当前位置:首页 > AI技术 > 正文内容

如何利Less现交互状态样式的统一 过Mixin封装行为最佳践|Duuu笔记

admin2天前AI技术7

在生产环境中优化CSS,本文分析

Mixin封装交互状态需接收选择器参数,如.interactive-states('.btn'),禁用&:hover写法;disabled需同时匹配[disabled]和[aria-disabled="true"];避免循环调用以防CSS体积膨胀。

Less里怎么用Mixin封装:hover/:focus这类交互状态

直接把伪类写进Mixin里是最常用也最稳妥的做法,不是所有状态都适合抽离,但:hover、:active、:focus、:disabled这四个高频组合完全可以。

关键在于Mixin要接收选择器上下文,否则编译后样式会丢失层级关系。别用

.button:hover

这种硬编码,得让调用方决定作用对象。

写法必须带参数:

.interactive-states(@selector) { @selector:hover { ... } }

调用时传入选择器片段,比如

.interactive-states('.btn');

,而不是

.interactive-states(btn);

(后者会被当成变量)

如果需要支持多状态叠加(如

:hover:focus

),得单独再写一个Mixin,不要强行塞进同一个里——语义混乱,维护成本高

为什么不能直接在Mixin里写&:hover

因为

&

在Mixin内部指向的是Mixin自身定义的作用域,不是调用它的地方。你写

&:hover

,编译出来就是

.mixin-name:hover

,完全没用。

真正有效的写法是把

&

留在调用侧,让Mixin只负责声明块内容:

(深入)

”;

.interactive-states() {

&:hover { color: #007bff; }

&:active { transform: translateY(1px); }

}

.btn {

.interactive-states();

}

这样编译结果才是

.btn:hover

.btn:active

。漏掉这层理解,90%的封装都会失效。

disabled状态怎么兼容原生表单控件和自定义组件

原生

走的是HTML属性逻辑,而自定义组件(比如

.custom-btn[aria-disabled="true"]

)得靠属性选择器。Mixin得同时覆盖两种写法,否则样式不生效。

统一用

[disabled]

匹配原生控件

加一层

[aria-disabled="true"]

适配React/Vue组件库

避免只写

:disabled

——它对

div

或自定义标签无效

示例:

&[disabled], &[aria-disabled="true"] { opacity: 0.5; cursor: not-allowed; }

性能和编译体积容易被忽略的点

每次调用Mixin都会复制一遍CSS规则,如果在循环中用(比如遍历按钮类型),生成的CSS可能翻倍。不是语法错误,但上线后查Network会发现样式表比预期大一截。

优先用CSS类名控制状态(

.is-disabled

),而不是纯伪类+Mixin

如果必须用伪类,确保Mixin只在顶层组件类下调用一次,别在嵌套选择器里反复调用

Less 4.0+支持

extend

,但

:hover

类不能被

extend

,这点文档没明说,实测会静默失败

状态封装真正的难点不在写法,而在厘清「谁触发状态」「谁响应状态」「状态是否可预测」——CSS本身没状态管理能力,全靠约定和约束撑住。

相关文章

【深度学习】Java DL4J 2024年度技术总结

一、Java DL4J深度学习概述 1.1 DL4J框架简介 1.2 与其他深度学习框架的比较 1.3 DL4J 的优势 1.3.1 与 Java 生态系统的无...

【大数据分析 | 深度学习】在Hadoop上实现分布式深度学习

一、Submarine(Hadoop生态系统) (一)Submarine 介绍 (三)Submarine 属于 Hadoop 生态系统 (四)Submarine 官网版...

什么是LLM?看这一篇就够了!

一、全套AGI大模型学习路线 AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能! 二、640套AI大模型报告合集 这套包含640份报告的合集,涵盖了AI大...

LLM介绍

。LLM 被证明在使用指令形式化描述的未见过的任务上表现良好。这意味着 LLM 能够根据任务指令执行任务,而无需事先见过具体示例,展示了其强大的泛化能力。 :小型语言模型通常难以解决涉...

神经网络分类总结

从网络性能角度可分为连续型与离散型网络、确定性与随机性网络。 从网络结构角度可为前向网络与反馈网络。 从学习方式角度可分为有导师学习网络和无导师学习网络。 按连续突触性...

跨平台机器学习:ML.NET架构及应用编程

平台上的一个机器学习框架,它提供了一套丰富的算法和工具,使得开发人员可以轻松地构建和部署机器学习模型。支持多种编程语言,包括等,这使得它成为跨平台机器学习的理想选择。的架构主要包括三个部分:数据读取、...

发表评论

访客

看不清,换一张

◎欢迎参与讨论,请在这里发表您的看法和观点。