。健身应用的用户行为模式也有独特之处:用户使用健身App的目标是"坚持",而不是"一次性完成任务"。这意味着激励

2401_86031952的博客 205

智慧图书阅读基于HarmonyOS ArkTS 24实现完成为了支持本地持久化(书架列表的progress直接读取避免每次计算),这种“缓存trade-off“在性能敏感场景下是合理的工程选择

在 HarmonyOS NEXT 正式商用的背景下,ArkTS 作为鸿蒙生态的官方应用开发语言,正在从传统的命令式 UI 开发范式向声明式 UI 范式全面迁移。ArkUI 框架以组件化、声明式、状态驱动为核心特征,要求开发者以"描述 UI 应该是什么样"而非"一步步操作 UI 怎么变"的思维方式构建界面。

2301_79516720的博客 302

HTML5--底部导航

code: &lt;!DOCTYPE html&gt; &lt;html&gt; &lt;head&gt; &lt;meta charset="UTF-8"&gt; &lt;title&gt;&lt;/title&gt; &lt;meta name="viewport" content="width=device-width,initia

AsaZyf的博客 8823
上一篇: 9、Dp Notes底部导航栏
下一篇: 11、Dp Notes顶部导航栏
zdphpn
博客等级 码龄15年 2粉丝 21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