鸿蒙5.0开发进阶:JS组件-基础组件(input)

鸿蒙(HarmonyOS)项目方舟框架(ArkUI)之Swiper容器组件 鸿蒙(HarmonyOS)项目方舟框架(ArkUI)之Swiper容器组件。 阅读详情

往期鸿蒙5.0全套实战文章必看:(文中附带全栈鸿蒙5.0学习资料)


input

交互式组件,包括单选框,多选框,按钮。

说明

该组件从从API version 4 开始支持。后续版本如有新增内容,则采用上角标单独标记该内容的起始版本。

子组件

不支持。

属性

名称类型默认值必填描述
typestring

button

否

input组件类型,可选值为button,checkbox,radio。

button,checkbox,radio不支持动态修改。可选值定义如下:

- button:定义可点击的按钮;

- checkbox:定义多选框;

- radio:定义单选按钮,允许在多个拥有相同name值的选项中选中其中一个;

checkedbooleanfalse否当前组件是否选中,仅type为checkbox和radio生效。
namestring-否input组件的名称。
valuestring-否input组件的value值,当类型为radio时必填且相同name值的选项该值唯一。
idstring-否组件的唯一标识。
stylestring-否组件的样式声明。
classstring-否组件的样式类,用于引用样式表。
refstring-否用来指定指向子元素的引用信息,该引用将注册到父组件的$refs 属性对象上。

事件

  • 当input类型为checkbox、radio时,支持如下事件:

    名称参数描述
    change{ checked:true | false }checkbox多选框或radio单选框的checked状态发生变化时触发该事件。
    click-点击动作触发该事件。
    longpress-长按动作触发该事件。
    swipe5+SwipeEvent组件上快速滑动后触发。
  • 当input类型为button时,支持如下事件:

    名称参数描述
    click-点击动作触发该事件。
    longpress-长按动作触发该事件。
    swipe5+SwipeEvent组件上快速滑动后触发。

样式

名称类型默认值必填描述
color<color>#ffffff否按钮的文本颜色。
font-size<length>30px否按钮的文本尺寸。
width<length>-否type为button时,默认值为100px。
height<length>-否type为button时,默认值为50px。
font-familystringSourceHanSansSC-Regular否字体。目前仅支持SourceHanSansSC-Regular 字体。
padding<length>0否

使用简写属性设置所有的内边距属性。

该属性可以有1到4个值:

- 指定一个值时,该值指定四个边的内边距。

- 指定两个值时,第一个值指定上下两边的内边距,第二个指定左右两边的内边距。

- 指定三个值时,第一个指定上边的内边距,第二个指定左右两边的内边距,第三个指定下边的内边距。

- 指定四个值时分别为上、右、下、左边的内边距(顺时针顺序)。

padding-[left|top|right|bottom]<length>0否设置左、上、右、下内边距属性。
margin<length> | <percentage>5+0否

使用简写属性设置所有的外边距属性,该属性可以有1到4个值。

- 只有一个值时,这个值会被指定给全部的四个边。

- 两个值时,第一个值被匹配给上和下,第二个值被匹配给左和右。

- 三个值时,第一个值被匹配给上, 第二个值被匹配给左和右,第三个值被匹配给下。

- 四个值时,会依次按上、右、下、左的顺序匹配 (即顺时针顺序)。

margin-[left|top|right|bottom]<length> | <percentage>5+0否设置左、上、右、下外边距属性。
border-width<length>0否使用简写属性设置元素的所有边框宽度。
border-color<color>black否使用简写属性设置元素的所有边框颜色。
border-radius<length>-否border-radius属性是设置元素的外边框圆角半径。
background-color<color>-否设置背景颜色。
displaystringflex否

确定一个元素所产生的框的类型,可选值为:

- flex:弹性布局。

- none:不渲染此元素。

[left|top]<length> | <percentage>6+-否

left|top确定元素的偏移位置。

- left属性规定元素的左边缘。该属性定义了定位元素左外边距边界与其包含块左边界之间的偏移。

- top属性规定元素的顶部边缘。该属性定义了一个定位元素的上外边距边界与其包含块上边界之间的偏移。

示例

  1. type为button

    <!-- xxx.hml -->
    <div class="div-button">
      <input class="button" type="button" value="Input-Button"></input>
    </div>
    /* xxx.css */
    .div-button {
      flex-direction: column;
      align-items: center;
      width: 100%;
      height: 100%;
    }
    .button {
      margin-top: 30px;
      width: 280px;
    }

  2. type为checkbox

    <!-- xxx.hml -->
    <div class="content">
      <input onchange="checkboxOnChange" checked="true" type="checkbox"></input>
      <text class="text">{{text}}</text>
    </div>
    /* xxx.css */
    .content{
      width: 100%;
      height: 100%;
      flex-direction: column;
      align-items: center; 
      justify-content: center;   
    }
    .text{
      font-size: 30px;
      text-align: center;
      width: 200px;
      margin-top: 20px;
      height: 100px;
    }
    // xxx.js
    export default {
      data: {
        text: "text"
      },
      checkboxOnChange(e) {
        this.text = e.checked;
      }
    }

  3. type为radio

    <!-- xxx.hml -->
    <div class="container">
      <div class="item">
        <input type="radio" checked="true" name="radioSample" value="radio1" onchange="onRadioChange"></input>
        <text class="text">radio1</text>
      </div>
      <div class="item">
        <input type="radio" checked="false" name="radioSample" value="radio2" onchange="onRadioChange"></input>
        <text class="text">radio2</text>
      </div>
      <div class="item">
        <input type="radio" checked="false" name="radioSample" value="radio3" onchange="onRadioChange"></input>
        <text class="text">radio3</text>
      </div>
    </div>
    /* xxx.css */
    .container {
      width: 100%;
      height: 100%;
      justify-content: center;
      align-items: center;
      flex-direction: column;
    }
    .item {
      width: 50%;
      height: 30%;
      justify-content: center;
    }
    .text {
      margin-top: 25%;
      font-size: 30px;
      text-align: center;
      width: 200px;
      height: 100px;
    }

鸿蒙5.0版开发:UI框架JS组件-基础组件(input) 交互式组件,包括单选框,多选框,按钮。 阅读详情

相关推荐

鸿蒙5.0版开发:UI框架JS组件-基础组件(label)

为input、button、textarea组件定义相应的标注,点击该标注时会触发绑定组件的点击效果。

m0_69424697的博客 897

5分钟快速学会使用Swiper.js,实现轮播图各种效果!

还在全网搜各种轮播图插件效果?还在下载轮播图之后跳转样式?都2020年了,不嫌麻烦吗?swiper插件的出现,几乎快覆盖了整个前端市场了吧!简单,快速,来跟着我学,...

QUX轻博客 4932

鸿蒙OpenHarmony【input】JS组件

交互式组件,包括单选框,多选框,按钮。

hhhhhh2323的博客 518

终于可以不用 swiper.js 了!

大厂技术高级前端Node进阶点击上方程序员成长指北,关注公众号 回复1,加入高级Node交流群几乎每个前端开发都应该用过这个滑动组件库吧?这就是大名鼎鼎的swiper.js没想到已经出到 11 个大版本了https://www.swiper.com.cn/当然我也不例外,确实非常全面,也非常强大。不过很多时候,我们可能只用到了它的10%不到的功能,显然是不划算的,也会有性能方面的顾虑。...

程序员成长指北 1283

swiper.js实现叠加轮播效果

文档: swiperjs https://swiperjs.com/ 在线demo: https://mouday.github.io/front-end-demo/swiperjs.html 实现源码 <html lang="en"> <head> <meta charset="UTF-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge"> &.

彭世瑜的博客 6284

鸿蒙开发实战项目(二十七):Swiper的使用(ArkTS)

本篇Codelab主要介绍了滑动容器组件Swiper的几种常见的应用场景,包括顶部导航、轮播图以及视频滑动播放。

斌擎科技 1770

鸿蒙5.0开发进阶:ArkUI框架-JS基础组件(input)

交互式组件,提供单选框功能。

Androidbye的博客 360

MuMu模拟器过检测实战:从硬件伪装到API欺骗的完整避坑指南

本文详细介绍了MuMu模拟器过检测的实战技术,从硬件伪装到API欺骗的全方位解决方案。通过修改CPU/GPU信息、内存分布、系统属性和行为模拟等关键技术,帮助用户有效绕过现代应用的模拟器检测机制,提升模拟器的隐蔽性和稳定性。

xxx12的博客 1413

【鸿蒙next开发】JS组件:基础组件(input)

本文详细介绍了鸿蒙HarmonyOS中的input组件功能,涵盖其类型、属性、样式、事件和方法。

m0_73088370的博客 630

保姆级教程:手把手教你下载和配置Waymo自动驾驶数据集(附百度网盘链接)

本文提供了一份详细的Waymo自动驾驶数据集下载和配置指南,特别针对国内研究者优化了数据获取方案,包括百度网盘链接和Google Cloud CLI配置。文章还涵盖了环境配置、数据处理实战、可视化分析以及进阶技巧,帮助开发者高效利用这一业界黄金标准数据集进行自动驾驶研究。

weixin_42651281的博客 372

简单的服务器取证

记一次入门服务器取证——药品直销网,涵盖旧版本宝塔、静态IP的配置更改、代码的理解

m0_74559567的博客 3757

【鸿蒙next开发】JS组件:基础组件(label)

本文详细介绍了HarmonyOS Next中label组件的使用方法和属性配置。

m0_73088370的博客 639

Unity零基础到进阶 ☀️| Unity中的 GC及优化 超级全面解析 ☆(ゝω・)v 建议收藏!

介绍: 在游戏运行的时候,数据主要存储在内存中,当游戏的数据在不需要的时候,存储当前数据的内存就可以被回收以再次使用。内存垃圾是指当前废弃数据所占用的内存,垃圾回收(GC)是指将废弃的内存重新回收再次使用的过程。 Unity中将垃圾回收当作内存管理的一部分,如果游戏中废弃数据占用内存较大,则游戏的性能会受到极大影响,此时垃圾回收会成为游戏性能的一大障碍点。 本文我们主要学习垃圾回收的机制,垃圾回收如何被触发以及如何提GC收效率来提高游戏的性能。 Unity内存管理机制简介 要想了解垃圾回收如何工作以及何时被

努力前行,总会成为自己心中的那道光 6万+

input js赋值 text_鸿蒙2.0 JavaScript / JS 入门教程(二)组件概览之基础组件

本文呈现各组件有意义的最简形式(不包含额外样式),以形成初步直观的印象。可能TV比智能穿戴设备支持的组件多一些,为了简便,本文只显示TV中的组件。并且由于智能穿戴的屏幕为圆形,很多时候需要设置CSS的高宽和居中,否则可能会出现黑屏或组件一部分在屏幕外的情况。文中代码均为hml文件中的代码,如果有js文件中的代码会特别说明text文本组件span组件button按钮组件input输入组件**text...

weixin_33785971的博客 723

(四)美赛画图篇:画图模板+画图工具

美赛画图篇:画图模板+画图工具(一)画图模板(二)画图工具 因为散点图、折线图等多与数据有关,且需相关软件生成,故此处多是通用模板。直接替换文字内容即可。 (一)画图模板 1、Visio圆圈图 适合于:指标体系(E题常用) 点击下载:1 C币 如果不想花费且时间充足,悄咪咪地说,在visio-模板搜索可以找到很多。(稍微会耗一点时间) 2、简单指标体系图PPT 适合于指标体系 点击下载:0 C币...

weixin_43689393的博客 1万+

YOLO26改进策略【小目标改进】| 添加专用于小目标的检测层 附YOLOv1~YOLOv11的检测头变化详解

在目标检测领域,小目标检测一直是一个具有挑战性的问题。算法以其高效快速的特点受到广泛关注,然而在面对小目标时,仍存在一些局限性。本文将介绍如何在中添加小目标检测层,以提高对小目标的检测能力。原始模型结构如下: 二、有效特征层对应的检测头类别 2.1 P3/8 - small检测头 原始模型中的对应的检测头主要用于检测相对较小的目标。其特征图大小相对较大,空间分辨率较高。 适合检测尺寸大概在到像素左右的目标。 2.2 P4/16 - medium检测头 这个检测头对应的经过了更多的下采样操作,相比P3/

Limiiiing的博客 355

【鸿蒙next开发】JS服务卡片UI组件:基础组件(input)

本文介绍鸿蒙HarmonyOS 5.0中input单选框组件的开发实战,支持API8及以上版本。

m0_73088370的博客 299

订餐平台餐厅信息抓取:使用Python爬虫获取商家信息和用户评价

在这篇博客中,我们展示了如何使用Python爬虫抓取订餐平台上的餐厅信息和用户评价数据。通过使用requests和Selenium,我们能够有效地从静态和动态网页中提取数据,并使用pandas和matplotlib对数据进行存储和分析。未来,您可以根据需求进一步扩展功能,例如增加错误处理、增加抓取多个页面的能力,或者使用高级技术如分布式爬虫来抓取更大规模的数据。

2201_76125261的博客 1652

鸿蒙5.0开发进阶:JS组件-form

表单容器,支持容器内input元素的内容提交和重置。

Androidbye的博客 383

【思考模型框架】采用双钻模型:发散(桌面研究/用户访谈)→收敛(需求归类/优先级排序),输出需求规格书、追踪矩阵及产品待办清单。

设计思维双钻模型是一种以用户为中心的需求管理方法,通过"发散-收敛"的双循环确保问题定位准确、方案切实可行。第一钻石(探索→定义)聚焦"找对问题",运用用户访谈、田野调查等方法挖掘真实需求;第二钻石(开发→交付)解决"做对方案",通过原型测试、A/B测试验证可行性。该模型强调低保真验证、多团队协作和真实用户测试,避免资源浪费与伪需求开发。典型应用场景包括产品功能优化、用户体验提升等需要精准落地的需求场景。核心价值在于建立从用户痛点到解决方案的可控闭

奶爸的编程之路,也就一周冷个三天 322

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

0 基础入门React Native鸿蒙跨平台开发:基于HarmonyOS API 24,判断是否闰年分析工具实战

常量用来定义程序所依赖的一组值,例如默认配置文件名。 好的做法是将所有常量集中放在包中的一个文件内。举个例子,Django 采用的就是这 种方法。一个名为 settings.py 的模块提供所有常量,如下所示:SQL_USER = ‘tarek’ SQL_PASSWORD = ‘secret’ SQL_URI = ‘postgres://%s:%s@localhost/db’ % ( SQL_USER, SQL_PASSWORD ) MAX_THREADS = 4 另一种方法是使用可以被 ConfigPar

2301_77888392的博客 930

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

鸿蒙API14开发【容器组件input】兼容JS的类Web开发范式

交互式组件,包括单选框,多选框,按钮。

鸿蒙的技术博客 774

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

上一篇: 鸿蒙5.0开发进阶:JS组件-基础组件(image-animator)
下一篇: 鸿蒙5.0开发进阶:JS组件-基础组件(marquee)
懂你的大海
博客等级 码龄6年 9049粉丝 1381原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值