使用 JavaScript 检测用户是否在线

• 💂 个人网站:【海拥】【摸鱼游戏】【神级源码资源网站】
• 🤟 前端学习课程：👉【28个案例趣学前端】【400个JS面试题】
• 💅 想寻找共同学习交流、摸鱼划水的小伙伴，请点击【摸鱼学习交流群】

有时你可能希望增强你的应用程序以通知用户他们可能已经失去了互联网连接。

用户可能正在访问你的网站并收到缓存版本，因此通常看起来他们的互联网仍在工作。
然而，他们失去了引擎盖下的连接，并且不会加载任何新内容。

在这里向他们显示一些消息以让他们知道他们应该检查他们的连接可能是有益的。

检测连接状态

我们可以利用navigator.onLineAPI 来检测连接状态。
这将返回一个布尔值来指示用户是否在线。

注意：请注意浏览器的实现方式不同，因此结果可能会有所不同。

这在初始加载时效果很好，所以我们可以做这样的事情。

window.addEventListener('load',()=>{const status = navigator.onLine;});

但是我们不知道加载后网络状态是否发生变化，这是不理想的。

我们可以订阅离线和在线事件来监听这些特定的变化。

window.addEventListener('offline',(e)=>{
  console.log('offline');});

window.addEventListener('online',(e)=>{
  console.log('online');});

演示

让我们设置一个快速演示来演示这一点。
我们将在屏幕中央使用一个基本的文本元素，但你当然可以按照你喜欢的任何方式设置样式和实现它。

注意：我正在使用 SCSS 来设置样式

<divclass="status"><divclass="offline-msg">You're offline 😢</div><divclass="online-msg">You're connected 🔗</div></div>

我们在默认为连接状态的前提下构建它。

让我们添加一些基本样式。

.status{background: #efefef;display: flex;justify-content: center;align-items: center;min-height: 100vh;div{padding: 1rem 2rem;font-size: 3rem;border-radius: 1rem;color: white;font-family: Roboto,'Helvetica Neue', Arial, sans-serif;}.online-msg{background: green;display: block;}.offline-msg{background: red;display: none;}}

默认情况下，这只会显示在线消息。
让我们添加一个条件，如果状态元素有一个离线类，我们切换两个 div。

.status {&.offline {.online-msg {display: none;}.offline-msg {display: block;}}}

现在，如果我们将离线类添加到状态 div，我们应该会看到离线消息。

那么我们如何根据网络状态切换这些呢？

const status = document.querySelector('.status');
window.addEventListener('load',()=>{consthandleNetworkChange=()=>{if(navigator.onLine){
      status.classList.remove('offline');}else{
      status.classList.add('offline');}};

  window.addEventListener('online', handleNetworkChange);
  window.addEventListener('offline', handleNetworkChange);});

是的，这段代码可以解决问题！
我们在第一次加载时对其进行了初始化，并创建了一个新函数来检查导航器状态。

然后我们添加事件监听器来监听变化，这样我们就可以根据它们采取行动。
在更改时，它可以添加或删除类名。

如果我们尝试一下，它看起来像这样。

⭐️ 好书推荐

《PyTorch教程：21个项目玩转PyTorch实战》

【内容简介】

**PyTorch 是基于 Torch 库的开源机器学习库，它主要由 Meta（原 Facebook）的人工智能研究实验室开发，在自然语言处理和计算机视觉领域都具有广泛的应用。本书介绍了简单且经典的入门项目，方便快速上手，如 MNIST数字识别，读者在完成项目的过程中可以了解数据集、模型和训练等基础概念。本书还介绍了一些实用且经典的模型，如 R-CNN 模型，通过这个模型的学习，读者可以对目标检测任务有一个基本的认识，对于基本的网络结构原理有一定的了解。另外，本书对于当前比较热门的生成对抗网络和强化学习也有一定的介绍，方便读者拓宽视野，掌握前沿方向。 **

📚 京东自营购买链接：《PyTorch教程：21个项目玩转PyTorch实战》