C# WinForm开发系列之DataRepeater控件的使用(显示数据的基础使用和自定义使用)

C#中Repeater控件的实现示例 C#中Repeater控件的实现示例C#中Repeater控件的实现示例 立即下载

为了更加熟悉,尽可能在研究可能会使用到的控件的使用和自定义,下面事一些我研究的关于DataRepeater控件的使用:

1.因为微软自带的DataRepeater的样式不太适实际的使用,所以为了使DataRepeater更好的使用,我首先介绍一下关于DataRepeater控件的样式自定义和自定义属性方法,

代码如下:

public partial class MyOwnerDataRepeater : DataRepeater
    {
        public MyOwnerDataRepeater()
        {
            InitializeComponent();
            this.InitProperty();
            this.InitStyle();
        }

        #region 样式调整
        private void InitProperty()
        {
            this.AllowUserToAddItems = false;
            this.AllowUserToDeleteItems = false;

            this.ItemHeaderSize = 0;
            this.ItemHeaderVisible = false;
            this.Padding = new Padding(0);
        }

        private void InitStyle()
        {
            this.ItemTemplate.Margin = new Padding(0);
        }
        #endregion


        #region 自动计算高度
        private bool _AutoHeight = true;
        /// <summary>
        /// 自动计算高度
        /// </summary>
        [Description("自动计算高度"), Category("自定义属性"), DefaultValue(true)]
        public bool AutoHeight
        {
            get
            {
                return _AutoHeight;
            }
            set
            {
                this._AutoHeight = value;
            }
        }

        protected override void OnDataSourceChanged(EventArgs e)
        {
          //此处省略
        }

        protected override void OnBindingContextChanged(EventArgs e)
        {
            //此处省略
        }

        protected void BindingChange()
        {
            //此处省略
        }

        private void ReleaseSize()
        {
            //此处省略

        }
        #endregion
    }


2.创建一个Form窗体,将控件拉到窗体中,将其Dock属性设置位Top,在DataRepeater上半区域中创建四个panel,其Dock属性都设置为Left,在在第一个panel控件中创一个

   label控件,将其AutoSize属性设置为false,然后再将其anchor属性设置为Top,left,right,效果如图1所示:

图1

在第4个panel控件中创一个LinkLabel控件,其他和上面label控件相同处理,效果如图1所示:


3.控件创建完毕,接下来就需要考虑关于数据事如何进行绑定的了,代码如下所示:

   在Form1_Load事件中

  private void Form1_Load(object sender, EventArgs e)
        {
            //模拟一个数据库查询到的数据
            DataTable tblDatas = new DataTable("Datas");
            tblDatas.Columns.Add("ID", Type.GetType("System.Int32"));
            tblDatas.Columns[0].AutoIncrement = true;
            tblDatas.Columns[0].AutoIncrementSeed = 1;
            tblDatas.Columns[0].AutoIncrementStep = 1;
            tblDatas.Columns.Add("Product", Type.GetType("System.String"));
            tblDatas.Columns.Add("Version", Type.GetType("System.String"));
            tblDatas.Columns.Add("Description", Type.GetType("System.String"));
            tblDatas.Columns.Add("Product1", Type.GetType("System.String"));

            tblDatas.Rows.Add(new object[] { null, "姓名1", "b", "c", "删除"});
            tblDatas.Rows.Add(new object[] { null, "姓名2", "bb", "cc", "删除"});
            tblDatas.Rows.Add(new object[] { null, "姓名3", "bbb", "ccc", "删除"});
            tblDatas.Rows.Add(new object[] { null, "姓名4", "bb", "cb", "删除"});
            tblDatas.Rows.Add(new object[] { null, "姓名5", "bc", "cc", "删除"});
            //数据绑定方式
            label3.DataBindings.Add("Text", tblDatas, "Product");
            textBox3.DataBindings.Add("Text", tblDatas, "Version");
            textBox4.DataBindings.Add("Text", tblDatas, "Description");
            linkLabel1.DataBindings.Add("Text", tblDatas, "Product1");
            //textBox3.DataBindings.Add("Text", tblDatas, "name");
            //this.dataRepeater1.DataSource = tblDatas;
            this.myOwnerDataRepeater1.DataSource = tblDatas;
          
        }

若要使每条数据显示背景颜色间隔显示,只需要在DataRepeater的DrawItem事件做出如下处理即可,代码如下:

private void myOwnerDataRepeater1_DrawItem(object sender, DataRepeaterItemEventArgs e)
        {
            if ((e.DataRepeaterItem.ItemIndex % 2) != 0)
            // Apply the secondary back color.
            {
                e.DataRepeaterItem.BackColor = Color.AliceBlue;
            }
            else
            {
                // Apply the default back color.
                e.DataRepeaterItem.BackColor = Color.White;
            }

        }

说了这么多,下面展示一下我们最终的效果是怎样的,看图2所示:
图2

4.接下来,介绍一下关于DataRepeater是如何在鼠标点击时获取相应的数据,其实他是根据LinkLabel控件的LinkClicked事件进行区分的,代码如下:

  private void linkLabel1_LinkClicked(object sender, LinkLabelLinkClickedEventArgs e)
        {
            DataRepeaterItem cItem = this.myOwnerDataRepeater1.CurrentItem;
            //在这里其实可以有多种处理方法:
            //1.循环获取当前控件,获取当前记录的id,然后由id从数据库进行数据获取
            //一.通过循环获取当前点击的数据
            foreach(Control t in vItem.Controls)
            {
                //MessageBox.Show(t.Name);
                foreach(Control t1 in t.Controls)
                {
                   //MessageBox.Show(t.Name);
                }
            }

    //2.根据当前的cItem.ItemIndex从数据库获取数据
            //操作省略

   

           //3根据控件索引直接找到想要的控件,然后获取其值,再从数据库获取数据

   //三.通过索引获取当前点击的数据
            Label lb =  vItem.Controls[3].Controls[0] as Label;
            MessageBox.Show(lb.Text);
            
        }

效果如图3,4所示:


图3


图4











嵌入式工程师成长之路(2)——电路设计 为什么你的电源模块总是发热炸机?DC/DC和LDO选型的“潜规则”你踩坑了吗? LM2596降压芯片用错电容导致输出振荡?LED恒流驱动设计让灯珠寿命缩水50%?24V转12V方案成本超预算被老板狂喷?——这些血泪教训,谁能懂得! 阅读详情

相关推荐

磁盘I/O %util特别高

磁盘I/O %util特别高

eagle89的专栏 3095

C#-WebForm-Repeater-重复器

Repeater-重复器 - 类似WinForm中的ListView,用列表来展示数据 格式: <body> <form id="form1" runat="server"> <asp:Repeater ID="Repeater1" runat="server"> <%-- 重复器 --%> ...

weixin_30546933的博客 201

【雷达仿真 | FMCW TDMA-MIMO毫米波雷达信号处理仿真(可修改为DDMA-MIMO)】

1、FMCW叫做调频连续波,调频连续波有步进调频连续波(SFMCW)、线性调频连续波(LFMCW),以及其他非线性调频连续波。LFMCW有锯齿波和三角波等等;锯齿波有恒定调制周期的锯齿波和非恒定周期的锯齿波。Introduction to mmwave sensing:FMCW radars.pdf和The fundamentals of millimeter wave sensors。2、MIMO是多输入多输出(Multiple input Multiple output),也就是多发多收。

【调皮连续波】雷达技术领域知识博主 1万+

C#WinForm实现雷速网站比赛MQTT逆向采集

C#WinForm实现雷速网站比赛MQTT逆向采集

qq942564942的博客 1万+

Halcon和C#联合编程实现硬币识别(个人入门练习)

本人为机器视觉入门小白,自己突发奇想 1.图片数据来源和分析 2.HALCON实现 3.C#搭建界面框架 4.C#中嵌入HALCON代码,即联合编程 5.导出.exe文件,运行以及Debug 目标是这样的,在图片中识别出每种类型的硬币数量,然后计算出总钱数。先上结果,再细说过程。 C#界面和识别结果: 1.图片数据来源和分析 图片大小及格式均统一,拍摄的时候已经尽可能的去除了背景噪点,所以图像处理的要求并不很高(重点在于思路)。硬币区分原理本人代码采用直径范围来判断(也可以半径或区域面积,HALCON算子

Demobird的博客 3628

【PCIe 总线及设备入门学习专栏 3.2.2 -- PCIe 中什么是 SR-IOV】

SR-IOV(Single Root I/O Virtualization)是 PCIe 规范中的一种技术,允许物理 PCIe 设备(称为 Physical Function, PF)虚拟化为多个虚拟设备(称为 Virtual Functions, VFs),使多个操作系统或虚拟机能够共享同一个物理设备。SR-IOV:一种 PCIe 虚拟化技术,允许将一个物理 PCIe 设备虚拟化为多个虚拟设备。:物理设备的主要管理接口。:PF 的轻量级副本,分配给虚拟机或操作系统。

CodingCos的博客 1518

repeater 模拟器 in winform

需求 有一个这样的需求,根据给定的数据源和html模板生成html,强大的All in one code中的代码不能满足需求,所以就有了RepeaterSimulate. 其中涉及:反射、泛型、正则表达式等基础知识。   RepeaterSimulate使用 RepeaterSimulate r = new RepeaterSimulate(); ...

weixin_34163741的博客 131

CDR插件开发之CPG插件004 - 认识VGCore并编译生成你的第一个CPG文件

上篇文章中,讲到了使用VS2019编译CDR类型库 VGCoreAuto.tlb,编译后得到了vgcoreauto.tlh和vgcoreauto.tli两个文件。本文将对这两个文件说明,并演示通过标准的libid形式来导入CDR类型库,在这个过程中,穿插一些VS2019的使用技巧(删除目录、复制工程、打开项目或解决方案、修改解决方案名称、修改项目名称等),使读者循序渐进,逐步提高对VS2019工具的熟练程度,最后通过修改项目属性配置,生成第一个CPG文件。

Zebe 2990

【C#】WinForm窗体应用程序学习笔记 (二)

WinForm窗体应用程序学习笔记(二) 在学习笔记(一)中学习了WinForm项目的文件结构、控件的常用属性与事件还创建了第一个WinForm小程序。这次的学习笔记主要学习WinForm常用控件。 友情链接: WinForm窗体应用程序学习笔记(一) WinForm窗体应用程序学习笔记 (二) WinForm窗体应用程序学习笔记(三) WinForm常用控件 1 . Button按钮...

lesileqin的博客 4801

SPD-Conv+YOLOv8:空间深度转换卷积赋能小目标检测,从原理到实战的科研级优化指南

从理解SPD-Conv“空间到深度+逐步卷积”的核心设计,到亲手将其嵌入YOLOv8并验证在小目标场景的表现,再到基于此探索属于自己的科研与工程方向——这个过程能让你深刻理解“小目标特征保留”在检测任务中的核心价值。现在就开始行动,相信你会在小目标检测的“细节捕捉”之路上,走出一条属于自己的技术路径。实验通常会证明:嵌入SPD-Conv后,YOLOv8在小目标AP上提升5-8个百分点,mAP50-95提升3-5个百分点,而推理速度仅下降5%以内,充分体现了其“保细节+提精度”的优势。

m0_64661770的博客 163

JavaFX 概述

要从 JavaFX 中充分受益,了解 JavaFX 的设计方式以及对 JavaFX 包含的功能有一个很好的概述是很有用的。本文的目的是为您提供 JavaFX 概述。本文将首先介绍一般的 JavaFX 设计,然后介绍 JavaFX 中的各种特性。如果您熟悉 Flash/Flex,您会发现 JavaFX 在某种程度上受到了 Flash/Flex 的启发。JavaFX 中也有一些相同的想法。一般来说,JavaFX 应用程序包含一个或多个对应于窗口的阶段。每个阶段都有一个场景。

2012年开始工作,全栈开发老兵,目前已是一个老师,分享这么多年的心得体会 408

.NET : 如何在Windows Forms中使用DataRepeater控件

DataRepeater控件是Visual Basic Team推出的一套控件包中的一部分,也可以说是一份礼物吧,呵呵。它使得在Win Forms程序中进行数据展示更加灵活。 下面有一个视频,可以作为入门 How Do I: Use the DataRepeater Control? http://msdn.microsoft.com/en-us/vbasic/cc411420.aspx   下面是我用在项目中的一个简单例子   我自己总结,里面有一个关键点就是不同的Item之间如何进行样式方面的显示

陈希章@中国 1280

手把手教你学Simulink——基于多能互补微电网系统的建模与优化场景实例:风柴储联合供电系统在孤岛模式下的功率分配建模

本文介绍了使用MATLAB/Simulink和Simscape Electrical构建风柴储联合供电系统的建模方法。系统包含风力发电、柴油发电、储能电池等模块,重点研究孤岛模式下功率分配策略。详细说明了从创建项目、添加模块到搭建风力发电系统(含MPPT控制)、柴油发电系统及集成各模块的全过程,并提供了仿真参数设置建议。通过分析频率偏差、电池SOC等关键指标,验证了系统在维持稳定运行的同时能有效利用可再生能源。该模型为研究多能互补微电网提供了实验平台,未来可拓展更高效的能量管理策略和AI技术的应用。

MHD0815的博客 1万+

C# WinForm开发系列 - 开篇

该系列主要整理收集在使用C#开发WinForm程序时候碰到的一系列问题, 平时看到大家主要使用C#来开发Asp.Net应用,这方面的文章也特别多,而关于WinForm的文章相对少很多,而自己对WinForm一直比较感兴趣,这几年积累收藏了不少文章,现在整理一下分类推荐给大家,避免大家浪费大把的时间去找这方面的资料,因为找资料也是一件很累的事情,google,baidu一下,不断的点击,不断翻阅大量

徘徊在牛A与牛C之间的码农 495

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

C# WinForm开发系列 - ADO.NET

ADO.NET的名称起源于ADO(ActiveX Data Objects),这是一个广泛的类组,用于在以往的Microsoft技术中访问数据.之所以使用ADO.NET名称,是因为Microsoft,希望表明,这是在.NET编程环境中优先使用的数据访问接口.   它提供了平台互用性和可伸缩的数据访问。ADO.NET增强了对非连接编程模式的支持,并支持 RICH XML.由于传送的数据都是XM

爱莫能助 1208

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

利用Repeater控件显示主-从关系数据表 (转)

<%# DataBinder.Eval(Container.DataItem, "[\"title_id\"]")%><%@ Page language="c#" Codebehind="NestedRepeater.aspx.cs" AutoEventWireup="false" Inherits="NestedRepeater.NestedRepeater" %>&l...

weixin_33826268的博客 92

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

自定义Web控件(简单的Repeater数据绑定)

现在在学习服务器控件开发,感觉有的难度,比WinForm的难的多。今天自己做了一个简单的Repeater控件,当然不是很好,像vs2003自己的Repeater有好HeadTempLate  和ItemTempLate 和FootTempLate 三项模板,我自己做的只有一项,那就是 ItemTemp,也只能做简单的数据绑定,废话也不多说了,还是请各位网友看看源代码吧, using

Neil 2162

WebForm以及WebForm中Repeater控件、简单控件使用

ASP.NET分为:ASP.NET WebForm和ASP.NET MVC 运行机制: C/S(客户端应用程序) 代码在客户端执行,仅仅去服务器上的数据库存取数据 B/S(网站应用程序) 程序代码在服务器上执行,客户端仅仅渲染HTML+CSS,执行JS代码,其它所有的功能都在服务器上执行 客户端浏览器发送请求→服务器上的IIS(Internet 信息服务管理器)(html+css...

weixin_30724853的博客 357

【Asp.net之旅】--数据绑定控件之Repeater

前几篇的文章在说AJAX的内容,利用AJAX技术能够开发出高效运行的网站应用程序,不过在进行B/S项目开发时只拥有AJAX技术是远远不够的,在开发B/S项目时,常常会用到数据绑定控件,.NET平台已经对这些控件进行了良好的封装,只要稍有经验的程序猿很快就能够上手使用这

航帆远洋 2万+

winform数据绑定oracle,NET各大平台数据列表控件绑定原理及比较(WebForm、Winform、WPF)...

NET各大平台数据列表控件绑定原理及比较(WebForm、Winform、WPF)说说WebForm:数据列表控件:WebForm 下的列表绑定控件基本就是GridView、DataList、Repeater;当然还有其它DropDownList、ListBox等。它们的共同的设置数据源方法:XXX.DataSource=数据源。那么这个数据源的格式,究竟有啥要求?最简单的方式是随便给弄个,然后等...

weixin_30120123的博客 322

Repeater控件里的大智慧

http://hi.baidu.com/sanjiawan/blog/item/3309d511eae585936538dbad.html Repeater?一个只会绑定数据并显示数据的低级控件?哦~谁告诉你的?           Repeater因为他的灵活性和扩展性很高,备受很多程序员青睐。我的一个.net群成员曾因为比较Repeater和GridView而争得面红耳赤。我个人也是因为G

2004v2004的专栏 1603

C#学习笔记(三)---------Repeater的一些常规用法

Repeater和Gridview前台显示行号的方法Repeater: GridView:   获取子控件进行编程处理    获取子控件有两种方法可用:  1,将Container作为参数传到后台函数中。  例如:  public CheckBox GetCheckBox(Control container)  {   return (CheckBox)container

蓝枫的专栏 2494

repeater用法一步一步详讲,用来绑定和显示数据信息

估计要分两部:  一部分UI部分:在一个div里面可以写个repeater服务器控件,用来横排显示需要的数据; 首先,repeater这个控件,有head,items,foot三个部分,不一定全用。 然后,布局:headtemplate里面写上显示的字段栏,字段名称         若干字段后,就改写显示数据部分,也就是itemtemplate,这个数据段书写类似head,但有个地方要注意

活到老学到老,技术成就梦想 9712

C#winform窗体控件之DataGridView

C#winform窗体控件之DataGridView DataGridView是一个可以提供强大而灵活的以表格形式显示数据的控件。 当我们在窗体中使用表格时会发现,在编辑每一列的列标题后,第一例为空白,如图所示。 那如何把第一列的空白给去掉呢? 其实,第一列空白为每行的行标题,当我们不需要的时候,右击控件选择属性,找到RowHeadersVisible改为False即可。同样道理,第一行也是每一列的列标题,再不需要显示的时候找到属性中的CoulmnHeadersVisible改为False即可。 要想向表

Kevin_Sun777的博客 5392
上一篇: C# WinForm开发系列之自定义无边框窗体(最大化,最小化,关闭,拉伸和移动的相关知识)
下一篇: C#WinForm开发系列之CheckBox控件全选和取消全选以及checkedListBox的基础使用介绍
想念-忘记了
博客等级 码龄10年 64粉丝 61原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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