活动介绍

Silverlight数据绑定全解析

立即解锁
发布时间: 2025-08-26 01:42:32 阅读量: 12 订阅数: 46 AIGC
### Silverlight 数据绑定全解析 #### 1. UpdateSourceTrigger 值 在 Silverlight 中,数据绑定的 `UpdateSourceTrigger` 仅支持两个值:`Default` 和 `Explicit`,不像 WPF 那样可以选择 `PropertyChanged`。不过,借助一些代码和 `UpdateSource()` 方法,你能在需要时确保更新操作的执行。当允许用户编辑绑定数据时,就得考虑如何捕捉错误并处理无效数据,Silverlight 提供了多种验证选项来预防数据录入问题。 #### 2. 变更通知 有时候,你可能会在数据对象绑定到一个或多个元素后对其进行修改。例如,下面的代码将当前价格提高了 10%: ```csharp Product product = (Product)gridProductDetails.DataContext; product.UnitCost *= 1.1; ``` 但这段代码无法达到预期效果。尽管内存中的 `Product` 对象已被修改,但绑定控件中却没有显示出变化。这是因为缺少关键的基础设施,即 `Product` 对象无法通知绑定元素。 为解决此问题,数据类需要实现 `System.ComponentModel.INotifyPropertyChanged` 接口。该接口定义了一个名为 `PropertyChanged` 的事件。当数据对象的属性发生变化时,必须触发 `PropertyChanged` 事件并以字符串形式提供属性名称。 下面是使用 `INotifyPropertyChanged` 接口的改进版 `Product` 类的定义,以及 `PropertyChanged` 事件的实现代码: ```csharp public class Product : INotifyPropertyChanged { public event PropertyChangedEventHandler PropertyChanged; public void OnPropertyChanged(PropertyChangedEventArgs e) { if (PropertyChanged != null) PropertyChanged(this, e); } ... } ``` 现在,需要在所有属性的 `setter` 中触发 `PropertyChanged` 事件: ```csharp private double unitCost; public double UnitCost { get { return unitCost; } set { unitCost = value; OnPropertyChanged(new PropertyChangedEventArgs("UnitCost")); } } ``` 如果在前面的示例中使用这个版本的 `Product` 类,就能得到预期的行为。当更改当前的 `Product` 对象时,新信息会立即显示在绑定的文本框中。 **提示**:如果多个值发生了变化,可以调用 `OnPropertyChanged()` 并传入一个空字符串,这会通知 Silverlight 重新评估绑定到类中任何属性的绑定表达式。 #### 3. 调试数据绑定表达式 数据绑定错误很容易出现,但却难以捕捉。例如,若绑定到一个不存在的属性,编译时不会有有用的错误信息指出问题,只会看到原本应显示数据的文本框为空。如果属性是私有的,或者属性的 `getter` 抛出异常,也会出现同样的情况。同样,如果属性的 `setter` 抛出异常,或者 Silverlight 无法将编辑后的值转换为适当的数据类型,编辑操作就会失败。 如果数据绑定错误是由用户编辑导致的,可能无法预防该问题,但可以使用验证来识别错误并通知用户。如果问题是由代码错误引起的,就需要在应用程序继续运行之前找出并修复它。 幸运的是,Silverlight 有一个方便的调试功能,可用于剖析数据绑定问题。使用该功能时,首先要在有问题的绑定表达式上设置断点。具体操作是在 Visual Studio 中打开 XAML 文件,然后点击绑定表达式旁边的边距。 此时,Visual Studio 会在执行绑定表达式后、显示结果前立即进入中断模式。这时可以调查绑定信息,或者按 F5 继续运行应用程序。如果要检查多个绑定表达式,可以同时设置多个断点。 调查绑定的最佳工具是“局部变量”窗口。当遇到数据绑定断点时,“局部变量”窗口会显示 `BindingState` 对象。展开该对象,会看到一些有用的属性。例如,`Action` 属性能确切告诉你绑定表达式被调用的原因。如果设置为 `UpdatingTarget`,表示绑定表达式即将将值放入绑定控件;如果设置为 `UpdatingSource`,表示绑定表达式即将将用户编辑的值应用到数据源。同样,可以检查 `LastCompletedStage` 属性,以确定断点触发前发生了什么。例如,如果 `LastCompletedStage` 设置为 `TypeConversion`,而绑定表达式显示错误,就可以合理推测是数据转换出了问题。 到目前为止,`BindingState` 最有用的属性是 `Error` 属性。如果存在问题,它会提供一个详细描述当前问题的异常对象。 **注意**:只有当存在实际的绑定数据对象时,才会计算数据绑定表达式。如果数据对象为 `null`,Silverlight 不会采取任何行动,断点也不会触发。不过,可以使用 `FallbackValue` 属性来替代不同的值。 #### 4. 构建数据服务 前面看到的示例虽然介绍了 Silverlight 数据绑定的基本细节,但不够真实。更典型的设计是让 Silverlight 应用程序从外部源(如 Web 服务)检索所需的数据对象。在构建数据服务时,首先要将数据对象的类定义移到 ASP.NET 网站。如果创建的是无项目网站,必须将代码文件放在 `App_Code` 文件夹中;如果创建的是 Web 项目,则可以放在任何位置。数据对象需要进行一些修改,添加 `DataContract` 和 `DataMember` 属性使其可序列化,并添加一个公共无参构造函数以允许序列化。 以下是部分代码示例,展示了所需的大致框架: ```csharp [DataContract()] public class Product : INotifyPropertyChanged { private string modelNumber; [DataMember()] public string ModelNumber { get { return modelNumber; } set { modelNumber = value; OnPropertyChanged(new PropertyChangedEventArgs("ModelNumber")); } } private string modelName; [DataMember()] public string ModelName { get { return modelName; } set { modelName = value; OnPropertyChanged(new PropertyChangedEventArgs("ModelName")); } } ... public Product(){} } ``` 当使用 Web 服务定义数据类时,Silverlight 会自动提供更改通知。因为当 Visual Studio 生成数据类的客户端副本时,即使服务器端的原始类没有实现 `INotifyPropertyChanged` 接口,客户端副本也会自动实现该接口。 以下是一个超简单的 `Product` 类定义: ```csharp [DataContract()] public class Product : INotifyPropertyChanged { [DataMember()] public string ModelNumber { get; set; } [DataMember()] public string ModelName { get; set; } [DataMember()] public decimal UnitCost { get; set; } [DataMember()] public string Description{ get; set; } } ``` 客户端副本仍然会实现 `INotifyPropertyChanged` 接口,具有完整的属性过程,并在任何属性发生变化时调用 `OnPropertyChanged()` 来触发通知事件。 可以通过打开 Silverlight 项目中的 `Reference.cs` 文件来检查数据类的客户端代码。需要注意的是,这个文件是隐藏的,要先在“解决方案资源管理器”中点击“显示所有文件”按钮才能看到它。 这里有一个问题值得思考:如果客户端会自动实现 `INotifyPropertyChanged` 接口,是否还有必要在服务器端实现它呢?这取决于个人偏好。有些开发者认为在服务器端显式实现该接口更清晰,而另一些开发者则觉得更改通知主要是客户端功能,在服务器端很少使用,所以不必实现。 最后,还可以禁用此功能,告诉 Visual Studio 在生成客户端数据类时不使用 `INotifyPropertyChanged` 接口。具体做法是编辑 Silverlight 属性中的 `Reference.svcmap` 文件,找到 `<EnableDataBinding>` 元素,将其内容从 `true` 改为 `false`。不过,通常没有必要这样做。 有了数据对象后,还需要一个使用它的 Web 服务方法。以下是 Web 服务类的基本框架: ```csharp [ServiceContract(Namespace = "")] [AspNetCompatibilityRequirements(RequirementsMode = AspNetCompatibilityRequirementsMode.Allowed)] public class StoreDb { private string connectionString = WebConfigurationManager.ConnectionStrings["StoreDb"].ConnectionString; [OperationContract()] public Product GetProduct(int ID) { ... } } ``` 查询是通过数据库中名为 `GetProduct` 的存储过程执行的。连接字符串不是硬编码的,而是通过 `web.config` 文件中的设置获取,这样便于后续修改。以下是 `web.config` 文件中定义连接字符串的部分: ```xml <configuration> ... <connectionStrings> <add name="StoreDb" connectionString= "Data Source=localhost;Initial Catalog=Store;Integr ```
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

李_涛

知名公司架构师
拥有多年在大型科技公司的工作经验,曾在多个大厂担任技术主管和架构师一职。擅长设计和开发高效稳定的后端系统,熟练掌握多种后端开发语言和框架,包括Java、Python、Spring、Django等。精通关系型数据库和NoSQL数据库的设计和优化,能够有效地处理海量数据和复杂查询。
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

自适应复杂网络结构中的同步现象解析

# 自适应复杂网络结构中的同步现象解析 ## 1. 引言 在复杂的动力学网络中,同步现象一直是研究的重点。我们将主稳定性方法拓展到由 $N$ 个扩散且自适应耦合的振荡器组成的复杂网络中。通过对自适应耦合相位振荡器这一典型模型的研究,我们发现了由于稳定性岛屿的存在而导致的多簇现象的出现。接下来,我们将深入探讨相关内容。 ## 2. 自适应耦合振荡器网络模型 考虑一个由 $N$ 个扩散且自适应耦合的振荡器组成的网络,其形式如下: \(\dot{x}_i = f (x_i(t)) - \sigma \sum_{j = 1}^{N} a_{ij} \kappa_{ij} G(x_i - x_j)\

OpenVX:跨平台高效编程的秘诀

### OpenVX:跨平台高效编程的秘诀 #### 1. OpenCL 互操作性扩展 OpenCL 互操作性扩展为 OpenVX 内的应用程序和用户算法提供了高效实现的支持,具备以下六个关键特性: - 共享一个通用的 `cl_context` 对象,供 OpenVX 和 OpenCL 应用程序使用。 - 共享一组有序的 `cl_command_queue` 对象,用于 OpenVX 和 OpenCL 应用程序/用户内核之间的协调。 - 允许 OpenCL 应用程序将 `cl_mem` 缓冲区导出到 OpenVX。 - 允许 OpenCL 应用程序从 OpenVX 收回导出的 `cl_mem

SSH连接与操作全解析

# SSH 连接与操作全解析 ## 1. SSH 主机密钥概述 当 SSH 客户端首次连接到远程主机时,双方会交换临时公钥,以此对后续通信进行加密,防止信息泄露。客户端在披露更多信息之前,需要确认远程服务器的身份。这是合理的,因为若连接到的是黑客软件,我们肯定不希望泄露用户名和密码。 ### 1.1 公钥基础设施的问题 构建公钥基础设施是解决互联网机器身份验证的一种方法。首先要确定证书颁发机构,将其公钥列表安装到所有浏览器和 SSL 客户端中,然后付费让这些机构验证身份并签署 SSL 证书,最后将证书安装到 Web 服务器上。但从 SSH 的角度看,这种方法存在诸多问题。虽然可以创建内部公

利用大数据进行高效机器学习

### 利用大数据进行高效机器学习 #### 1. 集群管理与并行计算基础 在处理大数据时,集群的使用至关重要。当集群任务完成后,终止其派生的进程能释放每个节点占用的资源,使用如下命令: ```R stopCluster(cl1) ``` 对于大规模的大数据问题,还可以进行更复杂的`snow`配置,例如配置Beowulf集群(由多个消费级机器组成的网络)。在学术和行业研究中,若有专用计算集群,`snow`可借助`Rmpi`包访问高性能消息传递接口(MPI)服务器,但这需要网络配置和计算硬件方面的知识。 #### 2. 使用`foreach`和`doParallel`实现并行计算 `fore

语音情感识别:预加重滤波器与清音影响分析

### 语音情感识别:预加重滤波器与清音影响分析 在语音情感识别领域,多种因素会影响识别的准确性和性能。本文将深入探讨预加重滤波器、清音去除等因素对语音情感分类的影响,并通过一系列实验来揭示不同特征向量大小、帧大小等参数在不同数据库中的表现。 #### 1. 清音去除 在语音情感识别中,通常会使用浊音和清音进行情感识别。然而,清音往往与语音信号记录中的噪声或静音区域具有相似的时间和频谱特征。为了探索去除清音后分类阶段的性能,我们使用自相关函数来去除每一帧中的清音。 具体步骤如下: 1. **自相关函数定义**:对于信号 $x(n)$ 从样本 $n$ 开始的一帧,其短时自相关函数定义为 $

计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习

# 计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习 在计算机视觉领域,概率图模型是一种强大的工具,可用于处理复杂的概率关系。当数据不完整时,贝叶斯网络(BN)的参数学习和结构学习变得更具挑战性。本文将介绍不完整数据下BN参数学习和结构学习的方法。 ## 1. 不完整数据下的BN参数学习 在不完整数据中,变量 $Z_m$ 可能随机缺失或始终缺失。与完整数据情况类似,不完整数据下的BN参数学习也可通过最大似然法或贝叶斯法实现。 ### 1.1 最大似然估计 最大似然估计(ML)需要通过最大化边际似然来找到BN参数 $\theta = \{\theta_n\}_{n=1}^N$: $$

具有多重时滞和不确定参数的CRDNNs的无源性与同步性研究

# 具有多重时滞和不确定参数的 CRDNNs 的无源性与同步性研究 ## 1. 引言 在神经网络的研究领域中,具有多重时滞和不确定参数的连续反应扩散神经网络(CRDNNs)的无源性和同步性是重要的研究课题。无源性能够保证系统的稳定性和能量特性,而同步性则在信息处理、通信等领域有着广泛的应用。本文将深入探讨 CRDNNs 的无源性和同步性相关问题,包括理论分析和数值验证。 ## 2. 无源性判据 ### 2.1 输出严格无源性条件 当满足以下矩阵不等式时,网络(9.17)具有输出严格无源性: \[ \begin{bmatrix} W_6 & \Xi_2 \\ \Xi_2^T & W_7 \e

言语节奏与大脑定时模式:探索神经机制与应用

# 言语节奏与大脑定时模式:探索神经机制与应用 ## 1. 大脑的预测性与时间维度 人类大脑是一个具有建设性的器官,它能够生成预测以调节自身功能,并持续适应动态环境。在这个过程中,运动和非运动行为的时间维度正逐渐被视为预测性偏差的关键组成部分。然而,编码、解码和评估时间信息以产生时间感和控制感觉运动定时的神经机制之间的复杂相互作用,仍然大部分是未知的。 ### 1.1 事件的时间与类型维度 个体和环境中的所有状态变化都会产生由类型(“是什么”)和时间(“何时”)定义的事件。为了成功地与不断变化的环境进行交互,人们需要不断适应这些事件的“是什么”和“何时”维度。人类不仅会对事件做出反应,还会

网络数据上的无监督机器学习

### 网络数据上的无监督机器学习 在处理图数据时,机器学习(ML)并非必需,但它能带来很大的帮助。不过,ML的定义较为模糊,例如社区检测算法虽能自动识别网络中的社区,可被视为无监督ML,但NetworkX提供的一些方法虽类似却未得到数据科学界同等关注,因为它们未被明确称为图ML。 #### 1. 网络科学方法 在处理图数据时,有很多已掌握的方法可避免使用所谓的图ML: - **社区识别**:可以使用Louvain算法或直接查看连通分量。 - **枢纽节点识别**:使用PageRank算法,无需嵌入。 - **孤立节点识别**:使用`k_corona(0)`,无需ML。 - **训练数据创

HNPU-V1:自适应DNN训练处理器的技术解析与性能评估

### HNPU-V1:自适应DNN训练处理器的技术解析与性能评估 在深度学习领域,DNN(深度神经网络)训练处理器的性能对于提高训练效率和降低能耗至关重要。今天我们要介绍的HNPU - V1就是一款具有创新性的自适应DNN训练处理器,它采用了多种先进技术来提升性能。 #### 1. 稀疏性利用技术 在DNN训练过程中,会出现输入或输出稀疏性的情况。传统的输出零预测方法虽然可以同时利用输入和输出稀疏性,但会带来面积和能量开销。而HNPU - V1采用了独特的稀疏性利用技术。 ##### 1.1 切片级输入跳过(Slice - Level Input Skipping) - **原理**: