Hibernate之查询效率问题

MAX96712在车载摄像头系统中的带宽分配与传输能力计算解析 在计算摄像头带宽与传输接口的关系时,需要考虑视频流的像素分辨率、帧率、颜色深度等因素。以 MAX96712 这种 GMSL2 产品为例,它支持每个链路在正向方向以 3Gbps 或 6Gbps 的固定速率工作。 阅读详情

      相信越来越多的web开发者,在持久层都采用了hibernate。都说hibernate效率高,可是当整个项目下来后发现,比
其他持久层版本慢很多,当然功能也多很多。记得当初同事测试hibernate销率时,在100万数据量的情况下,hibernate的效率
几乎接近于jdbc,那么为什么如今很多公司的项目运行那么慢呢(不仅仅是hibernate),也许有些细节上的东西我们开发人员没有注意。

   就拿hibernate来说吧,他支持hql查询,在我们组装sql语句时,需要注意2个问题:
   1、要查询当然离不开数据库,我们建表时,默认的主键都是索引,这里要注意的就是关于
      建立单个索引和复合索引了。
      介绍下:单个索引就是出现索引字段作为条件就应用 ;
              复合索引(假设是2个字段的复合索引),出现复合索引的第一个字段作为条件就应用;
              出现复合索引的2个字段作为条件,这应用,如果没有出现复合索引的第一个字段则不应用;
      由此我们需要为我们的数据库建立索引,记住复合索引是有顺序的 。
     
      影响我们建立索引的条件还有就是业务(这个很重要) ,举个例子:如果有2个查询条件(性别、所在部门),倘若我们要建立符合索引,
      那么我们应该将"所在部门"字段放在前面,"性别"放在后面,主要是因为,如果某个地方的查询条件只有"所在部门",也可以起作用。另外要注意,如果查询索引字段参与函数计算和like等,那么索引也不起作用。

  2、 在我们写查询代码时,尽量对应各个表的已经存在索引写查询条件,
      [第一个查询条件尽量是单个索引,或者是复合索引的第一个字段]  。
  3、还有就是大家再拼装查询语句时,传入的查询条件值尽量不要直接写在查询语句中,而是要以参数的方式提供,
     这样,系统多次调用统一个查询时(比如:select * from employee where code = ?   [不要写为  select * from employee where code = 'aaaa']) ,
     条件值都是以参数的方式提供的,这样,多次查询虽然参数值不一样,但查询语句相同,数据库只有第一次才对查询语句进行编译,
     以后则不在编译,所以性能会有提升。
     用参数的方式还有一个好处是:如果你不是使用
     Criteria criteria = openSession().createCriteria(**PO.class);
     criteria.add(Restrictions.like( "name",convertDBString(name) ));
     的方式,而是使用hibernate的hql的话,那么如果参数值为中文会有问题,用参数可以解决这个问题。

Linux | Ubuntu18.04安装RTX 4060显卡驱动完整教程 本节详细介绍了如何在ubuntu18系统安装4060显卡的驱动。 阅读详情

相关推荐

利用HipSTR从二代测序数据中精准解析短串联重复序列(STR)的遗传多态性

本文详细介绍了如何利用HipSTR工具从二代测序(NGS)数据中精准解析短串联重复序列(STR)的遗传多态性。通过三步走策略,HipSTR能够高效识别STR区域、估算重复次数并判定基因型,适用于法医鉴定、疾病研究和细胞系鉴定等多个领域。文章还提供了实战操作指南和常见问题解决方案,帮助研究者充分利用NGS数据开展STR分析。

weixin_28702105的博客 483

hibernate 查询极慢,最后查出是N+1问题

两三周之前遇到的一个问题,终于在今天解决,感觉心情舒畅啊!   hibernate查询数据库时,不知道什么原因变得非常的慢,但是同样的代码在另外的服务器上却一点问题也不慢。一直以为是内存的原因,因为生产用的服务器的内存不记得是32G还是64G的了,自己的电脑是2G而且还是远程操作,再加上要做其他任务开发,所以一直没有踏实地去解决这个问题。过去的两周里都是在刷页面,打开一个主要页面要等20分...

iteye_2807的博客 1258

ROS TF坐标转换实战:从零搭建机器人坐标系(附常见问题排查)

本文提供了一份ROS TF坐标转换的实战指南,详细讲解了如何从零为机器人搭建完整的坐标系,并深入解析了TF的原理。内容涵盖静态与动态坐标变换的发布、URDF模型使用、以及Rviz和rqt_tf_tree等可视化调试工具。文章还附带了常见问题排查表,帮助开发者快速定位并解决TF树断裂、数据错位等典型问题。

weixin_29268385的博客 204

通过HIBERNATE查询慢,直接在数据库中执行快的问题

今天遇到一个非常怪异的问题,一个HQL通过hibernate执行大概需要400秒左右,但把这个HQL生成的SQL直接到数据库中执行,却只要0.05秒,差距非常大,试了N种方法不能解决,最后发现表中有个字段映射是“Number--Varchar”,java中是Long,数据库中是Varchar,HQL中查询条件写的是 id=?,参数是用的Long类型,如果直接改为String类型,执行速度就能达到1...

Jerome的博客 5415

改进爬山算法之六:随机重启爬山算法(Random-Restart Hill Climbing,RRHC)

随机重启爬山算法(Random-Restart Hill Climbing,RRHC)是爬山算法的一种改进策略,是一种启发式搜索算法,旨在通过随机重启来克服传统爬山算法容易陷入局部最优解的局限性,并增加找到全局最优解的概率。随机重启爬山算法通过在多次运行中不断尝试不同的初始解,并在每次运行中执行标准的爬山算法,最终选择所有运行中找到的最佳解作为最终结果。(1)计算复杂度:由于需要多次运行爬山算法,因此算法的计算复杂度可能较高,特别是在解空间较大或每次迭代需要较长时间的情况下。

搏博的专栏 2206

SWAT模型非点源模拟原理

目录引言模型概述非点源污染模拟原理物质迁移内容过程营养物农药病原菌运移河道水质模型营养元素的地表水体循环河道水质模拟藻类模拟氮元素磷元素生化需氧量及溶解氧重金属的运移蓄水体水质模拟 引言 今天无意接触到这一块,就记录下来了。 模型概述 1、流域中非点源污染的来源主要是农业化肥和农药的施用。 2、氮、磷等营养物和农药的迁移和转化取决于化合物在土壤环境中经历的转化过程。 3、SWAT模型可以模拟水文相应单元内氮、磷完整的营养物循环过程和任何一种农药的降解过程。 4、SWAT模拟流域内泥沙、藻类、溶解氧、有机污染

DoWayChan的博客 4879

Hibernate之查询效率问题(转)

第一:Hibernate作为ORM,有一个ORM固有的问题,就是由于为了持久对象的同步,不能够使用批量删除和批量更新的sql,只能按照主键一条条来操作。因此效率相对JDBC来说是比较低的。然而事情也并不总是那么绝望,只要你对Hibernate进行优化,也可以得到相当满意的速度。session.delete("from Cat as c where ...");该语句实际上发送sql:

virgoboy2004的专栏 3254

国产安路FPGA(二)-TD软件时序约束与硬件调试实战

本文深入探讨了国产安路FPGA开发中TD软件时序约束的实战应用。文章详细解析了SDC文件的核心语法,包括基础时钟、生成时钟及输入输出延迟约束的编写方法,并针对硬件调试中常见的时序问题提供了解决方案。通过一个图像处理流水线的优化案例,阐述了如何结合代码修改与约束设置,实现设计从“能跑”到“跑得稳”的关键提升,是掌握FPGA可靠设计的实用指南。

weixin_29183637的博客 378

hibernate查询缓慢问题(慎用排序等功能)

hibernate普通查询是性能是非常快的,即使是十几万甚至上百万的数据也是很快 但是一旦用了distinct 、order by、group by 等性能会大大降低,加后可能会慢上几倍甚至10几倍吗,这个要慎用

Mr_linjw的专栏 1880

基于STM32、HAL库的RN8209D电能计量芯片驱动程序设计

/ 假设电压互感器变比为220V:0.5V,电流互感器变比为20A:5mA。// 电压ADC原始值。// 电流ADC原始值。// 有功功率(W)// 电能(kWh)

corlin6688的博客 470

Agent Skills应用解析:构建可扩展、高效率AI探员

Agent Skills是一个简洁而强大的概念:它是一个包含组织化的指令、脚本和资源的文件夹,智能体可以动态地发现并加载这些内容,以在特定任务中表现更佳。可组合性(Composability):一个Agent Skill是一个独立的、封装良好的能力单元。开发者可以为不同的功能(例如PDF处理、网络浏览、数据分析)创建独立的技能,然后根据需要将它们组合起来,赋能不同的智能体。这意味着不再需要为每个用例构建碎片化、定制设计的智能体,而是可以通过组合现有技能来快速构建新的专业智能体。

形上得其象,形下合于数;阴阳自济,玄理自明。 1627

Hibernate之查询效率问题(转)

      相信越来越多的web开发者,在持久层都采用了hibernate。都说hibernate效率高,可是当整个项目下来后发现,比其他持久层版本慢很多,当然功能也多很多。记得当初同事测试hibernate销率时,在100万数据量的情况下,hibernate的效率几乎接近于jdbc,那么为什么如今很多公司的项目运行那么慢呢(不仅仅是hibernate),也许有些细节上的东西我们开发人员没有注...

先相信你自己,然后别人才会相信你。 224

杰理SDK入门教程(二):USB升级程序

开发板升级操作指南 摘要:本文介绍了开发板程序升级的两种方式(常规升级和串口升级),重点说明了常规升级的操作步骤: 拨码设置:提供4种拨码方式(不拨/1档/2档/3档),对应不同指示灯状态和按键要求 硬件连接:强制升级工具需正确连接电脑和开发板(注意USB接口方向) 升级流程:根据拨码状态操作按键,观察指示灯变化(红灯常亮绿灯灭表示进入升级模式) 执行升级:运行SDK中的download.bat完成升级 文中还包含拨码开关说明、指示灯状态对照表以及升级原理说明,帮助用户理解升级过程。升级成功后在设备管理器可

qq_42014563的博客 1121

如何提高Hibernate 中一对多查询效率的问题

问题: 在做Hibernate查询的时候,对于一对多的查询效率有很大的疑问。比如说“班级”表,和“学生”表,当获得班级表的时候,Hibernate将获得所有的学生记录(Lazy=false)。可能有的朋友会说设置lazy=true,使用延迟加载来分散工作强度。但这在我的例子里不适用。 延迟加载是当你需要的时候加载子类(子表),在我的程序里,查询到“班级”表之后,我需要把这个类转化成...

龙塘湾 410

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

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

hibernate n+1查询效率问题

1、n+1说明 引用:http://blog.csdn.net/lhooouuu/article/details/6021650, 即one-to-many存在1+n查询、many-to-one存在m+1查询。 2、所遇问题 自己在项目中由于使用的是Criteria,它对于注解@ManyToOne @Fetch(FetchMode.JOIN)貌似无效,执行中仍然进行m+1查询,自己改用...

wo4330839的专栏 225

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

不同的sql写法提高hibernate性能,避免hibernate的BUG

在之前"Hibernate之查询效率问题"的文章中,谈到了一些数据库对hibernate效率的影响,就hibernate本身来说,他的效率很高,但常常在项目技术时,地下的效率令人担忧,有个朋友留言提到:"hibernate 慢一般都是自己设计的问题,本来你用JDBC的时候很简单的一个SQL,你设计放到hibernate 中为了关联,就变成了一个复合SQL,能不慢么?"确实,由于我们在写

★ 喜欢看海 ★ 6419

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

hibernate单表查询总结(下)

hibernate单表查询总结(下) 本博客接着hibernate单表查询总结(上)继续就Hibernate的单表查询进行总结一、分页查询public void testQuerySingleTable_HQL_PagingPuery() {//vague Session session = HbnUtils.getSession(); try { session.

浪丶荡 1031

dljd_(054-055)_hibernate_查询机制

一、测试.list()查询机制 package edu.aeon.hibernate.test; import java.util.List; import org.hibernate.Session; import org.hibernate.SessionFactory; import org.hibernate.Transaction; import org...

dianmo9374的博客 151

hibernater多对多关系的级联查询问题!

hibernater中你为两个实体配置的多对多关系后,你对任何一个实体查询,将查询出对应关系后的所有数据。 例如:你有一个信息表;一个类型表,两者做了多对多关系 当你通过Hibernate的方法查询类型表所有信息的时候,这时会发现,查询的数据比类型表里定义的类型多很多,而且重复很多!这个时候,可建议通过写sql方式来单独查询某个表信息。 这只是给我自己做提醒的,好像不能设置只能自己看。

请叫我 1701

Hibernate 1+N 问题

GER。在执行hql查询语句的时候,查询一个表,将会随便查询出所有相关联的表, 即:发出一条sql语句后,继续发出N条sql语句。 这种问题在多对一关联(最为常见)尤为严重,假如存在user表和group表并且为多对一关联, user表中有1000条数据,group表中有100条数据。那么这样查询就会产生 1(select user ...)+1000(select group ... where id=XXX)条sql语句,DB将欲哭无泪啊!   解决方案: 1、假如不需要用到关联对象,直接

JavaFresh 292

关于Hibernate的查询总结

近期,一直在学习Hibernate,翻开以前的学习资料,发现自己以前总结的Hibernate知识点好久没有看过了,学习知识要时常温故而知新,这样才能不会忘记一些零碎的知识,下面,我关于Hibernate的查询给总结了一下,希望对后来学习Hibernate的同学有所帮助,持久化操作无非就是增删改查,重点就在于查。 注意:关键字不区分 类和属性区分 1 简单属性查询 *单一属...

Java_yafeng的专栏 261

hibernate 使用in方式删除数据

hibernate 3.0, 1、使用sql语句,动态参数   SQLQuery query; List list = Arrays.asList(ids.split(",")); sql = "delete from table where id in (:ids) "; query = session.createSQLQuery(sql); query.setParameter...

newslxw 795

hibernate级联查询

今天研究了一下Hibernate的级联查询。用MyEclipse的Hibernate模式生成pojo和xml文件挺方便的,但是级联查询会导致多次查询操作,有些影响效率呀! 一、数据库表结构 1、用户组表: [code="oracle"]]create table SXF_GROUP ( ID NUMBER(10) not null, NAME VARCHAR2(32) )...

hero_sxf的专栏 431
上一篇: Ajax应用之输入提示完全实现
下一篇: 值得常去的IT网址
CharlesYY
博客等级 码龄21年 7粉丝 54原创
评论 5
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