新闻详情

新闻详情

首页 / 资讯中心 / 详情

微信小程序 checkbox 和 radio 组件案例学习

发布时间:2026/10/11 1:28:47来源:尧图网络
微信小程序 checkbox 和 radio 组件案例学习
## 一、实验介绍本次案例学习微信小程序中 checkbox 复选框组件与 radio 单选框组件实现对文本样式和字体大小的动态控制。复选框支持多选可以同时设置文字加粗、倾斜、下划线单选框只能选择一项用来切换诗词的字体尺寸。本次作业在原有案例基础上新增 30rpx 字号选项选中后页面文字自动切换为 30rpx加深对表单组件事件绑定与数据驱动视图的理解。## 二、组件原理1. **checkbox-group checkbox 复选框组**checkbox-group 作为复选框的容器通过 bindchange 绑定切换事件。当勾选或者取消勾选复选框时触发绑定的事件函数e.detail.value 返回一个数组数组里面存放所有被选中复选框的value值。我们可以根据数组内容动态设置文本的字体样式。复选框的特点是支持多选多个选项可以同时选中。2. **radio-group radio 单选框组**radio-group 是单选框容器同样使用bindchange监听选择变化。e.detail.value返回字符串是当前选中单选框的value。单选框同一组内只能选中一个选项适合做互斥选择本案例用来切换字体大小。3. **小程序数据绑定**小程序采用 MVVM 思想在Page的data中定义变量wxml 通过{{}}语法绑定变量。使用this.setData()修改 data 内数据页面视图会自动刷新不需要手动操作 DOM 元素。## 三、功能实现思路页面展示一首《满江红・写怀》诗词分为两个功能区域- 复选框区域提供加粗、倾斜、下划线三个选项。勾选对应选项诗词实时变化样式取消勾选则样式消失。- 单选框区域原有 40rpx、50rpx、60rpx 基础上**新增 30rpx 选项**。点击不同字号单选按钮诗词字体大小同步改变。页面整体使用 view 容器包裹添加边框。标题居中红色正文设置首行缩进排版整洁美观。## 四、开发过程遇到的问题与解决办法1. **模拟器顶部出现黑色区域**一开始误以为是页面代码问题后来发现是开发者工具模拟器开启了【显示设备边框】黑色是手机外壳不是页面内容。关闭模拟器设备边框黑条就消失了不需要修改任何代码。2. **点击复选框、单选框没有任何效果**事件绑定名称拼写错误是最主要原因bindchange的大小写必须严格匹配wxml 绑定的函数名要和 js 里面定义的函数名完全一致。另外修改代码后需要清理缓存再编译旧缓存会导致页面不更新。3. **样式不生效**动态样式写在标签的 style 属性内依靠 data 变量控制。需要确认this.setData正确更新数据才能驱动页面刷新样式。## 五、功能测试1. 勾选加粗诗词文字加粗同时勾选倾斜、下划线多种样式叠加生效取消勾选则对应样式消失。2. 单选字号测试选择 30rpx文字变小选择 40rpx、50rpx、60rpx字体逐级变大。单选框同一时间只能选中一个符合单选组件特性。## 六、实验总结通过这个案例掌握了checkbox-group与radio-group表单组件的使用。分清复选框返回数组、单选框返回字符串的区别理解bindchange事件的使用场景。体会小程序数据驱动视图的核心思想修改 data 数据页面自动更新。同时也注意开发调试的细节例如清理缓存、检查事件名拼写、区分模拟器外壳和页面内容这些都是小程序开发里容易踩坑的地方。本次作业增加 30rpx 选项进一步熟悉单选组件动态修改页面样式的开发流程。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/8 23:25:23

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/8 22:09:11

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/10 21:05:16

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/10 13:16:45

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/8 20:31:14

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/9 1:48:20

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉