COPY博客园CSS样式

0. 背景:

今天偶然发现一个博客很好看,然后发现地址栏居然时cnblog,也就是博客园的,本以为是博客园有一个这么漂亮的皮肤,于是去皮肤里面寻找,未果。发现后台有类似于‘页面定制CSS代码’的字样,猜测可能是自己DIY的。于是打算尝试一下看能不能COPY成自己的。

1. 任务:

- COPY狂奔的蜗牛的博客样式

2. 尝试过程:

2.1 确定狂奔的蜗牛用的什么模板

未果

2.2 确定后台‘页面定制CSS代码’会不会是一个单独的文件

F12查看请求的资源里面有没有css/js的文件,通过对比发现蜗牛的博客里面多了87977.css、pace.min.js、customization.min.js几个文件。
569294-20151021100757349-1748547107.png
猜测是单独的引用文件。

2.3 确定如何引用这三个文件

开始把css代码添加到页面定制CSS代码里面,同时选中禁用模板默认CSS,
569294-20151021102710302-183779257.png
结果发现博客排版错位。
569294-20151021102740895-401628305.png
通过查看副标题源代码
569294-20151021114047395-1918196566.png

569294-20151021104814083-2008607106.png
发现样式根本就不一样,我以为必须要同样的模板,这时候我参考了另一篇文章。那篇文章用的是LessIsMore的模板,查看副标题源代码,再查看自己的换成LessIsMore模板的源码,发现现在有了Subtitle这个CSS属性。当我尝试找出Sutitle定义在那个文件的时候我发现了这个,
569294-20151021105638833-212545192.png

这意味着我可以确认蜗牛用的是什么模板了。回头一看原来也是LessIsMore。
选好新的样式,重新保存,发现样式还是不一样,尝试取消选中的禁用模板css样式,显示正常。

2.4 补全js引用

确认模板,不勾选禁用默认CSS样式之后要做的是添加另外两个js代码。之前折腾的时候在这里添加了一句话,在源代码里面这样子显示。
569294-20151021105922614-1985312503.png
查看蜗牛源代码,
569294-20151021110129161-587887319.png
发现同样的地方引用了pace.min.js。于是确认一个js是页头引用,另一个是页脚引用。
569294-20151021110303989-2096718137.png
大功告成
569294-20151021110617302-796958031.png
569294-20151021110634864-362497332.png

3. PS

- 折腾发现customization.min.js是响应式布局用到的,当窗口缩小的时候会自动隐藏侧边栏。
- 发现F12对学习CSS会很有用,当时查看加载js资源文件的时候还用过F12的加载时间进度来判断这两个文件是什么时候加载的,从而猜测大体是在那个文件引用。当然这是在自己没有发现F12查看样式直接就可以看到css出处的时候干的事。
- 因为是COPY,两个js代码文件还是蜗牛的地址,要想变成自己的就把两个js文件分离出来通过后台上传到自己的文件里。然后把引用地址改成现在刚上传的。
- 主页的图片修改也是这样子
- 写到这里你也发现我不懂CSS了吧

4. 接下来的任务

- 看懂那个css文件,看懂那两个js文件

5. 引用资料

共享一下我的自定义CSS博客皮肤(2012.3)

转载于:https://www.cnblogs.com/MeiJi/p/4897149.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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