java ajax无刷分页_一步步实现thinkphp上的ajax无刷新分页

前言

thinkphp框架自带的分页类是每次翻页都要刷新一下整个页面,这种翻页的用户体验显然是不太理想的,我们希望每次翻页只刷新我们想要的数据集部分的数据,这样我们很容易想到ajax异步通信,用ajax与数据库(本人在开发过程中使用的是mysql数据库)异步交互,将从数据库查询的数据返回,用jquery替换原有的数据,从而在不刷新这个页面的情况下进行局部刷新,从而达到我们预期的效果。

thinkphp ajax 分页类

这个分页类是网上找到的资源,大家可以直接在自己的thinkphp里创建这么一个类,我这里类名是 AjaxPage.class.php

// +----------------------------------------------------------------------

// | ThinkPHP [ WE CAN DO IT JUST THINK IT ]

// +----------------------------------------------------------------------

// | Copyright (c) 2009 http://thinkphp.cn All rights reserved.

// +----------------------------------------------------------------------

// | Licensed ( http://www.apache.org/licenses/LICENSE-2.0 )

// +----------------------------------------------------------------------

// | Author: liu21st

// +----------------------------------------------------------------------

// $Id: Page.class.php 2712 2012-02-06 10:12:49Z liu21st $

namespace Common\Common;

class AjaxPage {

// 分页栏每页显示的页数

public $rollPage = 5;

// 页数跳转时要带的参数

public $parameter ;

// 默认列表每页显示行数

public $listRows = 20;

// 起始行数

public $firstRow ;

// 分页总页面数

protected $totalPages ;

// 总行数

protected $totalRows ;

// 当前页数

protected $nowPage ;

// 分页的栏的总页数

protected $coolPages ;

// 分页显示定制

protected $config = array('header'=>'条记录','prev'=>'上一页','next'=>'下一页','first'=>'第一页','last'=>'最后一页','theme'=>' %totalRow% %header% %nowPage%/%totalPage% 页 %upPage% %downPage% %first% %prePage% %linkPage% %nextPage% %end%');

// 默认分页变量名

protected $varPage;

public function __construct($totalRows,$listRows='',$ajax_func,$parameter='') {

$this->totalRows = $totalRows;

$this->ajax_func = $ajax_func;

$this->parameter = $parameter;

$this->varPage = C('VAR_PAGE') ? C('VAR_PAGE') : 'p' ;

if(!empty($listRows)) {

$this->listRows = intval($listRows);

}

$this->totalPages = ceil($this->totalRows/$this->listRows); //总页数

$this->coolPages = ceil($this->totalPages/$this->rollPage);

$this->nowPage = !empty($_GET[$this->varPage])?intval($_GET[$this->varPage]):1;

if(!empty($this->totalPages) && $this->nowPage>$this->totalPages) {

$this->nowPage = $this->totalPages;

}

$this->firstRow = $this->listRows*($this->nowPage-1);

}

public function nowpage($totalRows,$listRows='',$ajax_func,$parameter='') {

$this->totalRows = $totalRows;

$this->ajax_func = $ajax_func;

$this->parameter = $parameter;

$this->varPage = C('VAR_PAGE') ? C('VAR_PAGE') : 'p' ;

if(!empty($listRows)) {

$this->listRows = intval($listRows);

}

$this->totalPages = ceil($this->totalRows/$this->listRows); //总页数

$this->coolPages = ceil($this->totalPages/$this->rollPage);

$this->nowPage = !empty($_GET[$this->varPage])?intval($_GET[$this->varPage]):1;

if(!empty($this->totalPages) && $this->nowPage>$this->totalPages) {

$this->nowPage = $this->totalPages;

}

$this->firstRow = $this->listRows*($this->nowPage-1);

return $this->nowPage;

}

public function setConfig($name,$value) {

if(isset($this->config[$name])) {

$this->config[$name] = $value;

}

}

public function show() {

if(0 == $this->totalRows) return '';

$p = $this->varPage;

$nowCoolPage = ceil($this->nowPage/$this->rollPage);

$url = $_SERVER['REQUEST_URI'].(strpos($_SERVER['REQUEST_URI'],'?')?'':"?").$this->parameter;

$parse = parse_url($url);

if(isset($parse['query'])) {

parse_str($parse['query'],$params);

unset($params[$p]);

$url = $parse['path'].'?'.http_build_query($params);

}

//上下翻页字符串

$upRow = $this->nowPage-1;

$downRow = $this->nowPage+1;

if ($upRow>0){

$upPage="".$this->config['prev']."";

}else{

$upPage="";

}

if ($downRow <= $this->totalPages){

$downPage="".$this->config['next']."";

}else{

$downPage="";

}

// << < > >>

if($nowCoolPage == 1){

$theFirst = "";

$prePage = "";

}else{

$preRow = $this->nowPage-$this->rollPage;

$prePage = "上".$this->rollPage."页";

$theFirst = "".$this->config['first']."";

}

if($nowCoolPage == $this->coolPages){

$nextPage = "";

$theEnd="";

}else{

$nextRow = $this->nowPage+$this->rollPage;

$theEndRow = $this->totalPages;

$nextPage = "下".$this->rollPage."页";

$theEnd = "".$this->config['last']."";

}

// 1 2 3 4 5

$linkPage = "";

for($i=1;$i<=$this->rollPage;$i++){

$page=($nowCoolPage-1)*$this->rollPage+$i;

if($page!=$this->nowPage){

if($page<=$this->totalPages){

$linkPage .= "  ".$page." ";

}else{

break;

}

}else{

if($this->totalPages != 1){

$linkPage .= " ".$page."";

}

}

}

$pageStr = str_replace(

array('%header%','%nowPage%','%totalRow%','%totalPage%','%upPage%','%downPage%','%first%','%prePage%','%linkPage%','%nextPage%','%end%'),

array($this->config['header'],$this->nowPage,$this->totalRows,$this->totalPages,$upPage,$downPage,$theFirst,$prePage,$linkPage,$nextPage,$theEnd),$this->config['theme']);

return $pageStr;

}

}

?>

具体步骤

接下来,我们从控制器开始一步一步地实现thinkphp无刷新分页这个效果。

1.控制器部分

这只是控制器的一部分比较核心的代码。

//实例化数据模型

$info=M('info');

//统计要查询数据的数量

$count=$info->where("ID='$id'")->count();

//实例化分页类,传入三个参数,分别是数据总数、每页显示的数据条数、要调用的jQuery ajax方法名

$p=new \Host\Common\AjaxPage($count,10,'server');

//产生分页信息

$page=$p->show();

//要查询的数据,limit表示每页查询的数量,这里为10条

$data = $server_info->where("ID='$id'")->limit($p->firstRow.','.$p->listRows)->select();

//assign方法往模板赋值

$this->assign('list',$data);

$this->assign('page',$page);

//ajax返回信息

$res["content"] = $this->fetch('Index/myinfolist')

$this->ajaxReturn($res);

2.模板部分

模板名:myinfolist.html与上面控制器中渲染的模板一致。

$res["content"] = $this->fetch('Index/myinfolist')

因为前端用的bootstrap框架,所以这个模板里的好多class是bootstrap里的,大家也不必过分纠结这个,看整个过程的重点就好。

信息列表

abcd

//循环赋值

{$info.a}{$info.b}{$info.c}{$info.d}

//分页信息

{$page}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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