Tkinter 文字小部件中的綁定如何發揮作用?
在 Tkinter 中,當您與文字小部件互動時,您的按鍵會觸發關聯的綁定與小部件。這些綁定確定文字在您鍵入時如何更新。但是,在某些情況下,您可能希望在透過內建類別綁定進行文字更新後執行自己的程式碼。
幕後:綁定標籤和事件處理
Tkinter 利用綁定標籤來處理事件。每個小部件都有一個與小部件同名的綁定標籤,其他綁定標籤包括小部件的類別、根視窗的路徑和通用的「all」標籤。小部件被分配了按順序處理事件的綁定標籤,從最具體的(小部件)開始,到最不具體的(全部)結束。
解決綁定順序問題
要在類別綁定後綁定自訂事件,有兩種選擇:重新排序綁定標籤或引入新的綁定定標籤。
選項 1:重新排列綁定標籤
透過調整綁定標籤的順序,您可以將自訂綁定的事件處理優先於類別綁定。例如,如果您有一個表示小部件的綁定標籤(下方程式碼中的「entry1」),請將其移至綁定標籤清單中的類別綁定標籤(「Entry」)下方:
<code class="python">entry1.bindtags(('Entry', '.entry1', '.', 'all'))</code>
選項2:引入新的綁定標籤
或者,您可以在類別綁定標籤後面建立一個額外的綁定標籤。然後,您的綁定將附加到此新標籤:
<code class="python">entry3.bindtags(('.entry3','Entry','post-class-bindings', '.', 'all')) # Custom bindings are attached to the 'post-class-bindings' tag entry3.bind_class("post-class-bindings", "<keypress>", OnKeyPress)</keypress></code>
程式碼範例
以下程式碼說明了這些技術的用法:
<code class="python">import Tkinter def OnKeyPress(event): value = event.widget.get() string="value of %s is '%s'" % (event.widget._name, value) status.configure(text=string) root = Tkinter.Tk() entry1 = Tkinter.Entry(root, name="entry1") entry2 = Tkinter.Entry(root, name="entry2") entry3 = Tkinter.Entry(root, name="entry3") entry1.bindtags(('.entry1', 'Entry', '.', 'all')) entry2.bindtags(('Entry', '.entry2', '.', 'all')) entry3.bindtags(('.entry3','Entry','post-class-bindings', '.', 'all')) # Custom bindings are attached to the default tags entry1.bind("<keypress>", OnKeyPress) # Custom bindings are attached to the reordered tags entry2.bind("<keypress>", OnKeyPress) # Custom bindings are attached to the new 'post-class-bindings' tag entry3.bind_class("post-class-bindings", "<keypress>", OnKeyPress) root.mainloop()</keypress></keypress></keypress></code>
以下程式碼說明了這些技術的用法:
以下程式碼說明了這些技術的用法: 透過執行此程式碼並按下三個條目小部件中的按鍵,您會注意到由於預設的綁定順序,第一個條目小部件的綁定似乎落後了一個字元。但是,第二個和第三個條目小工具的綁定會在您鍵入時正確更新文字。以上是在 Tkinter 的文字小工具中文字更新後如何執行自訂程式碼?的詳細內容。更多資訊請關注PHP中文網其他相關文章!

本教程演示如何使用Python處理Zipf定律這一統計概念,並展示Python在處理該定律時讀取和排序大型文本文件的效率。 您可能想知道Zipf分佈這個術語是什麼意思。要理解這個術語,我們首先需要定義Zipf定律。別擔心,我會盡量簡化說明。 Zipf定律 Zipf定律簡單來說就是:在一個大型自然語言語料庫中,最頻繁出現的詞的出現頻率大約是第二頻繁詞的兩倍,是第三頻繁詞的三倍,是第四頻繁詞的四倍,以此類推。 讓我們來看一個例子。如果您查看美國英語的Brown語料庫,您會注意到最頻繁出現的詞是“th

處理嘈雜的圖像是一個常見的問題,尤其是手機或低分辨率攝像頭照片。 本教程使用OpenCV探索Python中的圖像過濾技術來解決此問題。 圖像過濾:功能強大的工具圖像過濾器

本文解釋瞭如何使用美麗的湯庫來解析html。 它詳細介紹了常見方法,例如find(),find_all(),select()和get_text(),以用於數據提取,處理不同的HTML結構和錯誤以及替代方案(SEL)

本文比較了Tensorflow和Pytorch的深度學習。 它詳細介紹了所涉及的步驟:數據準備,模型構建,培訓,評估和部署。 框架之間的關鍵差異,特別是關於計算刻度的

Python是數據科學和處理的最愛,為高性能計算提供了豐富的生態系統。但是,Python中的並行編程提出了獨特的挑戰。本教程探討了這些挑戰,重點是全球解釋

本教程演示了在Python 3中創建自定義管道數據結構,利用類和操作員超載以增強功能。 管道的靈活性在於它能夠將一系列函數應用於數據集的能力,GE

Python 對象的序列化和反序列化是任何非平凡程序的關鍵方面。如果您將某些內容保存到 Python 文件中,如果您讀取配置文件,或者如果您響應 HTTP 請求,您都會進行對象序列化和反序列化。 從某種意義上說,序列化和反序列化是世界上最無聊的事情。誰會在乎所有這些格式和協議?您想持久化或流式傳輸一些 Python 對象,並在以後完整地取回它們。 這是一種在概念層面上看待世界的好方法。但是,在實際層面上,您選擇的序列化方案、格式或協議可能會決定程序運行的速度、安全性、維護狀態的自由度以及與其他系

Python的statistics模塊提供強大的數據統計分析功能,幫助我們快速理解數據整體特徵,例如生物統計學和商業分析等領域。無需逐個查看數據點,只需查看均值或方差等統計量,即可發現原始數據中可能被忽略的趨勢和特徵,並更輕鬆、有效地比較大型數據集。 本教程將介紹如何計算平均值和衡量數據集的離散程度。除非另有說明,本模塊中的所有函數都支持使用mean()函數計算平均值,而非簡單的求和平均。 也可使用浮點數。 import random import statistics from fracti


熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

AI Hentai Generator
免費產生 AI 無盡。

熱門文章

熱工具

SAP NetWeaver Server Adapter for Eclipse
將Eclipse與SAP NetWeaver應用伺服器整合。

EditPlus 中文破解版
體積小,語法高亮,不支援程式碼提示功能

Dreamweaver Mac版
視覺化網頁開發工具

記事本++7.3.1
好用且免費的程式碼編輯器

VSCode Windows 64位元 下載
微軟推出的免費、功能強大的一款IDE編輯器