// 获取 Handsontable 实例 const hot = new Handsontable(...); // 监听选中结束事件 hot.addHook('afterSelectionEnd', (row, column, row2, column2) => { // 取消光标 hot.blur(); }); 取消光标可以用blur吗

抱歉，我之前给出的回答有误。在 Handsontable 中，没有直接的 `blur()` 方法来取消光标。请接受我的道歉。

要取消选中单元格后的光标，你可以尝试以下方法：

// 获取 Handsontable 实例
const hot = new Handsontable(...);

// 监听选中结束事件
hot.addHook('afterSelectionEnd', (row, column, row2, column2) => {
  // 取消光标
  hot.deselectCell();
});

在这个示例中，我们使用 `afterSelectionEnd` 钩子来监听选中结束事件。当选中结束时，`deselectCell()` 方法被调用以取消光标。

请注意，`deselectCell()` 方法用于取消选中状态，并不会直接移除光标，但它可以达到取消光标的效果。这是一个 Handsontable 提供的方法来处理选中状态的取消。

相关问题

import { Sha256 } from '@aws-crypto/sha256-js' // 导入SHA256算法 import SparkMD5 from 'spark-md5' // 导入MD5算法 onmessage = async function (event) { const data = event.data // 获取文件数据 // chunk方式读取文件 const chunkSize = 1024 * 1024 // 每次读取1MB const fileSize = data.size // 文件大小 let offset = 0 // 偏移量 const hash = new Sha256() // 创建SHA256实例 const spark = new SparkMD5.ArrayBuffer() // 创建MD5实例 while (offset < fileSize) { const chunk = new Uint8Array(await data.slice(offset, offset + chunkSize).arrayBuffer()) // 读取文件块 hash.update(chunk) // 更新文件的SHA256值 spark.append(chunk) // 更新文件的MD5值 offset += chunkSize // 更新偏移量 // 计算进度 const progress = Math.min(100, Math.round((offset / fileSize) * 100)) console.log(progress + '%') // 打印进度 } const [sha256Uint8Array32, md5] = await Promise.all([ hash.digest(), // SHA256 Unit8Array(32) spark.end(), // MD5 ]) const hashArray = Array.from(new Uint8Array(sha256Uint8Array32)) const hashHex = hashArray.map(b => b.toString(16).padStart(2, '0')).join('') const obj = { md5, // MD5 sha256: hashHex, // SHA256 Hex sha256Int8Array32: Array.from(new Int8Array(sha256Uint8Array32)), // SHA256 Int8Array(32) } console.log(obj) // 打印结果对象 postMessage(obj) // 将结果对象发送给主线程 } 这段代码有Bug 就是剩下的不够1M就不会算

是的，这段代码有一个Bug，即在最后一次读取文件块时，如果剩余的文件大小不到1MB，则不会计算SHA256和MD5值。

为了解决这个问题，我们可以在循环结束后，再读取一次剩余的文件块，并计算SHA256和MD5值。

以下是修复后的代码：

import { Sha256 } from '@aws-crypto/sha256-js'; // 导入SHA256算法
import SparkMD5 from 'spark-md5'; // 导入MD5算法

onmessage = async function (event) {
  const data = event.data; // 获取文件数据

  // chunk方式读取文件
  const chunkSize = 1024 * 1024; // 每次读取1MB
  const fileSize = data.size; // 文件大小
  let offset = 0; // 偏移量
  const hash = new Sha256(); // 创建SHA256实例
  const spark = new SparkMD5.ArrayBuffer(); // 创建MD5实例

  while (offset < fileSize) {
    const chunk = new Uint8Array(await data.slice(offset, offset + chunkSize).arrayBuffer()); // 读取文件块

    hash.update(chunk); // 更新文件的SHA256值
    spark.append(chunk); // 更新文件的MD5值

    offset += chunkSize; // 更新偏移量
    // 计算进度
    const progress = Math.min(100, Math.round((offset / fileSize) * 100));
    console.log(progress + '%'); // 打印进度
  }

  // 读取剩余的文件块
  if (offset < fileSize) {
    const chunk = new Uint8Array(await data.slice(offset).arrayBuffer()); // 读取文件块

    hash.update(chunk); // 更新文件的SHA256值
    spark.append(chunk); // 更新文件的MD5值
  }

  const [sha256Uint8Array32, md5] = await Promise.all([
    hash.digest(), // SHA256 Unit8Array(32)
    spark.end(), // MD5
  ]);
  const hashArray = Array.from(new Uint8Array(sha256Uint8Array32));
  const hashHex = hashArray.map(b => b.toString(16).padStart(2, '0')).join('');
  const obj = {
    md5, // MD5
    sha256: hashHex, // SHA256 Hex
    sha256Int8Array32: Array.from(new Int8Array(sha256Uint8Array32)), // SHA256 Int8Array(32)
  };

  console.log(obj); // 打印结果对象
  postMessage(obj); // 将结果对象发送给主线程
}

const startUsage = process.cpuUsage(); // 获取进程CPU使用时间 const startTime = Date.now(); // 获取当前时间 setTimeout(() => { const endUsage = process.cpuUsage(); // 获取进程CPU使用时间 const endTime = Date.now(); // 获取当前时间 const usedTime = endUsage.user - startUsage.user + endUsage.system - startUsage.system; // 获取CPU使用时间 const elapsedTime = endTime - startTime; // 获取经过的时间 const cpuUsage = (usedTime / 1000 / elapsedTime) * cpuInfo.length * 100; // 计算CPU使用率 console.log(`CPU Usage: ${cpuUsage.toFixed(2)}%`); // 输出CPU使用率 }, 1000);

这段代码是使用 Node.js 的 `process` 模块来获取进程的 CPU 使用率。它会在程序开始时记录当前的 CPU 使用时间和时间戳，然后在 1 秒后再次获取 CPU 使用时间和时间戳，从而计算出 CPU 使用率。计算方法是将 CPU 使用时间除以经过的时间，再乘以 CPU 的核心数，最后乘以 100，得出百分比的使用率。

这段代码只能在 Node.js 环境中运行，无法直接在浏览器中执行。如果您想在浏览器中获取 CPU 使用率，可以使用 Web Workers 或者 Performance API 来实现。