前往小程序,Get更优阅读体验!
立即前往
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 >【网页前端】CSS的常用布局(上)

【网页前端】CSS的常用布局(上)

作者头像
陶然同学
发布于 2023-02-27 03:23:27
发布于 2023-02-27 03:23:27
1.1K0
举报
文章被收录于专栏:陶然同学博客陶然同学博客

👀专栏介绍

【前端网页】 目前主要更新HTML,一起学习一起进步。

👀本期介绍

本期主要介绍CSS的三大特性层叠性、继承性、优先级

文章目录

1. 引言&概述

2. 基本布局:标准流

3. 常用布局:浮动

3.1 引入

3.2 概述及格式

3.3 浮动案例

3.3.1 准备代码

3.3.2 案例 1:左对齐顺序排列

3.3.3 案例 2:右对齐顺序排列

3.3.4 案例 3:两端对齐排列

3.3.5 课堂练习:两端对齐排列

3.4 浮动特点及注意事项

3.5 浮动总结

4. 清除浮动

4.1 准备代码

4.2 引言

4.3 概念&格式

4.4 额外标签法 (隔墙法)

4.5 单伪元素法

4.6 双伪元素法

4.7 overflow:超出隐藏法

4.8 总结

5. 布局总结

1. 引言&概述

网页布局的本质:

使用 CSS 盒子模型来进行调整和定位。

布局的常见方式:

标准流(普通流)

浮动

定位

今天的讲义中,我们先讲解标准流 和 浮动。

2. 基本布局:标准流

标准流布局:标签按照默认方式排列,是布局中最基本的方式。

我们前面学习的所有布局调整,全部都是标准流布局。

例如:

div 是标准 块级元素,独占一行,多个 div 从上到下顺序排列。

例如:

span 是标准 行内元素,从左到右依次排序,若一行的行内元素过多,多与的行内元素触碰到父元

边框会换行。

3. 常用布局:浮动

3.1 引入

通常我们有这样的布局需求:div 进行一行的顺序布局、或 div 进行一行的两端布局

除了可以使用我们之前学过的显示模式转换 display 进行调节,我们还可以使用 浮动 布局来完

成以上效果。

3.2 概述及格式

浮动布局:让元素脱离标准流进行“漂浮”的布局方式,可以改变元素默认的排列方式。

多用于让块元素横向排列的需求。

格式:

选择器 {

float: 属性值 ;

}

常用属性值:

none :元素不浮动(默认值)

left :元素向左浮动

right :元素向右浮动

下面我们使用多个课堂案例,来认识浮动。

3.3 浮动案例

3.3.1 准备代码

3.3.2 案例 1:左对齐顺序排列

示例 1:要求在一行上,左对齐:

注意:因为从上到下执行代码,红色方块是第一个向左浮动的,自然在最左边

3.3.3 案例 2:右对齐顺序排列

示例 2:要求在一行上,右对齐:

注意:因为从上到下执行代码,红色方块是第一个向右浮动的,自然在最右边

3.3.4 案例 3:两端对齐排列

示例 3:要求在一行上,进行如下两端对齐:

注意:因为从上到下执行代码,绿色方块是第一个向右浮动的,自然在最右边

3.3.5 课堂练习:两端对齐排列

准备代码:

要求的效果:

提示:

左浮动:先红后蓝

右浮动:先绿后黄

答案:

3.4 浮动特点及注意事项

1、相较于标准流元素,元素设置浮动,会对下方标准流产生影响,不影响上方标准流

2、相邻浮动元素之间默认贴合(除非主动设置 margin),若浮动元素触碰到父元素边框,会自

行换行

3 、 任何元素均可浮动设置浮动后,元素的特性与 行内块元素相似 (宽度可设置、默认由内容决

定、触

碰父元素边缘自动换行)

3.5 浮动总结

浮动和标准流一般搭配使用:

步骤: 1 、标准流作父元素,用于排列垂直位置

2 、浮动元素在标准流父元素内,用于排列水平位置

4. 清除浮动

4.1 准备代码

4.2 引言

通常情况下,未设置高度的 标准流父元素,在子元素进行浮动时,会导致父元素失去子元素,高

度消失。

进而影响页面排版。

该问题的解决方案有多种,常见两种快速解决方案:

1 父元素也设置浮动 (可能会影响其他垂直排版)

2 、 清除子元素的浮动效果,让浮动状态的子元素影响标准流

注:有同学可能会使用 float : none ; 或者 删除 float 代码,这确实可以清除浮动效果。

除此之外,在开发中,我们还有多种规范化的清除浮动的代码,下面让我们来一起学习。

4.3 概念&格式

清除浮动:清除兄弟元素带来的浮动影响。

格式: clear : 属性值 ;

准备代码:

默认效果:

常见属性值:(为绿色块设置清除浮动)

注意:clear 不会清除元素自身的浮动状态,仅会清除该元素左侧或右侧的浮动效果。

总结:一般我们使用 clear:both;这样就不用再区分我们是 左浮动还是右浮动,直接清空两端浮动

效果。

问题引出:

单一使用 clear : both 虽然能清除元素左右的浮动效果,但是仍然无法解决

所以下面我们来介绍一些结合了 clear:both 的综合方式来解决以上问题。

4.4 额外标签法 (隔墙法)

额外标签法:通过添加一个 clear 样式的额外标签来清除浮动效果。

一般在父元素末尾添加一个空标签: < div style =" clear : both" ></ div >

注意:一般使用块级元素 div , p 标签也能达到对应效果

示例代码:

示例效果:

分析:

注意:

浮动元素仍然是浮动状态 ,仅因为额外标签,使得影子在额外标签的父元素中生效。

浮动元素仅有一个“影子”,

“影子”仅被生效一次 。(多次添加额外标签,作用于某个浮动元素,该浮

动元素的“影子”也仅生效一次)

总结:额外标签法在开发中会遇到

4.5 单伪元素法

单伪元素法:为标准流的父元素添加伪元素 :after ,利用 :after 模拟生成额外标签,来清除浮动。

(是额外标签法的另一种写法)

语法:

示例代码:

示例效果及分析:

总结:用法较额外标签法复杂,而且要照顾低版本浏览器。

但因为不会添加额外标签,很多美工人员用伪元素可以应对需求反复的修改,所以会见到其他

人的代码中使用

扩展:特殊条件下,当伪元素生成的内容有高度、且内容被显示影响版式时,我们会多加入两个属

性:

语法:

visibility : hidden ; 隐藏元素,但是需要在页面占用位置。

(相当于有一个披了隐身衣的隐身人,占着地方,却看不见他)

一般用不上,因为伪元素 :after 在 content 为空时,默认生成的就是高度为 0 ,看不见的元素。

4.6 双伪元素法

双伪元素法:为标准流的父元素添加伪元素 :before 和 :after ,利用 :before 和 :after 模拟生成额外标

签,

来清除浮动。

(是额外标签法的另一种写法)

语法:

示例代码:

示例效果及分析:

总结:用法较额外标签法和单伪元素法更复杂,而且要照顾低版本浏览器。但会见到其他人的代码

中使用

但因为不会添加额外标签,很多美工人员用伪元素可以应对需求反复的修改,所以会见到其他人的

代码中使用

4.7 overflow:超出隐藏法

overflow: 用于设置溢出元素部分的策略。(兼顾清除浮动的妙用)

格式: overflow : 属性值 ;

属性值列表(后面课程会详细介绍其他属性值)

总结:清除浮动的代码虽然简洁,但是容易被上方的浮动元素影响,且无法显示出溢出部分,若对

内容不溢出 没有十足把握,不建议用此来清除浮动。

4.8 总结

未设置高度的 标准流父元素,在子元素进行浮动时,会导致父元素失去子元素,高度消失。

这时我们可以采取清除浮动来让布局可控。

5. 布局总结

网页布局中,行内元素 尤其是行内块元素,在布局上,无论垂直还是水平都容易操作。

块元素布局上需要采取对应策略:

竖向排列 使用: 标准流

横向排列 使用: 浮动

叠加排列 使用: 定位

(定位将在后面课程中讲解体现)

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022-07-27,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 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
1 条评论
热度
最新
可以,大佬,互粉一下
可以,大佬,互粉一下
回复回复点赞举报
推荐阅读
医学图像分割 | U-Net网络及他的变体
今天来简单归纳一下,医学图像分割的内容,还有很多代表性的工作在之后的文章中不断更新,由于同一个网络结构可能在不同的数据集上表现出不一样的性能,在具体的任务场景中还是要结合数据集来选择合适的网络。
AI算法修炼营
2020/05/18
4.4K0
医学图像分割 | U-Net网络及他的变体
深度学习实战之医学图像分割
计算机视觉领域有三大问题:图像分类、目标检测以及图像分割。前两类问题及应用在公众号之前的文章里都有介绍,那么今天我们就来介绍剩下的图像分割问题,并以医学图像分割为例介绍它在现实中的应用。
用户1621951
2021/10/14
8.6K1
深度学习实战之医学图像分割
图像分割必备知识点 | Unet详解 理论+ 代码
语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支。与分类任务不同,语义分割需要判断图像每个像素点的类别,进行精确分割。语义分割目前在自动驾驶、自动抠图、医疗影像等领域有着比较广泛的应用。
机器学习炼丹术
2020/12/02
9.6K1
UNet家族最强系列 | UNet、UNet++、TransUNet与SWin-UNet究竟哪个更强!!!
本文首发于 【集智书童】,白名单账号转载请自觉植入本公众号名片并注明来源,非白名单账号请先申请权限,违者必究。
集智书童公众号
2023/09/04
23.7K0
UNet家族最强系列 | UNet、UNet++、TransUNet与SWin-UNet究竟哪个更强!!!
深度学习如何在医学影像分割上大显神通?——分割网络的三个改进思路
一、医学影像分割有助于临床工作 图像分割在影像学诊断中大有用处。自动分割能帮助医生确认病变肿瘤的大小,定量评价治疗前后的效果。除此之外,脏器和病灶的识别和甄别也是一项影像科医生的日常工作。CT和磁共振的数据都是三维数据,这意味着对器官和病灶的分割就需要逐层进行。如果都是手工分割的话,会给医生带来繁重的工作量。实际上,已经有很多学者提出了许多医学影像的分割方法,但由于医学影像复杂,分割目标多变,仍有很多自动分割问题等待解决。 近年来深度学习在计算机视觉的各个细分邻域都取得了出色的成绩,那么,深度学习如何帮助医
企鹅号小编
2018/01/25
9.9K0
医学图像半监督分割Baselines
近年来,CNN在医学图像分割领域取得了统治级的地位,nnUNet及其各种魔改版本几乎霸占了各大比赛的leaderboard,但大多医学图像分割任务一直因为标注数量太少而饱受诟病。目前大多研究集中于调整网络结构等方面(加各种attention,各种feature fusion),希望在有限的数据上拟合出更加性能强悍的模型,而较少的去利用未标注数据来训练更加鲁棒和泛化性更好的模型(在临床场景下海量的未标注原始数据被保留在数据中心中,医生没有时间和精力对其大规模标注,只有少量数据会被标注用于临床或算法研究)。如何缓解标注图像数量太少,未标注数量太多和有效利用未标注的原始数据等问题,已然成为了医学图像分割发展的主要矛盾。
Amusi
2020/11/11
1.6K0
医学图像半监督分割Baselines
【魔改UNet系列】Mamba-UNet: 医学图像分割的UNet类纯视觉Mamba
在医学图像分析的最新进展中,卷积神经网络(CNN)和视觉变换器(ViT)树立了重要的基准。前者通过其卷积操作擅长捕捉局部特征,后者通过自注意力机制实现了显著的全局上下文理解。然而,这两种架构在有效建模医学图像中的长距离依赖方面都存在局限性,这对于精确分割至关重要。受Mamba架构的启发,该架构以其在处理长序列和全局上下文信息方面的专业性而闻名,并且作为状态空间模型(SSM),我们提出了Mamba-UNet,这是一种新颖的架构,它将UNet在医学图像分割中的能力与Mamba的能力相结合。Mamba-UNet采用了基于纯视觉Mamba(VMamba)的编码器-解码器结构,并注入了跳跃连接以保留网络不同尺度上的空间信息。这种设计促进了全面的特征学习过程,在医学图像中捕捉复杂的细节和更广泛的语义上下文。我们引入了一种新颖的集成机制,在VMamba块内确保编码器和解码器路径之间的无缝连接和信息流动,从而增强了分割性能。我们在公开可用的ACDC MRI心脏分割数据集和Synapse CT腹部分割数据集上进行了实验。结果表明,在相同的超参数设置下,Mamba-UNet在医学图像分割方面优于几种类型的UNet。
小白学视觉
2024/10/29
1.1K0
【魔改UNet系列】Mamba-UNet: 医学图像分割的UNet类纯视觉Mamba
医学图像分割:U-Net系列网络简介
在图像分割任务特别是医学图像分割中,U-Net[1]无疑是最成功的方法之一,该方法在2015年MICCAI会议上提出,目前已达到四千多次引用。其采用的编码器(下采样)-解码器(上采样)结构和跳跃连接是一种非常经典的设计方法。目前已有许多新的卷积神经网络设计方式,但很多仍延续了U-Net的核心思想,加入了新的模块或者融入其他设计理念。本文对U-Net及其几种改进版做一个介绍。
马上科普尚尚
2020/05/11
8K0
医学图像分割:U-Net系列网络简介
CP-UNet:基于轮廓的医学超声图像分割概率模型 !
超声成像广泛应用于各种疾病的诊断,由于其低成本、简单操作和非侵入性,因此在医学超声图像的病变分割中,基于深度学习的分割方法得到了应用。然而,由于超声图像中存在不均匀的病变区域分布、斑点噪声和成像伪迹,这增加了分割任务的难度。如图1(b)(c)(d)所示的病变与正常组织之间的结构边界线模糊,以及如图1(e)(f)所示的病变形状和纹理的不规则变化,都导致了轮廓模糊。这些因素共同影响了分割的准确性。
未来先知
2024/12/23
3910
CP-UNet:基于轮廓的医学超声图像分割概率模型 !
医学图像处理
医学图像处理的对象是各种不同成像机理的医学影像,临床广泛使用的医学成像种类主要有X-射线成像 (X-CT)、核磁共振成像(MRI)、核医学成像(NMI)和超声波成像(UI)四类。在目前的影像医疗诊断中,主要是通过观察一组二维切片图象去发现病变体,这往往需要借助医生的经验来判定。利用计算机图象处理技术对二维切片图象进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至 定量的分析,从而大大提高医疗诊断的准确性和可靠性;在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用[1,2]。目前,医学图像处理主要集中表现在病变检测、图像分割、图像配准及图像融合四个方面。
用户1150922
2019/07/10
3.7K0
为什么U-Net在医学图像上表现优越?
做图像分割方向的朋友,一定都用过U-Net,或者做分割方向研究的朋友们,也许都有过魔改U-Net的经历。作为2015年MICCAI上发表的一篇论文,U-Net目前在谷歌学术的引用是11487次,几乎做分割的人人都会引用。
AI算法与图像处理
2020/02/20
6.4K0
为什么U-Net在医学图像上表现优越?
双边监督网络在半监督医学图像分割中的应用
Along He, Tao Li, Juncheng Yan, Kai Wang, Huazhu Fu
小白学视觉
2024/07/16
3470
双边监督网络在半监督医学图像分割中的应用
超越UNet:TP-UNet引入时间Prompt实现高级医学图像分割 !
医学图像分割在现代医学领域占有重要地位,在疾病诊断、手术计划和治疗监测等方面发挥基础作用 [1]。该任务的主要目标是准确地分离和 Token 医学图像中呈现的特定结构或组织,以便医疗专业行人能够进行细致分析并实现精确诊断。值得注意的是,随着深度学习技术的进步,一些基于UNet及其变体的网络已经展示了通过提取医学图像中的语义信息来实现令人称赞的分割准确性 [2]。
未来先知
2024/12/19
3520
超越UNet:TP-UNet引入时间Prompt实现高级医学图像分割 !
Transformer又一城 | Swin-Unet:首个纯Transformer的医学图像分割模型解读
在过去的几年中,卷积神经网络(CNN)在医学图像分析中取得了里程碑式的进展。尤其是,基于U形结构和skip-connections的深度神经网络已广泛应用于各种医学图像任务中。但是,尽管CNN取得了出色的性能,但是由于卷积操作的局限性,它无法很好地学习全局和远程语义信息交互。
集智书童公众号
2021/05/28
4.6K0
超越传统 UNet ,GCtx-UNet 结合全局与局部特征,实现高效图像分割 !
自动化医学图像分割在提供有价值信息以预防、诊断、进展监测和预测各种疾病以及定量病理学评估中至关重要。目前,包括编码器、解码器和跳跃连接在内的U形深度神经网络在医学图像分割中应用最为广泛。尽管U形网络在许多医学图像分割任务中取得了最先进的表现,但仍然存在局限性。一个主要的局限性是编码器在有效提取和整合长距离和局部特征方面的能力。
AIGC 先锋科技
2024/07/08
1.1K0
超越传统 UNet ,GCtx-UNet  结合全局与局部特征,实现高效图像分割 !
吴博:目标检测集成框架在医学图像 AI 辅助分析中的应用 | AI 研习社第 78 期大讲堂总结
如何界定 AI 用于医学图像分析时的范畴,设置相关的任务及采用合理的模型方法?医学图像分析中目标检测任务的普遍性,使得开发目标检测集成框架显得必要。
朱晓霞
2022/03/04
1.5K0
吴博:目标检测集成框架在医学图像 AI 辅助分析中的应用 | AI 研习社第 78 期大讲堂总结
【图像分割应用】医学图像分割小总结
这是专栏《图像分割应用》的第4篇文章,本专栏主要介绍图像分割在各个领域的应用、难点、技术要求等常见问题。
用户1508658
2019/07/23
2.6K1
从入门到精通UNet: 让你快速掌握图像分割算法
https://cloud.tencent.com/developer/article/2465647?shareByChannel=link
忆愿
2024/11/24
1.2K0
从入门到精通UNet: 让你快速掌握图像分割算法
提升图像分割精度:学习UNet++算法
https://cloud.tencent.com/developer/article/2465647?shareByChannel=link
忆愿
2024/11/25
8811
提升图像分割精度:学习UNet++算法
CVPR 2017精彩论文解读:综合使用多形态核磁共振数据的3D生物医学图像分割方法 | 分享总结
论文的故事还在继续 相对于 CVPR 2017收录的共783篇论文,即便雷锋网(公众号:雷锋网) AI 科技评论近期挑选报道的获奖论文、业界大公司论文等等是具有一定特色和代表性的,也仍然只是沧海一粟,其余的收录论文中仍有很大的价值等待我们去挖掘,生物医学图像、3D视觉、运动追踪、场景理解、视频分析等方面都有许多新颖的研究成果。 所以我们继续邀请了宜远智能的刘凯博士对生物医学图像方面的多篇论文进行解读,延续之前最佳论文直播讲解活动,此次是第2篇。 刘凯博士是宜远智能的总裁兼联合创始人,有着香港浸会大学的博
AI研习社
2018/03/19
1.1K0
CVPR 2017精彩论文解读:综合使用多形态核磁共振数据的3D生物医学图像分割方法 | 分享总结
推荐阅读
相关推荐
医学图像分割 | U-Net网络及他的变体
更多 >
LV.1
这个人很懒,什么都没有留下~
目录
  • 👀专栏介绍
  • 👀本期介绍
  • 文章目录
  • 1. 引言&概述
  • 2. 基本布局:标准流
  • 3. 常用布局:浮动
    • 3.1 引入
    • 3.2 概述及格式
    • 3.3 浮动案例
      • 3.3.1 准备代码
      • 3.3.2 案例 1:左对齐顺序排列
      • 3.3.3 案例 2:右对齐顺序排列
      • 3.3.4 案例 3:两端对齐排列
      • 3.3.5 课堂练习:两端对齐排列
    • 3.4 浮动特点及注意事项
    • 3.5 浮动总结
  • 4. 清除浮动
    • 4.1 准备代码
    • 4.2 引言
    • 4.3 概念&格式
    • 4.4 额外标签法 (隔墙法)
    • 4.5 单伪元素法
    • 4.6 双伪元素法
    • 4.7 overflow:超出隐藏法
    • 4.8 总结
  • 5. 布局总结
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