实现Ajax请求,进行删除代码,客户端实时刷新数据

VSCode CMake 安装与配置详解 概述 在windows上使用cmake编译C/C++程序时,首先需要CMake,安装gcc/g++编译环境,然后使用VSCode 以及配置下CMakelist.txt。 所需工具: VSCode (需要安装以下插件) C/C++ C++ Intellisense CMake CMake tools CMake Tools Helper CMake MinGW 安装CMake 下载链接:... 阅读详情

如何使用ajax实现删除方法,并实现无刷新删除数据,具体方法如下:
1、首先,在我们写三层架构DAL层时,在相应的表类中书写删除方法(根据Id进行删除,具体方法参考下图):

/// <summary>
/// 删除
/// </summary>
/// <param name="id"></param>
/// <returns></returns>public static int Delete(int id)
{  
  var sql = "delete from Product where Id=" + id;    
  return SqlHelper.NonQuery(sql);
}

2、其次,在UI层中添加一个一般处理程序,并在所添加的一般处理程序中去实现我们的删除代码(具体方法参考下图):

using System;
using System.Collections.Generic;
using System.Linq;
using System.Web;
using System.Web.Security;
using BLL;
 namespace _3C数码商城
 {    
 /// <summary>    
 /// HandDelete 的摘要说明    
 /// </summary>    
 public class HandDelete : IHttpHandler   
  {        
   public void ProcessRequest(HttpContext context)        
   {            
   //获取            
   var Id = Convert.ToInt32(context.Request.QueryString["Id"]);
   //执行删除          
   string delete = ProductManage.Delete(Id).ToString();
   context.Response.ContentType = "text/plain";
   context.Response.Write(delete);
   }        
       public bool IsReusable       
        {           
         get           
          { 
          return false;
          }        
       }    
    }
}

注意:在添加好一般处理程序后 不要忘了引用BLL层,因为我们要通过BLL层调用删除方法。

3、设置一个超链接删除按钮

<a data-id='<%# Eval("Id")%>' href='#' class="pDelete">删除</a>

4、引用项目自带的jQuery文件

<script src="Scripts/jquery-1.4.1.js" type="text/javascript"></script>

5、添加jQuery脚本,给删除按钮添加事件,处理data 实现无刷新删除数据

<script type="text/javascript">        
$(function () {  
 $(".pDelete").click(function () {       
          var $this = $(this); //获取删除按钮             
          var id = $this.attr("data-id"); //获取删除按钮绑定的主键 
          $.post("HandDelete.ashx?id=" + id,function (data) {             
                if (data == 1) {
                   $this.closest("tr").remove();                   
                                    }               
                                })           
                            })       
                         })
          </script>
Python + OpenCV 计算视频中运动最慢小球的坐标验证码 本文提出一种基于Python和OpenCV的视频分析方法,用于检测多个运动小球中最慢运动目标的坐标。方法主要包括:1) 通过背景差分和形态学处理提取运动前景;2) 基于轮廓面积和圆形度筛选候选小球;3) 利用图像矩计算小球质心坐标;4) 通过近邻关联构建运动轨迹;5) 根据轨迹平均速度确定最慢目标。该方法能有效处理包含线条干扰和静态大圆干扰的背景,稳定输出最慢小球的中心坐标。实验结果表明,该方法能准确识别运动最慢的小球并定位其位置。 阅读详情

相关推荐

生信人的一天~HIFI数据+HIC数据组装基因组

HIFI+HIC数据组装基因组!

qq_43337286的博客 9530

如何使用ajax进行批量删除

如何使用ajax进行批量删除!

m0_61509278的博客 1269

RAG开源框架深度评测:从RAGFlow到Dify的实战选型指南

本文深度评测了主流RAG开源框架(RAGFlow、Dify、WeKnora)的核心能力与实战表现,提供企业级选型指南。重点对比了文档解析、检索性能和生产部署等关键指标,揭示RAGFlow在复杂文档处理、Dify在低代码开发、WeKnora在腾讯生态集成的差异化优势,并给出技术选型决策树与成本优化方案。

weixin_29294597的博客 826

使用ajax实现jsp页面删除功能

前几天在练习页面增删改查时写到ajax时候忘记卡住了,去网上搜索时搜了半天发现解决方法不是特别难就是繁琐,于是赶紧联系兄弟让他把以前的代码发来。兄弟也是不辱使命,给我发来两张以前练习时的截图。 大概看了一下代码之后,就知道大概的一个思路,首先给大家看一下我的jsp页面 数据库中一共有三条数据,查询出来后点击删除,提示是否要删除,点击确定,提示删除成功 打开代码,首先在删除这个a标签这里,对a标签的超链接功能进行封锁,然后给它一个鼠标单击事件,创建一个删除的函数并且有两个参数,第一个是要

Li_zhengqi的博客 1762

Word论文插入带有方括号序号的参考文献——尾注+交叉引用

文章目录1. 尾注功能2. 为参考文献的序号添加方括号3. 调整参考文献前的序号大小4. 重复引用同一参考文献5. 将交叉引用的序号改为带有方括号的上标序号格式6. 删除参考文献前的尾注横线 1. 尾注功能 首先使用尾注功能顺序插入参考文献,暂时不考虑方括号问题,具体操作如下: ① 将光标放在需要插入参考文献角标的地方 ② 在word菜单栏,“引用-脚注部分右下角箭头”(用来设置尾注格式) ③如...

Your_Raymond的博客 9万+

使用Qt编译Qt WebEngine

这就是使用Qt编译Qt WebEngine模块的基本步骤。通过按照上述步骤,您应该能够成功编译和使用Qt WebEngine来嵌入Web内容到您的Qt应用程序中。Qt WebEngine是Qt框架的一个模块,它提供了一个现代的Web浏览器引擎,可以在Qt应用程序中嵌入Web内容。首先,需要获取Qt的源代码。如果尚未安装,可以从Qt官方网站下载并安装Qt。完成Qt的安装后,您可以构建并运行Qt WebEngine示例来验证编译是否成功。这将把编译好的Qt库文件和头文件安装到之前指定的安装目录中。

DevForge的博客 3016

ajax删除怎么传id,AJAX请求根据其id删除列。

美好的一天。我在管理页面上工作,基本上它是一个内容管理系统。我想根据他们的ID删除数据。但不幸的是,我在htpp请求中遇到错误。这是错误。AJAX请求根据其id删除列。Request URL: admin/ajax_deleteRequest Method:POSTStatus Code:500 Internal Server ErrorRemote Address:144.76.136.165:...

weixin_42301889的博客 1006

2ED2410-EM:12v / 24v智能模拟高侧MOSFET栅极驱动器

12v / 24v智能模拟高侧MOSFET栅极驱动器。2ED2410-EM具有输入CPP和CPN的电压比较器。该比较器可用于基于任何模拟电压触发SAFESTATE模式,甚至是外部电压2ED2410-EM。CPP为比较器的正输入,CPN为负输入。VcPREF可以通过微控制器进行调节,也可以通过板载电源芯片(如英飞凌SBC)或简单的分压器在限制VcP(REF)内进行固定,以保持稳定性。使用此比较器允许2ED2410-EM进入SAFESTATE并独立于微控制器关闭MOSFET。

让学习成为一种习惯 2188

仿购物车模块,点击编辑(完成)删除一个或者多个内容,上拉加载,下拉刷新

首先创建一个Activity 主界面布局:<?xml version="1.0" encoding="utf-8"?> <RelativeLayout xmlns:android="http://schemas.android.com/apk/res/android" xmlns:tools="http://schemas.android.com/tools" android:id

qq_36020854的博客 1435

嵌入式开发之瑞芯微RK356x--基本环境搭建

嵌入式环境搭建

NexyHO的博客 617

YOLOv11改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力 二次改进C3k2

在FreqFormer模型中,SFA(Spatial-Frequency Attention)和CTA(Channel Transposed Attention)模块是关键组成部分,它们针对传统Transformer在图像超分辨率任务中的不足而设计,旨在更好地恢复高频细节,提升模型性能。

Limiiiing的博客 758

【前端面试题】-------实现一下,点击1个按钮的同时删除这个按钮,并创建2个新按钮

<!DOCTYPE html> <html> <head> <meta charset="utf-8"> <title></title> </head> <style type="text/css"> *{ margin: 0; padding: 0; } </style> ...

codeTcy的博客 1199

UG二次开发GRIP创建drill工序

UG二次开发GRIP创建drill工序

qq285503851的博客 1696

实现删除ajax请求,在一般处理程序中实现删除代码,客户端实现刷新数据代码

如何使用ajax实现删除方法,并实现无刷新删除数据,具体方法如下: 1、首先,在我们写三层架构DAL层时,在相应的表类中书写删除方法(根据Id进行删除,具体方法参考下图): /// <summary> /// 删除 /// </summary> /// <param name="id"></param> /// <returns></returns> public static int Delete(int id) { v

YHBoy11的博客 753

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'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")

原生js实现ajax请求(带请求头header)和数据传参过程代码

一、Ajax 概述 Ajax 是 Asynchronous Javascript And XML 的简写 Ajax是一门技术,并不是一门语言 使用XHTML+CSS来标准化呈现 使用XML和XSLT进行数据交换及相关操作 使用XMLHttpRequest对象与Web服务器进行异步数据通信 使用Javascript操作Document Object Model进行动态显示及交互 使用J...

CodingNoob 7万+

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

ajax实现无刷新时时写入数据库

上篇文章都是关于界面的东西,下面写关于如何把无刷新的把数据写入到数据库中。   当我们改变某一个人或某几个人的某项分值实现无刷新写入数据库。 首先,我们需要声明XMLHttpRequest对象      //声明XMLHttpRequest对象 var xmlHttp; function createXMLHTTP() { if (window.XMLHttpR

蒋倩兰——蕙质兰心 5453

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Ajax的常用技巧(6)---实现web页面局部动态刷新

在浏览网页时,有时往往因为查看局部信息,而导致整个网页都需要从服务器端重新加载一次。在传统的web实现方式中,实现类似的效果必须进行整个页面的刷新。但是借助Ajax技术,可以实现对页面中局部区域的动态刷新,使得用户能够以更好的方式获得最新的数据信息。只更新需要查看的信息,页面中的其他信息保持不变。局部动态更新时Ajax技术的只要功能表现之一。      现在创建一个实例,以演示使用Ajax技

Bad Boy 1万+

AJAX-实现WEB页面局部动态刷新

在浏览网页时,有时往往因为查看局部信息,而导致整个网页都需要从服务器端重新加载一次。在传统的web实现方式中,实现类似的效果必须进行整个页面的刷新。但是借助Ajax技术,可以实现对页面中局部区域的动态刷新,使得用户能够以更好的方式获得最新的数据信息。只更新需要查看的信息,页面中的其他信息保持不变。局部动态更新时Ajax技术的只要功能表现之一。      现在创建一个实例,以演示使用Ajax技

迟来的爱 905

关于Ajax的异步刷新功能及简单案例(php)

目录 GET请求 有关 GET 请求的其他一些注释: POST请求 有关 POST 请求的其他一些注释: 几个一会儿会用到的知识点: 1、xmlhttp.readyState==4 && xmlhttp.status==200 2、针对IE6及以下的版本浏览器的兼容处理 3、onblur事件 操作演示 HTML代码 php代码部分: 1、checkUsername部分: 2、checkEmail部分 3、checkPhone部分 这篇文章主要来介绍一...

Wellfancy的博客 2511

Axios和Ajax的区别是什么

axios是通过Promise实现对ajax技术的一种封装,就像jquery对ajax的封装一样,简单来说就是ajax技术实现了局部数据的刷新,axios实现了对ajax的封装,axios有的ajax都有,ajax有的axios不一定有,2、ajax技术实现了局部数据的刷新,而axios实现了对ajax的封装。.对数据进行过滤和操纵相关数据的场景。.普通的文本输入提示和自动完成的场景。.快速的用户与用户间的交流响应。.深层次的树的导航。.表单驱动的交互。

书启鸿蒙知秋枫 3万+

java:ajax实现无跳转刷新的三种方法

概述 实现无跳转刷新,其实就是将请求通过ajax的方式提交给servlet,而不是提交整个jsp页面,通过ajax的方式能够减少网络传输的压力,反应速度要比.jsp快。servlet端代码实现 2.1 把.jsp页面中需要刷新的代码重写,即直接输出HMTL方式 优点:简单,直接  缺点:需要传送大量数据,网络压力较大 2.2 采用拼接字符串的形式返回,在客户端进行字符串的解析即可 优点

sona_shi555的专栏 1861

ajax自动实时更新数据

利用ajax实现无刷新更新数据show.html //客户端 function GetResult() {    http_request = false;  //开始初始化XMLHttpRequest对象  if(window.XMLHttpRequest) { //Mozilla 浏览器   http_request = new XMLHttpRequest();   if (http

Allin's blog 6969

Ajax的请求写法详解

简介 是什么 Ajax全称Asynchronous JavaScript and XML,直译过来就是异步的javascript 和 XML。为什么是叫XML还得由于最开始用ajax实现客户端和服务器端数据通信的时候,传输的数据格式一般都是xml格式的数据,所以把它称之为异步js和xml(现在一般都是基于json格式来进行数据传输的)。 需要说明的是Ajax并不是一门新的语言,而是一种使用现有标准的新方法。它是在异步JS和XMLHttpRequest的基础上实现的。 AJAX 最大的优点是在不重新加载整个页

weixin_45517927的博客 2170

如何使用ajax实现网页无刷新以及简单掌握Json

本人初学ajax,写出本人ajax的一些浅薄的经验。 ajax简称(异步JavaScript和XML)。异步指的是当向浏览器发送一条请求,不需要等请求响应还可以继续发送若干条请求而且不会阻碍用户。 ajax是与服务器交换数据并更新部分网页的技术,可是实现网页无刷新。 例如用ajax删除一跳信息,实现无刷新: Index视图: <script type="text/java...

banchun3795的博客 194

前端局部自动刷新_Ajax的惯用技巧(6)-实现web页面局部动态刷新

Ajax的常用技巧(6)---实现web页面局部动态刷新在浏览网页时,有时往往因为查看局部信息,而导致整个网页都需要从服务器端重新加载一次。在传统的web实现方式中,实现类似的效果必须进行整个页面的刷新。但是借助Ajax技术,可以实现对页面中局部区域的动态刷新,使得用户能够以更好的方式获得最新的数据信息。只更新需要查看的信息,页面中的其他信息保持不变。局部动态更新时Ajax技术的只要功能表现之一。...

weixin_39532421的博客 710

AJAX请求进行客户端渲染(1)

/ 在Node中每一个js文件的作用域都是独立的,当前js文件中的变量,方法只在当前js文件中有效,这一点一定和浏览器区分。// res.sendFile(“C:/Users/ASUS/Desktop/yft/上课代码/2018.8.13使用express手动创建项目/public/order.html”);// __dirname=“C:/Users/ASUS/Desktop/yft/上课代码/2018.8.13使用express手动创建项目/router”/开头,表示当前路径的上层目录。

2401_84150046的博客 901
上一篇: 简答题锦集(四)
下一篇: Asp.Net Eval()方法
ChenCanzzZ
博客等级 码龄6年 2粉丝 27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