博客
关于我
固定布局
阅读量:117 次
发布时间:2019-02-26

本文共 746 字,大约阅读时间需要 2 分钟。

固定布局与栅格系统概述

一、概念理解

固定布局是一种基于固定宽度的页面布局设计。在页面缩放至宽度小于页面宽度时,内容部分将不可见,需要通过滚动条查看全部内容。这类布局适用于需要严格控制容器宽度的场景。

二、栅格系统基础

固定列宽的栅格系统通常由列(Column)、槽(Gutter)和外边距(Margin)三个部分构成。列宽决定了容器内部的宽度,槽宽决定了列与列之间的固定间距,而外边距则是指容器边界与内容之间的间隔。

要构建栅格系统,首先需要明确容器的宽度和所需的列数。

三、CSS栅格系统实现

固定列宽的栅格系统主要包含以下内容:
  • 容器设置:960像素宽度的容器通常采用居中布局,需设置 width: 960px,同时左右外边距可设置为 auto,或简单地使用 margin: auto

  • 栅格命名:栅格命名一般采用“grid”或“column”作为前缀,数字作为后缀表示栅格列数。例如,grid_1grid_2 等命名方式。

  • 栅格属性设置:栅格需要设置 float: left 属性,并配置栅格之间的间距。例如,960gs设置左右外边距为10像素,类似于 Bootstrap 2 的实现方式,只需设置一侧边距即可完成。

  • 列宽计算:基于12列栅格系统,grid_1 栅格的宽度为60像素,加上左右外边距80像素。对于第 n 列,宽度计算公式为 (80*n - 20) 像素。

  • 注意事项

    1. 某些栅格系统(如 Bootstrap 2)需要在容器内增加一层,通过设置 `margin-left: -10px` 等方式弥补列宽和外边距的差异。 2. 完善的栅格系统通常会提供辅助功能,如偏移量、清除浮动等,提升开发效率。

    通过以上方法,可以轻松构建固定列宽的栅格系统,满足多种页面布局需求。

    转载地址:http://oqoy.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
    查看>>
    OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
    查看>>
    OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
    查看>>
    OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
    查看>>
    OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
    查看>>
    OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
    查看>>
    OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
    查看>>