请问有无现成的键码表,或者区分字符键和功能键的方法?(必给分)

muren 2001-08-31 06:49:37
从event.keyCode得到键值是按键位排列的,
小键盘上的数字键和大键盘上的数字键键值都不一样,
有没有完整的键值对照表可供参照?
或者有无其它可以区分字符键和功能键的方法?
...全文
198 2 打赏 收藏 转发到动态 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
muren 2001-09-02
  • 打赏
  • 举报
回复
没有现成的,自己做了一个,给大家共享。

一、键位扫描码,用event.keyCode获得
8 退格
9 Tab
12 小键盘<5>,numlock未锁定时
13 回车
16 Shift
17 Ctrl
18 Alt
19 Pause Break
20 CapsLock
27 Esc
33 PgUp
34 PgDn
35 End
36 Home
37 ←
38 ↑
39 →
40 ↓
45 Insert和小键盘的Ins
46 Delete和小键盘的Del
48 0 )
49 1 !
50 2 @
51 3 #
52 4 $
53 5 %
54 6 ^
55 7 &
56 8 *
57 9 (
65 A(小写一样)
66 B
67 C
68 D
69 E
70 F
71 G
72 H
73 I
74 J
75 K
76 L
77 M
78 N
79 O
80 P
81 Q
82 R
83 S
84 T
85 U
86 V
87 W
88 X
89 Y
90 Z
91 左窗键
92 右窗键
93 仿右鼠标键
96 0(小键盘)
97 1(小键盘)
98 2(小键盘)
99 3(小键盘)
100 4(小键盘)
101 5(小键盘)
102 6(小键盘)
103 7(小键盘)
104 8(小键盘)
105 9(小键盘)
106 *(小键盘)
107 +(小键盘)
109 -(小键盘)
111 /(小键盘)
112 F1 IE占用
113 F2
114 F3 IE占用
115 F4 IE占用
116 F5 IE占用
117 F6 IE占用
118 F7
119 F8
120 F9
121 F10
取不到 F11
取不到 F12
取不到 Print Screen SysRq
144 NumLock
145 Scroll Lock
186 : ;
187 + =
188 < ,
189 - _
190 > .
191 ? /
192 ` ~
219 { [
220 | \
221 } ]
222 " '

二、检测同时按下的控制键用:
event.altKey true为按下了Alt键
event.ctrlKey true为按下了Ctrl键
event.shiftKey true为按下了Shift键

三、判断函数
//是否数字键
function isnumkey(nkey)
{
if(!event.altKey && !event.ctrlKey && !event.shiftKey &&
(nkey>=48 && nkey<=57 || nkey>=96 && nkey<=105))
return true;
else
return false;
}

//是否字母键
function isalphakey(nkey)
{
if(!event.altKey && !event.ctrlKey && nkey>=65 && nkey<=90)
return true;
else
return false;
}

//是否字符键
function ischarkey(nkey)
{
if(!event.altKey && !event.ctrlKey && (nkey>=65 && nkey<=90 ||
nkey>=48 && nkey<=57 || nkey>=96 && nkey<=105 || nkey==106 ||
nkey==107 || nkey==109 || nkey==110 || nkey==111 ||
nkey>=186 && nkey<=192 || nkey>=219 && nkey<=222))
return true;
else
return false;
}

playlynx 2001-08-31
  • 打赏
  • 举报
回复
你可以自己写个网页测试一下
自己把它记下来啊
我记得斑竹的网页上就有这个例子,自己叫孟子吧
内容概要:本文研究基于CNN-BiLSTM-Attention的负荷预测方法,提出一种融合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(Attention)的深度学习模型,旨在实现高精度的电力负荷预测。该模型通过CNN有效提取输入数据中的局部空间特征,利用BiLSTM充捕捉时间序列的长期依赖关系与前后向时序信息,并引入Attention机制动态加权关时间步的输出,增强模型对重要时刻的敏感性,从而显著提升预测准确性。文中提供了完整的Python代码实现流程,涵盖数据预处理、特征工程、模型构建、训练优化、结果评估及可视化等环节,并通过对比实验证明该模型在预测精度、收敛速度和泛化能力方面优于传统预测方法。; 适合人群:具备一定Python编程能力和深度学习理论基础,从事电力系统析、能源管理、智能电网或时间序列预测等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于城市电网、工业园区、商业楼宇等场景下的短期电力负荷预测;②为电力调度、需求响应、能源优化配置和电网安全运行提供精准数据支持;③深入理解并掌握CNN、BiLSTM与Attention融合模型的架构设计、实现细节及其在时序预测任务中的协同机制。; 阅读建议:建议读者结合所提供的Python代码进行动手实践,重点剖析Attention机制对不同时间步特征的权重配过程,理解各模块之间的数据流动与功能衔接,同时可在自有数据集上迁移应用并调整超参数,以进一步提升模型性能和实际适用性。

87,987

社区成员

发帖
与我相关
我的任务
社区描述
Web 开发 JavaScript
社区管理员
  • JavaScript
  • 无·法
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧