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 >【云端架构】前端必备常用CSS语法

【云端架构】前端必备常用CSS语法

作者头像
墨色明月
发布于 2018-05-13 08:16:04
发布于 2018-05-13 08:16:04
88200
代码可运行
举报
文章被收录于专栏:云端架构云端架构
运行总次数:0
代码可运行

CSS 语法

CSS 规则由两个主要的部分构成:选择器,以及一条或多条声明。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
selector {declaration1; declaration2; ... declarationN }

选择器通常是你需要改变样式的 HTML 元素。

每条声明由一个属性和一个值组成。

属性(property)是你希望设置的样式属性(style attribute)。每个属性有一个值。属性和值被冒号分开。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
selector {property: value}

下面这行代码的作用是将 h1 元素内的文字颜色定义为红色,同时将字体大小设置为 14 像素。

在这个例子中,h1 是选择器,color 和 font-size 是属性,red 和 14px 是值。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
h1 {color:red; font-size:14px;}

下面的示意图为你展示了上面这段代码的结构:

提示:请使用花括号来包围声明。

值的不同写法和单位

除了英文单词 red,我们还可以使用十六进制的颜色值 #ff0000:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
p { color: #ff0000; }

为了节约字节,我们可以使用 CSS 的缩写形式:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
p { color: #f00; }

我们还可以通过两种方法使用 RGB 值:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
p { color: rgb(255,0,0); }
p { color: rgb(100%,0%,0%); }

请注意,当使用 RGB 百分比时,即使当值为 0 时也要写百分比符号。但是在其他的情况下就不需要这么做了。比如说,当尺寸为 0 像素时,0 之后不需要使用 px 单位,因为 0 就是 0,无论单位是什么。

记得写引号

提示:如果值为若干单词,则要给值加引号:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
p {font-family: "sans serif";}

多重声明:

提示:如果要定义不止一个声明,则需要用分号将每个声明分开。下面的例子展示出如何定义一个红色文字的居中段落。最后一条规则是不需要加分号的,因为分号在英语中是一个分隔符号,不是结束符号。然而,大多数有经验的设计师会在每条声明的末尾都加上分号,这么做的好处是,当你从现有的规则中增减声明时,会尽可能地减少出错的可能性。就像这样:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
p {text-align:center; color:red;}	

你应该在每行只描述一个属性,这样可以增强样式定义的可读性,就像这样:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
p {
  text-align: center;
  color: black;
  font-family: arial;
}

空格和大小写

大多数样式表包含不止一条规则,而大多数规则包含不止一个声明。多重声明和空格的使用使得样式表更容易被编辑:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
body {
  color: #000;
  background: #fff;
  margin: 0;
  padding: 0;
  font-family: Georgia, Palatino, serif;
  }

是否包含空格不会影响 CSS 在浏览器的工作效果,同样,与 XHTML 不同,CSS 对大小写不敏感。不过存在一个例外:如果涉及到与 HTML 文档一起工作的话,class 和 id 名称对大小写是敏感的。

本文系外文翻译,前往查看

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

本文系外文翻译,前往查看

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

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
智能营销增益(Uplift Modeling)模型——模型介绍(一)
Uplift Modeling在智能营销中非常重要,一般来说个性化营销人群中存在四类:
悟乙己
2021/12/07
12.6K0
智能营销增益(Uplift Modeling)模型——模型介绍(一)
因果推断笔记——数据科学领域因果推断案例集锦(九)
这部分只是抛砖引玉贴一些看到的非常好的业内方案。 因果推断在很多领域都有很有意思的应用,值得收藏。
悟乙己
2021/12/07
5.1K0
因果推断笔记——数据科学领域因果推断案例集锦(九)
因果推断学习笔记三——Uplift模型「建议收藏」
因果推断在互联网界应用主要是基于Uplift model来预测额外收益提升ROI。Uplift模型帮助商家计算人群营销敏感度,驱动收益模拟预算和投放策略制定,促成营销推广效率的最大化。同时如何衡量和预测营销干预带来的“增量提升”,而不是把营销预算浪费在“本来就会转化”的那部分人身上,成为智能营销算法最重要的挑战。
全栈程序员站长
2022/11/15
12.6K0
因果推断笔记——入门学习因果推断在智能营销、补贴的通用框架(十一)
因果推断笔记——因果图建模之微软开源的dowhy(一) 因果推断笔记—— 相关理论:Rubin Potential、Pearl、倾向性得分、与机器学习异同(二) 因果推断笔记——python 倾向性匹配PSM实现示例(三) 因果推断笔记——双重差分理论、假设、实践(四) 因果推断笔记——因果图建模之微软开源的EconML(五) 因果推断笔记——工具变量、内生性以及DeepIV(六) 因果推断笔记——自整理因果推断理论解读(七) 因果推断笔记——uplift建模、meta元学习、Class Transformation Method(八) 因果推断笔记——数据科学领域因果推断案例集锦(九) 因果推断笔记——CV、机器人领域因果推断案例集锦(十)
悟乙己
2021/12/07
1.9K0
因果推断笔记——入门学习因果推断在智能营销、补贴的通用框架(十一)
基于uplift模型的营销增益
我们需要识别出TR群体进行营销刺激,对于TN和CR群体可以不发放优惠券以减少成本。而CN群体比较特殊,如果想尽可能的减少成本,可以选择不发放优惠券,若想提高用户的转化则可以选择发放优惠券进行刺激。
HsuHeinrich
2023/08/10
6540
基于uplift模型的营销增益
因果推断笔记——uplift建模、meta元学习、Class Transformation Method(八)
智能营销增益(Uplift Modeling)模型——模型介绍(一) 智能营销增益(Uplift Modeling)模型——pylift库的使用(二)
悟乙己
2021/12/07
6K0
因果推断笔记——uplift建模、meta元学习、Class Transformation Method(八)
因果推断与反事实预测——利用DML进行价格弹性计算(二十四)
经济学课程里谈到价格需求弹性,描述需求数量随商品价格的变动而变化的弹性。价格一般不直接影响需求,而是被用户决策相关的中间变量所中介作用。假设 Q 为某个商品的需求的数量,P 为该商品的价格,则计算需求的价格弹性为,
悟乙己
2022/05/09
4.2K0
因果推断与反事实预测——利用DML进行价格弹性计算(二十四)
智能营销增益(Uplift Modeling)模型——pylift库的使用(二)
上一篇【智能营销增益(Uplift Modeling)模型——模型介绍(一)】仔细介绍了理论部分,本篇主要是算法库pylift的介绍。 在【营销增益模型实战-Uplift Model原理及应用】一文中提到:
悟乙己
2021/12/07
4K0
智能营销增益(Uplift Modeling)模型——pylift库的使用(二)
干货 | 携程火车票基于因果推断的业务实践
携程作为旅游平台,跟用户需求息息相关,理解和识别各个策略/系统对转化/收益的因果关系尤为重要,在这个过程中需要将影响因变量的其他因素进行控制,但这些因素通常是复杂且难以测量的。在关系识别困难的情况下,如何使用更为科学的方法,对策略进行微观和宏观的建模分析,如何系统性的评估各种策略的长期影响,是要解决的重要问题。
携程技术
2023/09/06
9320
干货 | 携程火车票基于因果推断的业务实践
活动、节假日、促销等营销方式的因果效应评估——方法模型篇(二)
笔者近两年都在做智能营销方面的探索,不过最近想稍微切换自己的研究赛道,所以最近想把智能营销方面细枝末节的一些思考发出来。 关于活动、节假日、促销等营销方式的因果效应评估前篇是《活动、节假日、促销等营销方式的因果效应评估——特征工程篇(一)》是把给入模型时特征加工的方式列举一下,本篇是想简单总结如何评价一个活动营销方式的好坏;当然方法本身不胜枚举,只能在有限视野里面进行归纳。
悟乙己
2022/05/11
4.5K0
活动、节假日、促销等营销方式的因果效应评估——方法模型篇(二)
【实践案例分享】阿里文娱智能营销增益模型 ( Uplift Model ) 技术实践
导读:随着移动互联网和人工智能技术的发展,智能化营销正渗透到各行各业。如何衡量和预测营销干预带来的"增量提升",而不把营销预算浪费在"本来就会转化"的那部分人身上,成为智能营销算法最重要的挑战。我们以Uplift Model为基础,构建营销增益预测模型,帮助商家锁定营销敏感人群,驱动收益模拟测算和投放策略制定,促成营销推广效率的最大化。本文将分享营销增益模型的原理和常见的建模及评估方法,并以淘票票智能票补为例介绍Uplift Model技术的实践经验。
木东居士
2020/04/26
11.7K0
【实践案例分享】阿里文娱智能营销增益模型 ( Uplift Model ) 技术实践
因果推断笔记——因果图建模之微软开源的EconML(五)
微软EconML简介:基于机器学习的Heterogeneous Treatment Effects估计
悟乙己
2021/12/07
6.8K1
因果推断笔记——因果图建模之微软开源的EconML(五)
因果推断笔记——因果图建模之Uber开源的CausalML(十二)
其余两篇开源项目的文章: 因果推断笔记——因果图建模之微软开源的EconML(五) 因果推断笔记——因果图建模之微软开源的dowhy(一)
悟乙己
2021/12/07
5.2K0
因果推断笔记——因果图建模之Uber开源的CausalML(十二)
因果推断笔记——自整理因果推断理论解读(七)
之前有整理过一篇:因果推断笔记—— 相关理论:Rubin Potential、Pearl、倾向性得分、与机器学习异同(二) 不过,那时候刚刚开始学,只能慢慢理解,所以这边通过一轮的学习再次整理一下手里的笔记。
悟乙己
2021/12/07
11.4K0
因果推断笔记——自整理因果推断理论解读(七)
因果推断笔记——python 倾向性匹配PSM实现示例(三)
因果推断笔记—— 相关理论:Rubin Potential、Pearl、倾向性得分、与机器学习异同(二) 因果推断笔记——因果图建模之微软开源的dowhy(一)
悟乙己
2021/12/07
5.2K0
因果推断笔记——python 倾向性匹配PSM实现示例(三)
干货 | 携程火车票短信召回算法优化实践
互联网蓬勃发展的今天是流量为王的时代,但随着流量红利逐渐消失,获客成本的日益增高,用户留存成为各大互联网公司的重点关注问题,其中流失用户的召回在当今的流量红海市场中显得尤为关键,为此,基于大数据和机器学习的智能营销技术应用而生。
携程技术
2023/09/06
5430
干货 | 携程火车票短信召回算法优化实践
因果推断DiD方法在游戏数据分析中的实践
我们在日常数据相关的工作中,常常需要去推断结果Y是否由原因X造成。“相关性并不意味着因果关系”,相信做数据分析的同学都明白这个道理。有一个喜闻乐见的例子:夏天海岸,鲨鱼袭击事件较其他季节多20%,同时冰淇淋销量比其他季节多100%,冰淇淋销量和鲨鱼袭击事件成正相关关系,得出结论销售冰淇凌会导致鲨鱼袭击。这实际上是违背常识的。
曲奇
2022/01/21
2.3K0
因果推断DiD方法在游戏数据分析中的实践
因果推断笔记——DML :Double Machine Learning案例学习(十六)
核心论文: V. Chernozhukov, D. Chetverikov, M. Demirer, E. Duflo, C. Hansen, and a. W. Newey. Double Machine Learning for Treatment and Causal Parameters. ArXiv e-prints
悟乙己
2021/12/07
8.7K0
因果推断笔记——DML :Double Machine Learning案例学习(十六)
微信基于 StarRocks 的实时因果推断实践
因果推断的核心概念是,从数据中推断一个变量对另一个变量的影响程度。简单来说,它帮助我们了解因果关系的存在和影响力。例如,如果我们上线了一个新的算法模型,能否提升 DAU(日活跃用户)?又或者一个新的产品UI能否增加点击率?这些问题本质上是在问:我们当前所采取的措施是否有效?做得是否正确?因果推断正是用来回答这些问题的,它帮助我们做出科学的决策。
StarRocks
2025/03/13
1210
微信基于 StarRocks 的实时因果推断实践
因果推断杂记——因果推断与线性回归、SHAP值理论的关系(十九)
第一个问题也是从知乎的这个问题开始: 因果推断(causal inference)是回归(regression)问题的一种特例吗?
悟乙己
2021/12/15
3.2K0
因果推断杂记——因果推断与线性回归、SHAP值理论的关系(十九)
推荐阅读
智能营销增益(Uplift Modeling)模型——模型介绍(一)
12.6K0
因果推断笔记——数据科学领域因果推断案例集锦(九)
5.1K0
因果推断学习笔记三——Uplift模型「建议收藏」
12.6K0
因果推断笔记——入门学习因果推断在智能营销、补贴的通用框架(十一)
1.9K0
基于uplift模型的营销增益
6540
因果推断笔记——uplift建模、meta元学习、Class Transformation Method(八)
6K0
因果推断与反事实预测——利用DML进行价格弹性计算(二十四)
4.2K0
智能营销增益(Uplift Modeling)模型——pylift库的使用(二)
4K0
干货 | 携程火车票基于因果推断的业务实践
9320
活动、节假日、促销等营销方式的因果效应评估——方法模型篇(二)
4.5K0
【实践案例分享】阿里文娱智能营销增益模型 ( Uplift Model ) 技术实践
11.7K0
因果推断笔记——因果图建模之微软开源的EconML(五)
6.8K1
因果推断笔记——因果图建模之Uber开源的CausalML(十二)
5.2K0
因果推断笔记——自整理因果推断理论解读(七)
11.4K0
因果推断笔记——python 倾向性匹配PSM实现示例(三)
5.2K0
干货 | 携程火车票短信召回算法优化实践
5430
因果推断DiD方法在游戏数据分析中的实践
2.3K0
因果推断笔记——DML :Double Machine Learning案例学习(十六)
8.7K0
微信基于 StarRocks 的实时因果推断实践
1210
因果推断杂记——因果推断与线性回归、SHAP值理论的关系(十九)
3.2K0
相关推荐
智能营销增益(Uplift Modeling)模型——模型介绍(一)
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