vue基础知识总结(二)

VUE -- 基础知识讲解(二) 本文系统介绍了Vue.js核心概念,包括虚拟DOM、diff算法、Vue3新特性和关键技术。虚拟DOM通过JavaScript对象描述视图结构,减少直接DOM操作提升性能;diff算法采用同层比较策略高效更新DOM。Vue3新增了Composition API、Teleport等特性,优化了响应式系统和编译器。文章还详解了动态路由、key的作用、nextTick原理,以及watch和computed的异同,帮助开发者深入理解Vue工作原理和最佳实践。 阅读详情

ref属性

  • 表示对dom的引用,值可以随便取,但不能重复
  • 通过 this.$refs.值 来获取
  • ref=”inputRefId”(设置) this.$refs.inputRefId(获取)

全局自定义指令Vue.directive()

  • 两个参数,1 指令名字(如果名字有大写字母,使用时需要用-分割),2 对象(表示自定义配置项)
  • 使用时需要以 v-开头加上指令名字
  • 配置项中有 inserted(el,bindng)钩子函数(自定义指令插入标签中执行),el表示使用自定义指令的元素,binding表示自定义指令的信息(binding.value可以获取自定义指令属性的值,binding.expression表示自定义指令属性的表达式)

创建全局过滤器Vue.filter()

  • 两个参数,1 过滤器名字, 2 过滤器处理函数(第一个参数永远为过滤的数据)
// 在需要过滤的数据后面加上管道符 | 过滤器名称 
 {{new Date() | fmtTime('/')}}

Vue.filter('fmtTime', function(time, seprator) {
    console.log(time);
    var y = time.getFullYear();
    var m = time.getMonth() + 1;
    var d = time.getDate();
    return y + seprator + m + seprator + d
  })

computed计算属性

  • 创建计算属性通过computed关键字,是一个对象(在其内部定义计算属性,他是一个函数,可以当属性来使用)
  • 计算属性是基于他们的依赖进行缓存的(如果不改变就使用其缓存数据)
<div id="app">
      <input type="text" v-model="firstName">
      <input type="text" v-model="lastName"
      <div>全名:{{fullName}}</div>
    </div>
    <script>
      // 计算属性是根据data中已有的属性,计算得到一个新的属性
      var vm = new Vue({
        el: '#app',
        data: {
          firstName: '',
          lastName: ''
        },
        // 创建计算属性通过computed关键字,它是一个对象
        // 计算属性是基于它们的依赖进行缓存的
        computed: {
          // 这里fullName就是一个计算属性,它是一个函数,但这个函数可以当成属性来使用
          fullName () {
            return this.firstName + this.lastName
          }
        }
      })

watch监听器

  • watch是一个对象,用来监听data中数据的值,只要监听的数据 一变化,就执行相应的函数
  • 需要监听的数据,就是函数的名字,有两个参数,newval,oldval。
<div id="app">
      <input type="text" v-model="firstName">
      <input type="text" v-model="lastName">
      <div>全名:{{watchFullName}}</div>
    </div>
    <script>
      var vm = new Vue({
        el: '#app',
        data: {
          firstName: '',
          lastName: '',
          watchFullName: ''
        },
        // watch监听器用来监听data中数据的值,只要监听的数据一变化,它就能执行相应的函数
        // 创建监听器通过watch属性,它是一个对象
        watch: {
          // 这里面的函数名很特殊,它是你需要监听的data的名字,这个函数包含两个参数,一个是newVal,一个是oldVal
          firstName (newVal, oldVal) {
            this.watchFullName = newVal + this.lastName
          },
          lastName (newVal, oldVal) {
            this.watchFullName = this.firstName + newVal
          }
        }
      })

开发时能用computed实现就用computed
需要执行异步操作时用watch

深度监听(监听对象)
  • 需要监听的数据,是对象的名,其中有一个handler函数,和一个deep=true
watch: {
          user: { //user 为监听数据名字
            // hanlder这个函数名字固定
            handler (newval,oldval) {
            // 注意这两个参数都为改变后的数据
            },
            // deep:true表示深度监听
            deep: true
          }
        }

axios

  1. axios发送get请求
axios.get('http://157.122.54.189:9093/api/getprodlist')
.then(res => {
  console.log(res);
// axios中将数据封装到了data属性中
  console.log(res.data);
 })
.catch(error => {
    console.log(error);
})
  1. axios发送post请求
axios.post('http://157.122.54.189:9093/api/addproduct', {
  // 传递的参数
})
.then(res => {
    console.log(res.data);
})
.catch(error => {
    console.log(error);
})

过渡和动画

css类名
  1. 找到需要过度的元素,用transition包裹起来,给transition标签添加name属性,这个name属性将会作为类名的前缀
  2. 定义类名分为两组(入场动画,离场动画)
    • 入场动画 v-enter, v-enter-active, v-enter-to
    • 离场动画 v-leave-to, v-leave-active, v-leave
Animate.css第三方动画库
  • 首先用 transition 标签包裹需要设置动画标签
  • enter-active-class 入场动画
  • leave-active-class 离场动画
  • 必须添加animated类名
  • enter-active-class = ‘animated fadeOutRight’
javascript钩子
  • transition包裹
  • before-enter 进入动画之前
  • enter 进入动画中
  • after-enter 进入动画完成后
  • before-leave
  • leave
  • after-leave
注意 enter leave 有两个参数(el,done)done函数需要调用,不然after函数不会触发
手把手教你用smarteye搭建免费GB28181监控平台(含海康设备接入避坑指南) 本文提供了一份基于SmartEye搭建免费GB28181视频监控平台的实战指南。详细介绍了从服务器部署、GB28181协议核心配置,到海康威视等主流设备接入的完整流程,并重点分享了设备注册失败、无法预览等常见问题的深度排错方法,旨在帮助中小企业及开发者低成本实现多品牌监控设备的统一管理。 阅读详情

相关推荐

win11一直弹出用户账户控制怎么解决

用户帐户控制简称UAC,是微软公司在其Windows Vista及更高版本操作系统中采用的一种控制机制。近期有部分Win11用户想要关闭UAC,但是不知道应该如何操作,对此下面我就教给大家操作方法,大家可以去尝试看看。...

xitongzhijia_abc的博客 5万+

vscode开发vue首选项配置及常用插件扩展

vsCode首选项配置 1.进入vscode页面,点击设置打开开用户设置或者点击文件》首选项进入该页面 2.如果进入为上述页面,找不到setting.json文件,可通过ctrl+shift+p快捷键,在搜索栏输入preferences:open settings(json) 3.进入用户模式进行配置,初始化用户设置为空,将下面内容拷贝进去(注意大括号{}),红色的区域主要是为了css提示设置...

七侠剑客的博客 6716

企业如何利用群晖 NAS 构建高效数据备份与容灾体系

群晖 NAS 不仅是一个企业级文件存储设备,更是一个完整的数据保护平台。通过 Active Backup for Business、快照技术和多层次容灾方案,企业可以在确保数据安全的同时,实现业务的高可用与持续性。在当今充满不确定性的环境下,企业应将数据备份与容灾体系作为 IT 战略的重要组成部分,而群晖 NAS 则是一个值得信赖的核心基石。

Trihawk的博客 491

vue中名词解释

通过componet元素的is sttribute来实现。通常使用 const message =ref('')←初始值。使用站为符号。1,生产环境打包的情况下无法移除。3,无需加载,进行页面切换。(也被称为*.vue文件)使用导入的函数来描述逻辑。(可以大幅度的简化代码)作用-告知vue如何编译。4,数据变更是改变DOM。3,v-model绑定。组件可以被重复多次使用。2,大型项目中不宜维护。3,挂载实例到DOM。3,通过插槽分配内容。

山丘望月的狼 829

DSP 6678处理器Cache配置实战:从基础设置到多核一致性优化

本文深入探讨了TI TMS320C6678多核DSP处理器的Cache配置与优化实战。文章从基础概念入手,详细解析了L1、L2 Cache的模式选择与内存属性配置,并重点剖析了多核环境下缺乏硬件一致性支持带来的挑战。核心部分提供了基于Writeback和Invalidate操作的手动一致性维护策略,以及针对数据流处理、频繁访问共享数据等不同场景的性能调优与避坑指南,帮助开发者构建高效稳定的多核DSP系统。

o5p6q的博客 182

基于STM32L4XX、HAL库的RTL8211FSI-CG以太网收发器(PHY)驱动程序设计

一、简介:RTL8211FSI-CG是Realtek公司生产的一款高性能、低功耗的单端口10/100M以太网收发器(PHY)。它通过RMII(Reduced Media Independent Interface)或MII接口与MAC控制器连接。

zhusl6688的博客 531

Vue-基础知识

Vue (读音 /vjuː/,类似于 view) 是一套用于构建用户界面的渐进式框架,发布于 2014 年 2 月。与其它大型框架不同的是,Vue 被设计为可以自底向上逐层应用。Vue 的核心库只关注视图层,不仅易于上手,还便于与第三方库vue-routervuex)或既有项目整合。MVVM模式的实现者我们知道(不知道的请移步 【了解前端 MVVM 模式Model:模型层,在这里表示 JavaScript 对象View:视图层,在这里表示 DOM(HTML 操作的元素)

孟孟的博客 1151

化工仿真软件:gPROMS二次开发_(1).gPROMS基础知识

在gPROMS中,模型是通过定义变量、参数和方程来创建的。模型可以是简单的单元操作,如换热器、反应器,也可以是复杂的系统,如整个化工流程。变量是模型中表示状态或输出的量。在gPROMS中,变量需要显式定义其类型和单位。# 定义变量VAR# 温度变量,单位为K# 压力变量,单位为Pa# 组分摩尔分数,数组变量参数是模型中表示常量或初始条件的量。参数同样需要定义其类型和单位。# 定义参数PAR# 理想气体常数,单位为J/(mol·K)# 反应器体积,单位为m^3# 初始摩尔数。

kkchenjj的博客 616

Vue的概念

Vue的概念

Lin_25937的博客 7531

用Virtuoso和Abstract完成gds2lef

需要用到的工具有virtuoso和abstract。 数模混合的项目通常需要模拟完成模块设计,把接去数字的pin打上label(text),数字的floorplan才能正式开始。 如果只需要简单的数字PR boundary和pin点位置,那么只使用virtuoso就够了,还想把模拟版图都转成lef就要用到abstract工具。 1.PR boundary+pin 1)在virtuoso中打开layout a) Gui操作: Create->P&R Objects->

m0_61544122的博客 8738

Linux7 挂载 nfs 远程目录

每天一个 DBA 小知识,助你更进一步!

LuciferLiu_DBA 1万+

什么是vue?

MVVM的出现正是缓和了这一现象,ViewModel层分担了之前Controller层的众多负担(这也是大方向,因为前后端分离后大前端时代到来,对前端的要求更高)这样后期维护就会简单很多,但是MVVM相比于MVC在代码量上是没有减少的反而增加了,会让人感觉有些吃力不讨好的感觉,不不不你错了,思路往往比解题要重要,当优点大于缺点的时候,那些原本不重要的缺点就不再是缺点了(狗头)。数据驱动视图,视图又能影响数据,提到这又要引申出来两个名词,MVC框架以及MVVM框架。Model:数据存储。

个人笔记 744

Stanford Dogs 犬类识别实战:基于 YOLOv8 的 120 类目标检测与图形界面实现

本项目通过YOLOv8实现了Stanford Dogs数据集的目标检测功能,完整包含了数据准备、模型训练、检测推理、图形界面四大模块。初学者使用YOLOv8n(nano版)加速训练,熟悉流程后可切换到YOLOv8s/m。图像上传与检测可进一步增强,例如显示识别框、标注标签。可以添加模型选择、检测阈值调整等功能,提升实用性。通过网盘分享的文件:基于yolov8的狗类品种识别系统链接: https://pan.baidu.com/s/1UYV4h2WnK1RxWWKoPrS-RA?

FJN110的博客 84

vue零基础(二)——基础知识(mvvm+VueJS表达式)

简知mvvm Vue引入了MVVM (Model-View-ViewModeD)模式,他不同于MVC架构。 MVC模式: Model:数据模型,一些JavaScript对象,比如{name :“小小”,age: 18}; View:视图,网页中的内容,-般由HTMl模板生成。 Contoller:控制器(路由),视图和模型之间的胶水。 MVVM模式: Model:它是与应用程序的业务逻辑相...

weixin_45750195的博客 283

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

Vue基础知识二

VUE生命周期详解、VUE组件化编程

东风麦芽糖 1288

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

VUE基础知识二

VUE中MVVM模型介绍、Vue中的数据代理、定义事件的方法、事件修饰符的介绍

xiongIT的博客 1040

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

【VUE】vue基础知识(二)

双向数据绑定:这是 Vue.js 的一大特色,它采用了数据劫持和发布订阅模式,实现了视图与数据的双向绑定。这意味着当数据发生变化时,视图会自动更新;反之,当视图发生变化时,数据也会同步更新。 组件化:Vue.js 支持以组件的形式构建应用,这大大提高了代码的可维护性和可复用性。开发者可以将一个大的应用拆分成多个小的、独立的组件,每个组件负责一部分功能,这样不仅降低了代码的复杂性,还方便了团队协作。

qq_44580366的博客 1092

Vue基础知识(二)

Vue基础知识(二) 一、计算属性: 1.定义:拿普通的属性进行加工计算,生成一个全新的属性; 2.原理:底层借助了0bjcet.defineproperty方法提供的getter和setter。 3.get函数什么时候执行? (1).初次读取时会执行一次。 (2).当依赖的数据发生改变时会被再次调用。 4.优势:与methods实现相比,内部有缓存机制(复用),效率更高,调试方便。 5.备注: 1.计算属性最终会出现在vm上,直接读取使用即可。 2.如果计算属性要被修改,那必须写set函数去响应修改,且s

qq_57093115的博客 800

Vue基础知识总结(二)

8、vue插槽 8.1、案例1(了解插槽): 父组件:mytest.vue <template> <div> <div>大家好我是父组件</div> </div> <myslot> <p>测试一下吧~内容在这里显示</p> </myslot> </template> <script> ...

张媛的博客 245

VUE基础知识介绍(二)VUE提高

组件基础 什么是组件 **需求:**如果页面中有多个一样结构的控件,比如 <div id="app"> <!-- 页面中有多个一样结构的标签: span+button --> <span>{{count1}}</span> <button @click="changeCount1">按钮</button> <br> <span>{{count2}}</span>

liuerchong的博客 1190

vue基础知识二

vue学习第二天 经过前一天的知识点学习,那么今天我们主要以案例练习为主,多敲代码,提高代码量才是学习编程的王道。 1、key的作用 假设现在有一个需求,在页面循环data中的数组。很简单,有手就行,分分钟写出来。 <div id="app"> <ul> <li v-for="(item, i) in list"> <input type="checkbox"> {{item.name}} </li&gt

m0_56232007的博客 153

Vue的基础知识(二)

一、组件 定义:组件,可复用的vue实例 组件注册: ------------------全局组件---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------.

sunnyaha12的博客 199

vue基础知识篇二

继续昨天的学习过程,今天我们继续学习vue基础: 知识点一:watch 监听 watch的功能是实时监听数据变化,在数据发生变化的时候,响应相应的事件。也可以理解为异步响应,大致相当于ajax,但没有ajax强大,例如我们在输入内容时期望遇到某个内容便响应一个事件,就可以使用watch,我们来个实例 //页面层 <div> <input type="text...

wuxiaowu123的博客 188

vue基础知识和原理(二)

2.所有不被Vue所管理的函数(定时器的回调函数、ajax的回调函数等、Promise的回调函数),最好写成箭头函数,这样this的指向才是vm 或 组件实例对象。1.所被Vue管理的函数,最好写成普通函数,这样this的指向才是vm 或 组件实例对象。(1) 若:,则v-model收集的是value值,用户输入的就是value值。(2) 若:,则v-model收集的是value值,且要给标签配置value值。(1).Vue自身可以监测对象内部值的改变,但Vue提供的watch默认不可以。......

m0_61016904的博客 2万+
上一篇: vue基础知识总结(一)
下一篇: vue基础知识总结(三)组件
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