Loading [MathJax]/jax/output/CommonHTML/config.js
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >接口测试平台代码实现124: 全局变量-3

接口测试平台代码实现124: 全局变量-3

作者头像
我去热饭
发布于 2022-05-19 01:56:25
发布于 2022-05-19 01:56:25
26800
代码可运行
举报
文章被收录于专栏:测试开发干货测试开发干货
运行总次数:0
代码可运行

好的,久违的代码干货荣耀回归。

本节内容继续开发我们的项目内全局变量,在此之前,先让我们一起回顾下,之前我们的进度:

我们的设计是,在项目内,新增了一个全局变量的页面:

紧接着,我们求建造了对应的数据库的表,然后又去后台新建了一个demo数据:

然后在views.py中,成功通过child_json() 绑定了页面和这套数据:

接下来我们就要来搞前端交互,创造一套可以增删改查的 全局变量的 前端页面。

------------------正文开始------------------

既然我们已经成功搞定了后端进入的函数,所以我们专心搞前端:

打开我们的P_global_data.html:

跟随我的思路开始想,要展示表中所有符合的变量套,那么前端最外层应该是个for循环才对:

那里面呢?我的设计是 循环的是变量套的名字,名字本身是一个按钮,点击可以进入编辑:

添加了这个按钮后,看看当前的样子:

可以发现位置 肯定不好。所以我们 给它换个好的位置:

现在距离左边界有了100px的距离了:

现在我们去后台,多造一条数据,这样就可以看出 多个变量套的排列问题了:

可以看到 排列如此:

问题1:没有竖向排列

问题2:长短不一

所以我们修改前端样式代码如下:

效果如下:

现在我们要设计一个 显示内部数据的多行输入框。计划是给摆在右侧,所以可以通过脱离文档流 让其漂浮的办法,来快速完成效果:

因为这个显示编辑框是公共的,所以也就只存在一组,那么也就不能放在for循环内了。

效果如下:

效果如下:

现在还差删除和 增加按钮了。

删除按钮 是可以删除任意的,所以它要在循环内。

增加按钮 是公共的,只有一个,所以它在循环外:

按照箭头指向的 地方 进行改动成下图:

效果如下:

暂时我们 的外观设计就像个毛坯房,不过等我们把这个功能实现了,再单独拿出一节进行页面优化即可:

本节内容到此结束:

复制版本代码:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
<div style="padding-left: 100px">
{% for i in global_data %}
    <button class="btn-danger">删除</button>
    <button class="btn-default" style="margin-top: 5px;width:150px ">{{ i.name }}</button>
    <br>
{% endfor %}
    <br>
<button class="btn-primary">新增</button>
</div>

<div style="position: absolute;left: 310px;top: 65px">
    <input id="name" type="text" style="width: 500px" placeholder="输入变量套的名字"> <br>
    <textarea id="data" style="width: 500px;height: 500px;" placeholder="输入json格式的变量套内容"></textarea>
</div>

下节课,我们开始实现真实的功能。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-03-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 测试开发干货 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
使用Python实现深度学习模型:智能设备故障预测与维护
随着工业4.0和物联网(IoT)的普及,越来越多的智能设备被应用到生产和生活中。为了保障这些设备的正常运行,预测设备的故障并进行预防性维护是非常重要的。通过深度学习技术,我们可以使用历史设备数据来预测设备的故障,从而减少停机时间和维护成本。本文将介绍如何使用Python实现一个简单的智能设备故障预测与维护模型,带你一步步了解这个过程。
Echo_Wish
2024/10/19
1.1K2
使用Python实现深度学习模型:智能设备故障预测与维护
使用Python实现深度学习模型:智能极端天气事件预测
极端天气事件,如暴雨、台风和热浪,往往会对人类社会和自然环境产生深远的影响。近年来,气象数据和深度学习技术的发展使得智能预测极端天气成为可能。通过训练深度学习模型,我们可以建立一个自动化的预测系统,从大量的历史气象数据中学习并预测未来的极端天气事件。这篇文章将通过Python和深度学习框架Keras来介绍如何实现一个简单的智能极端天气预测模型。
Echo_Wish
2024/10/27
4390
使用Python实现深度学习模型:智能极端天气事件预测
[当人工智能遇上安全] 9.基于API序列和深度学习的恶意家族分类实例详解
《当人工智能遇上安全》系列博客将详细介绍人工智能与安全相关的论文、实践,并分享各种案例,涉及恶意代码检测、恶意请求识别、入侵检测、对抗样本等等。只想更好地帮助初学者,更加成体系的分享新知识。该系列文章会更加聚焦,更加学术,更加深入,也是作者的慢慢成长史。换专业确实挺难的,系统安全也是块硬骨头,但我也试试,看看自己未来四年究竟能将它学到什么程度,漫漫长征路,偏向虎山行。享受过程,一起加油~
Eastmount
2023/11/13
5021
[当人工智能遇上安全] 9.基于API序列和深度学习的恶意家族分类实例详解
基于SARIMA、XGBoost和CNN-LSTM的时间序列预测对比
本文将讨论通过使用假设测试、特征工程、时间序列建模方法等从数据集中获得有形价值的技术。我还将解决不同时间序列模型的数据泄漏和数据准备等问题,并且对常见的三种时间序列预测进行对比测试。
deephub
2023/02/01
1.5K0
[Deep-Learning-with-Python] 文本序列中的深度学习
深度学习模型可以处理文本序列、时间序列、一般性序列数据等等。处理序列数据的两个基本深度学习算法是循环神经网络和1D卷积(2D卷积的一维模式)。
公众号-不为谁写的歌
2020/07/23
4.1K0
使用LSTM模型预测多特征变量的时间序列
使用LSTM模型预测多特征变量的时间序列,能够帮助我们在各种实际应用中进行更准确的预测。这些应用包括金融市场预测、气象预报、能源消耗预测等。
Python编程爱好者
2024/07/12
1.6K0
使用LSTM模型预测多特征变量的时间序列
手把手教你使用 1D 卷积和 LSTM 混合模型做 EEG 信号识别
本文主要介绍了使用 1D 卷积和 LSTM 混合模型做 EEG 信号识别。感谢Memory逆光!
脑机接口社区
2022/08/17
7520
手把手教你使用 1D 卷积和 LSTM 混合模型做 EEG 信号识别
LSTM时间序列预测及网络层搭建[通俗易懂]
最近看到一篇博客,是时间预测问题,数据和代码的原地址在这里, https://www.jianshu.com/p/5d6d5aac4dbd
全栈程序员站长
2022/07/23
1.1K0
LSTM时间序列预测及网络层搭建[通俗易懂]
硬货 | 手把手带你构建视频分类模型(附Python演练))
我们可以使用计算机视觉和深度学习做很多事情,例如检测图像中的对象,对这些对象进行分类,从电影海报中生成标签。
磐创AI
2019/09/17
5.3K0
硬货 | 手把手带你构建视频分类模型(附Python演练))
时间序列预测(二)基于LSTM的销售额预测
O:小H,Prophet只根据时间趋势去预测,会不会不太准啊 小H:你这了解的还挺全面,确实,销售额虽然很大程度依赖于时间趋势,但也会和其他因素有关。如果忽略这些因素可能造成预测结果不够准确 小O:那有没有什么办法把这些因素也加进去呢? 小H:那尝试下LSTM吧~
HsuHeinrich
2023/05/25
1.5K0
时间序列预测(二)基于LSTM的销售额预测
基于LSTM-CNN的人体活动识别
来源:DeepHub IMBA本文约3400字,建议阅读10+分钟本文带你使用移动传感器产生的原始数据来识别人类活动。 人体活动识别(HAR)是一种使用人工智能(AI)从智能手表等活动记录设备产生的原始数据中识别人类活动的方法。当人们执行某种动作时,人们佩戴的传感器(智能手表、手环、专用设备等)就会产生信号。这些收集信息的传感器包括加速度计、陀螺仪和磁力计。人类活动识别有各种各样的应用,从为病人和残疾人提供帮助到像游戏这样严重依赖于分析运动技能的领域。我们可以将这些人类活动识别技术大致分为两类:固定传感器和
数据派THU
2022/08/29
1.8K0
基于LSTM-CNN的人体活动识别
使用TensorFlow 2.0的LSTM进行多类文本分类
关于NLP的许多创新都是如何将上下文添加到单词向量中。常用的方法之一是使用递归神经网络。以下是递归神经网络的概念:
代码医生工作室
2019/12/19
4.4K0
使用TensorFlow 2.0的LSTM进行多类文本分类
二分类问题:基于BERT的文本分类实践!附完整代码
寄语:Bert天生适合做分类任务。文本分类有fasttext、textcnn等多种方法,但在Bert面前,就是小巫见大巫了。
Datawhale
2020/03/19
6.3K1
二分类问题:基于BERT的文本分类实践!附完整代码
使用PyTorch-LSTM进行单变量时间序列预测的示例教程
时间序列是指在一段时间内发生的任何可量化的度量或事件。尽管这听起来微不足道,但几乎任何东西都可以被认为是时间序列。一个月里你每小时的平均心率,一年里一只股票的日收盘价,一年里某个城市每周发生的交通事故数。在任何一段时间段内记录这些信息都被认为是一个时间序列。对于这些例子中的每一个,都有事件发生的频率(每天、每周、每小时等)和事件发生的时间长度(一个月、一年、一天等)。
数据STUDIO
2023/02/24
2.3K0
使用PyTorch-LSTM进行单变量时间序列预测的示例教程
MOOC TensorFlow入门实操课程代码回顾总结(二)
欢迎来到TensorFlow入门实操课程的学习 MOOC TensorFlow入门实操课程代码回顾总结(一) MOOC TensorFlow入门实操课程代码回顾总结(三) 注: 用于表示python代码 粘贴运行结果 目录 5 图像分类基础应用——猫狗分类案例 5.1 导入库 5.2 下载数据集 5.3 查看样本数目 5.4 创建文件夹,存放训练测试数据 5.5 切分为训练数据和测试数据 5.6 模型构建 5.7 数据预处理 5.8 模型训练 5.9 训练结果可视化 5.10 模型推理 6 迁移学
荣仔_最靓的仔
2022/01/05
5820
MOOC TensorFlow入门实操课程代码回顾总结(二)
深度学习实战:kaggle竞赛:Keras实现双层LSTM进行风暴预测 python+Keras源码
LSTM(长短期记忆网络)是一种特殊的 RNN(循环神经网络),它能够有效地处理长期依赖问题。相比传统的 RNN,LSTM 通过引入门控机制来控制信息的流动,能够保持较长时间范围内的记忆,并防止梯度消失或爆炸的问题。在处理时间序列或语言数据时,LSTM 可以学习序列中的长期依赖关系。
机器学习司猫白
2025/01/21
3800
深度学习实战:kaggle竞赛:Keras实现双层LSTM进行风暴预测 python+Keras源码
【机器学习】——驱动智能制造的青春力量,优化生产、预见故障、提升质量
在优化生产流程的过程中,数据是最为重要的基础。制造企业通常会在生产线上安装各种传感器,这些传感器可以实时收集设备状态、生产速度、工艺参数等数据。例如,温度传感器可以监测生产过程中不同阶段的温度变化,振动传感器可以记录设备运行时的振动情况,而压力传感器则可以测量生产线上的压力变化。这些数据的收集为后续的分析和优化提供了丰富的素材。
小李很执着
2024/06/15
2360
【机器学习】——驱动智能制造的青春力量,优化生产、预见故障、提升质量
机器学习与工业(一)-预测性维护
随着自动化软件、大数据等技术的成熟,越来越多的工业场合开始将人工智能和机器学习引入到工业控制中去,比如我们常见的软测量、MPC控制、APC控制系统、寿命预测、状态检测、设备运行状态检测等系统。本次探讨内容主要以笼统的理论和一个简单的案例为探讨方向。
剑指工控
2022/04/14
6800
机器学习与工业(一)-预测性维护
Deep learning with Python 学习笔记(1)
Python 的 Keras 库来学习手写数字分类,将手写数字的灰度图像(28 像素 ×28 像素)划分到 10 个类别 中(0~9) 神经网络的核心组件是层(layer),它是一种数据处理模块,它从输入数据中提取表示,紧接着的一个例子中,将含有两个Dense 层,它们是密集连接(也叫全连接)的神经层,最后是一个10路的softmax层,它将返回一个由 10 个概率值(总和为 1)组成的数组。每个概率值表示当前数字图像属于 10 个数字类别中某一个的概率 损失函数(loss function):网络如何衡量在训练数据上的性能,即网络如何朝着正确的方向前进 优化器(optimizer):基于训练数据和损失函数来更新网络的机制
范中豪
2019/09/10
1.6K0
Deep learning with Python 学习笔记(1)
股票预测 lstm(时间序列的预测步骤)
如果对LSTM原理不懂得小伙伴可以看博主下一篇博客,因为博主水平有限,结合其他文章尽量把原理写的清楚些。
全栈程序员站长
2022/08/01
2.5K1
股票预测 lstm(时间序列的预测步骤)
推荐阅读
相关推荐
使用Python实现深度学习模型:智能设备故障预测与维护
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验