less预处理的好处,补充关于之前发表的rem单位的运用于计算

我认识的less

优点:优雅,好用,简单,可复用性强,

缺点:less并其实不能为我们减少沉余css代码,还是要靠自己的CSS基础去判断哪些是沉余代码或者是可以合并的代码

之前发表的一篇文章一看就懂得移动端rem布局、rem如何换算

关于rem的运用与计算,文章中提到了使用计算器,感觉挺麻烦的,后来想想办法解决这个问题,

发现了less的预处理(推荐使用koala)

比如

width:100/24rem;

height:200/24rem;

如果你看过了我之前的文章

懂了rem布局原理,并且less能让我们用rem布局换算变得非常简单,也可以说非常直接

less还能设置传参数,下面举个例子

.test(@width){
width: @width;
}
.test_rem{
.test(640/24rem)
}

@width相当于一个参数,传入去css会被编译成

.test_rem {
width: 26.66666667rem;
}

less在处理不同浏览器之间差异的css3,只需写一次,然后通过传参的方式去调用,极大提高了我们的开发效率,下面举个例子

.border_r(@rad:4px){
border-radius: @rad;
-webkit-border-radius: @rad;
-moz-border-radius: @rad;
}

div{

width:100px;

height:100px;

.border_r();

}

在css被编译成

div{

width:100px;

height:100px;

border-radius: 4px;
-webkit-border-radius: 4px;
-moz-border-radius: 4px;

}

如果想改变默认值4px只需调用时候改变参数传入的值

div{

width:100px;

height:100px;

.border_r(5px);

}

看到这里是否初步掌握了less的基本用法?上面是我总结最常用的几个小例子,最喜欢的是less的预处理,我写rem布局再也不用按计算器了~!!!

时间: 2024-07-30 21:10:27

less预处理的好处,补充关于之前发表的rem单位的运用于计算的相关文章

mysql总结与预处理

一.连接到MySQL: $dbc = mysqli_connect(host,user,password,databasename); 等价于:$dbc = mysqli_connect(host,user,pwd);mysqli_select_db($dbc,db_name); 如果发生错误,可以调用:mysqli_connect_error() 返回错误信息,不带参数.$dbc = @mysqli_connect(host,user,pwd,db) or die('无法连接到mysql:'.

KNN算法的补充

文本自动分类技术是文字管理的基础.通过快速.准确的文本自动分类,可以节省大量的人力财力:提高工作效率:让用户快速获得所需资源,改善用户体验.本文着重对KNN文本分类算法进行介绍并提出改进方法. 一.相关理论介绍 文本分类技术的研究由来已久,并且取得了很多可喜的成果,形成了一套完整的文本自动分类流程. (1)文本分类 文本分类是根据训练样本集中的样本来进行训练,找到一定的分类规则和规律,然后根据这些规则和规律对需要进行分类的文本进行判断,自动将其归类. (2)文本表示 要实现依据内容的自动分类,需

Java基础知识二次学习-- 第二章 基础语法与递归补充

第二章 基础语法与递归补充   时间:2017年4月24日10:39:18 章节:02章_01节,02章_02节 视频长度:49:21 + 15:45 内容:标识符,关键字与数据类型 心得:由字母,下划线,$,数字组成,应该由字母,下划线$开头,同时应该避开java保留字符 变量是内存中的一小块区域,使用变量名来访问这块区域 执行过程中的内存管理(疑问:这里的内存和Jvm的一样吗?) code segment 存放代码 data segment 静态变量 字符串常量 stack 栈 局部变量 h

Deep Learning 十一_深度学习UFLDL教程:数据预处理(斯坦福大学深度学习教程)

理论知识:UFLDL数据预处理和http://www.cnblogs.com/tornadomeet/archive/2013/04/20/3033149.html 数据预处理是深度学习中非常重要的一步!如果说原始数据的获得,是深度学习中最重要的一步,那么获得原始数据之后对它的预处理更是重要的一部分. 1.数据预处理的方法: ①数据归一化: 简单缩放:对数据的每一个维度的值进行重新调节,使其在 [0,1]或[ − 1,1] 的区间内 逐样本均值消减:在每个样本上减去数据的统计平均值,用于平稳的数

Matlab 神经网数据预处理的函数

1 std   mean std标准偏差.    对于向量,Y = std(X)返回标准偏差.对于矩阵,    Y是包含每列的标准偏差的行向量.对于    N-D数组,std沿着X的第一个非单实例维度运行.     std通过(N-1)归一化Y,其中N是样本大小.这是    sqrt的人口方差的无偏估计    只要X由独立的,相同的X构成    分发样品.     Y = std(X,1)用N归一化并产生第二个的平方根    关于其平均值的样本时刻. std(X,0)与std(X)相同.    

第二十二节,TensorFlow中RNN实现一些其它知识补充

一 初始化RNN 上一节中介绍了 通过cell类构建RNN的函数,其中有一个参数initial_state,即cell初始状态参数,TensorFlow中封装了对其初始化的方法. 1.初始化为0 对于正向或反向,第一个cell传入时没有之前的序列输出值,所以需要对其进行初始化.一般来讲,不用刻意取指定,系统会默认初始化为0,当然也可以手动指定其初始化为0. initial_state = lstm_cell.zero_state(batch_size, dtype=tf.float32) 2.初

防盗链

防盗链的8种方法总结及分析 作为普通的网民来说,一般不需要知道也不用关心什么是盗链,不过如果你是网站的开发者或维护者,就不得不重视盗链的问题了.如果你刚刚开发完一个没有防盗链的带有文件下载功能的网站,挂上internet,然后上传几个时下非常热门的软件或电影并在网站内公布下载地址,让MSN上的所有好友都来体验一下你的杰作.不用多久就会发现网速出奇地变慢,甚至服务器托管中心的服务员会热情地打电话告诉你的网站流量很大,估计是网站受欢迎起来了,问你是不是该考虑加钱租用带宽更宽但价格更贵的网线了.在这个

[转载]八种常见的防盗链方法总结及分析

作为普通的网民来说,一般不需要知道也不用关心什么是盗链,不过如果你是网站的开发者或维护者,就不得不重视盗链的问题了.如果你刚刚开发完一个没有防盗链的带有文件下载功能的网站,挂上internet,然后上传几个时下非常热门的软件或电影并在网站内公布下载地址,让MSN上的所有好友都来体验一下你的杰作.不用多久就会发现网速出奇地变慢,甚至服务器托管中心的服务员会热情地打电话告诉你的网站流量很大,估计是网站受欢迎起来了,问你是不是该考虑加钱租用带宽更宽但价格更贵的网线了.在这个值得庆祝的时候赶快打开Goo

我所理解的中国古代教育-徐健顺

我所理解的中国古代教育 徐健顺 今日蒙周坚老师拨冗为余导游柏林,如数家珍,尤至派加蒙博物馆,耳闻纵横辟阖之希腊两河文明,目接宏伟曼妙之建筑雕塑陶器,直如身在远古天国,迷恋不忍,而周老师则感国内博物馆教育之羸弱,民族文化启蒙之缺失,叹息良久.于是共论中国人不知中国文化,不知中国历史,更不知其不知,而妄自菲薄,常令西人亦为之瞠目.我一辈人上不能引民族未来之路,下不能安传统断绝之状,唯可作为者似考古学家,发掘真相,洗清污垢,复原神采,以奉后人.联想近日讲学,同道多询古代私塾事,因思撰文略述中国古代教育