微服务调用 Current request is not a multipart request

axios上传文件错误:Current request is not a multipart request 其实整个过程我一共经历了三个报错信息,分别是 1.Current request is not a multipart request:当前请求不是multipart 请求 2.the request was rejected because no multipart boundary was found:请求被拒绝,因为未找到多部分边界 3.Required request part ‘files’ is not present我是想在vue中实现一个上传文件的功能,采用axios方式上传,数据模式采用. 阅读详情

微服务之间调用 在涉及文件传输时提示 Current request is not a multipart request 有以下几个解决思路

01.将@RequestParam--改成 @RequestPart

02.在@XXXMapping中设置 consumes

@PostMapping(value = "/utils/uploadFile",consumes = MediaType.MULTIPART_FORM_DATA_VALUE)

 

 

软件TEMU化:微服务架构与按次付费模式的技术实践 微服务架构通过将复杂应用拆分为独立部署、可伸缩的轻量级服务,实现了系统的高内聚、低耦合。其核心原理在于服务边界的清晰划分与API的标准化通信,这为软件功能的模块化与独立交付奠定了技术基础。这种架构模式带来了显著的技术价值:提升了开发迭代速度,增强了系统的容错性与弹性,并允许团队根据业务需求独立扩展特定服务。在应用场景上,微服务尤其适合需要快速响应市场变化、支持多租户或按需计费的SaaS平台与数字服务。随着软件与数字服务领域出现‘TEMU化’趋势,即产品走向极致成本控制、功能碎片化与订阅制向‘白菜价’单次付费 阅读详情

相关推荐

API入门指南:从概念到实战,详解接口设计与调用原理

应用程序编程接口(API)是现代软件系统间通信与数据交换的核心机制,其本质是一套预定义的协议和工具集,允许不同应用安全、高效地协作。从原理层面看,API基于客户端-服务器模型,通过标准化的请求与响应格式实现功能调用,其技术价值在于解耦系统组件、提升开发效率并促进生态集成。在工程实践中,RESTful架构风格因其无状态、统一接口和资源导向等特性,成为构建Web服务的行业标准,广泛应用于微服务、移动应用后端及第三方平台集成等场景。本文聚焦API设计的关键要素,深入剖析端点定义、HTTP方法运用及JSON数据交换

Eric.Net的专栏 327

Spring Boot MultipartException: Current request is not a multipart request问题解决

问题描述: org.springframework.web.multipart.MultipartException:Currentrequestisnotamultipartrequest 问题分析: 1、后端接口参数为MultipartFile[] files支持上传多个文件时,使用Swagger调试报错。 解决办法:使用PostMan调试。 ...

旭东怪的博客 1万+

Postman接口测试从入门到精通:环境变量、自动化脚本与团队协作实战

在软件开发和测试领域,API接口测试是确保系统间数据交互正确性的关键环节。其核心原理是通过模拟客户端请求,验证服务端响应的状态、数据和性能是否符合预期。掌握高效的接口测试工具能显著提升开发与测试效率,降低联调成本。Postman作为一款功能强大的API客户端,通过环境变量管理实现了多环境配置的一键切换,利用预请求脚本和测试脚本支持动态数据生成与自动化断言,并借助集合运行器完成批量测试。这些特性使其从基础的接口调试工具,演进为支持持续集成、团队协作与API文档化的综合性平台。无论是微服务架构下的接口验证,还是

weixin_33701564的博客 376

【常见错误】org.springframework.web.multipart.MultipartException: request is not a multipart request

如果你在尝试上传文件时,请求没有包含正确的Content-Type(例如,Content-Type为application/json),就会抛出“Current request is not a multipart request”的错误。因此,要解决这个错误,需要确保请求的类型和内容类型正确。除了检查请求类型和内容类型外,还需要检查表单配置和前端代码是否正确。确保在前端代码中正确地选择了要上传的文件,并设置了正确的文件类型和文件大小。通过以上步骤,可以确保请求的类型和内容类型正确。

木头大左的博客 3472

Postman接口测试从入门到精通:环境变量、脚本自动化与CI/CD集成实战

接口测试是软件开发和测试流程中的关键环节,它验证不同系统组件间数据交互的正确性与可靠性。其核心原理在于模拟客户端请求,验证服务端响应是否符合预期,从而确保API的功能、性能与安全性。在众多接口测试工具中,Postman以其标准化、可协作和高度自动化的平台特性脱颖而出,成为提升开发与测试效率的重要技术选型。通过环境变量管理多套配置,利用Pre-request Script和Tests脚本实现请求预处理与响应断言,Postman能够构建复杂的测试工作流,其价值在于将零散的接口调试转化为可复用、可维护的自动化测试

weixin_30509393的博客 441

jQuery AJAX与Servlet通信的三大核心陷阱及解决方案

AJAX是Web前端与后端交互的基础技术,其本质是基于XMLHttpRequest的异步HTTP请求机制。理解请求路径解析、Content-Type协商、响应数据类型匹配这三大原理,是保障前后端可靠通信的技术前提。在Java Web传统栈中,jQuery作为轻量级AJAX封装工具,常与JSP和Servlet协同工作,但极易因上下文路径误配、字符编码不一致、JSON序列化/反序列化错位等问题导致404/500/乱码/解析失败等典型故障。本文聚焦于真实项目中最频发的路径构造、参数传递、响应解析三类问题,结合jQ

weixin_34392435的博客 575

postman错误提示“Current request is not a multipart request”

今天在写业务进行批量上传文件时,用postman测试发现报500错误----Current request is not a multipart request,翻译了一下大概意思是。需要把Content-Type设置成multipart/form-data或着去掉Content-Type即可,有问题欢迎大家留言。从错误提示看,报错的原因可能和Headers头文件信息有关,去查看Headers信息时如下。看到mutipart字样,大概出错原因和它有关系了。当前请求不是多部分请求。

xiaoheihai666的博客 8749

基于Mozilla HTTP Observatory API构建自动化Web安全监控系统

Web安全是保障在线服务稳定与用户数据隐私的基石,其核心在于对HTTP协议层安全配置的持续监控与加固。通过自动化监控技术,可以系统性地检测HTTPS强制跳转、HSTS、CSP、Cookie安全属性等关键配置项,及时发现因配置错误、协议过时或新漏洞引入的风险。这种主动防御模式将安全左移,能有效降低数据泄露与攻击面。Mozilla HTTP Observatory作为一个基于行业最佳实践的开源评估框架,提供了标准化的API接口,使得开发者能够将其安全扫描能力无缝集成到DevOps流水线中。本文将以Python为

weixin_34375251的博客 334

【微服务eureka报错】微服务request execution error. endpoint=DefaultEndpoint{ serviceUrl=‘http://localhost:8761

在微服务用eureka注册客户端的时候报错: 2022-01-19 14:43:31.067 ERROR 21976 --- [ main] c.n.d.s.t.d.RedirectingEurekaHttpClient : Request execution error. endpoint=DefaultEndpoint{ serviceUrl='http://localhost:8761/eureka/} com.sun.jersey.api.client.ClientHandl

hhhhealer的博客 2847

ENVI5.6+SARscape实战:基于哨兵一号的PS与SBAS时序InSAR地表形变监测全流程解析

本文详细解析了使用ENVI5.6和SARscape软件基于哨兵一号数据进行PS与SBAS时序InSAR地表形变监测的全流程。从数据获取、预处理到PS-InSAR和SBAS-InSAR处理,提供了实用技巧和优化建议,帮助用户高效完成地表形变监测任务。

weixin_29245767的博客 1157

SAP FICO 银企直联实战:从配置到异常处理的全流程解析

本文详细解析了SAP FICO银企直联的实战配置与异常处理全流程,涵盖银行主数据搭建、支付类配置、银行接口适配等关键步骤。通过实际案例分享,帮助用户掌握实时付款、余额监控和自动对账等核心功能,提升企业财务效率与安全性。特别针对常见问题如凭证重复付款、前置机UUID冲突等提供了实用解决方案。

weixin_29215815的博客 664

OpenFeign调用服务传输Multipartfile文件的正确方式,Current request is not a multipart request报错解决

今天在写上头像功能的时遇到一个问题,一开始看到是超时。搜了一下百度,以为是文件太大导致超时,但是我看了一下我的Appliaction.yml知道不是大小的问题。然后我看被调用的微服务,报错:Current request is not a multipart request。 一般参数的写法是: @RequestMapping(value="IconUpload") public String IconUpload(@RequestParam("file") MultipartFile[] file)

dipu3856的博客 1874

无人机开发平台全解析:从开源飞控到企业级应用实战指南

无人机开发平台是无人机从飞行器演变为智能空中机器人的核心,其本质是提供了一套标准化的软硬件接口与工具链,使开发者能够基于稳定可靠的底层系统,专注于上层应用创新。从技术原理上看,一个完整的开发平台通常包含飞行控制器、机载计算机、传感器套件等硬件层,以及飞控固件、机器人操作系统(ROS/ROS 2)、软件开发套件(SDK)等软件层,通过分层架构实现飞行控制、感知决策与任务执行的解耦。其技术价值在于大幅降低了无人机行业应用的开发门槛,使开发者无需从零构建飞行控制系统,即可快速实现自动巡检、精准农业、物流配送等复杂

weixin_28712491的博客 412

Feign传输Multipartfile文件的正确方式,Current request is not a multipart request报错解决

一、错误的方式 例如,我们在子服务A的controller中,有一个接收Multipartfile文件的POST请求接口,通常写成如下方式 @PostMapping("/upload") public String upload( @RequestParam("pic") MultipartFile pic, @RequestParam("otherparam") String otherParam ) throws Except

hehe的博客 2万+

从学生项目到工程实践:手把手教你用ATE测试电源芯片的Rdson与漏电流

本文详细介绍了如何将学术级的电源芯片测试方案转化为工业级解决方案,重点讲解使用ATE设备测试Rdson(导通电阻)和漏电流的关键技术。从设备选型、测试夹具设计到量产环境下的工程化实现,提供了实用的优化技巧和常见问题解决方案,帮助工程师提升测试效率和精度。

weixin_42525289的博客 183

osg中显示3dtiles和cesiumIon

如下图为CesiumTilesetNode数据更新相关代码,将OSG对应的ViewMatrix、ProjectionMatrix和窗口信息传递给tileset->updateView()实现Cesium-native的场景更新。整体结构,其中 CesiumTilesetNode依赖Cesium3DTilesSelection::Tileset,实现数据的更新以及确定需要绘制的节点。1.1 CesiumNative3DTileslayer图层。

CPWWHSU的博客 890

openfeign调用文件服务的文件上传接口报错:Current request is not a multipart request

openfeign调用文件服务的文件上传接口报错:Current request is not a multipart request。

蒯厅博客 475

Ubuntu零基础入门到精通【3.10讲】:旧版本 Ubuntu 升级与迁移路线:从 20.04 到 24.04 的完整实战指南

🏆 本文收录于 《滚雪球学 Ubuntu》 专栏。 本专栏面向有一定计算机基础,但尚未系统学习 Linux / Ubuntu 的读者,采用“滚雪球式学习法”:先装好、再会用、再理解、再优化、再实战,带你从第一次进入 Ubuntu 桌面 / 终端开始,逐步掌握 Ubuntu 的日常使用、命令操作、软件安装、系统配置、开发环境搭建与服务器部署能力。

**My Coding Family** 1250

21、企业级PDF内容提取微服务实战:Docker+Tika+Tesseract+PaddleOCR高可用架构

摘要:本文探讨如何实现每秒100页PDF的OCR性能优化,针对企业级海量扫描文件处理需求。核心方案采用PaddleOCR+GPU加速,结合多进程并行和Celery任务队列,将传统CPU处理速度提升10-50倍。文章首先分析性能瓶颈(70%集中在深度学习推理阶段),随后提供Python多进程代码模板和分布式Celery架构图,并给出T4/V100 GPU的TensorRT优化建议。最终方案可在8核CPU+T4 GPU环境下达到100页/秒处理速度,同时附10万页任务的资源规划模板,涵盖服务器配置与成本估算。

2025博客之星Top81。专注AI工程化与架构实战。从分布式思维到模型部署,用工程化视角为你厘清AI落地的真实路径。 431

HTML粉色爱心(完整代码)

HTML语言实现粉色爱心的完整代码。

AIGC 1119

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

JP4-1-1-MyLesson项目简介

MyLesson项目简介,包括项目介绍,权限介绍,环境介绍,技术栈介绍,环境初始化操作,数据库表的创建等。

周航宇的博客 2977

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/

SpringBoot+Vue旅游网站全栈开发实战

现代Web开发中,前后端分离架构已成为主流技术方案。SpringBoot作为Java生态的轻量级框架,通过自动配置和starter依赖简化了后端开发;Vue.js则以其响应式特性和组件化优势,成为前端开发的热门选择。这种技术组合特别适合开发数据交互频繁的企业级应用,如电商平台、内容管理系统和旅游网站。在旅游行业应用中,需要处理地理位置数据可视化、高并发订单管理、用户评价系统等典型场景。通过整合Redis缓存优化查询性能、采用RESTful API规范接口设计、使用Swagger生成接口文档,可以构建出高性能

weixin_30345577的博客 385

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")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Gateway网关层灰度方案—xx互联网医院系统灰度发布设计与思路详解

本文介绍了一种基于Spring Cloud微服务架构的灰度发布方案,该方案已在某地区互联网医院系统中成功应用。系统采用网关层+负载均衡器的设计思路,通过请求头驱动流量路由,实现灵活可控的灰度发布。核心架构包含配置管理层、网关层、负载均衡层和业务服务层,支持多维度灰度判断、上下文透传和安全降级机制。该方案具有轻量级集成、无侵入式设计等特点,有效满足了医疗行业对系统稳定性的严格要求。

Good good study,day day up 1337

SpringBoot+Vue全栈开发租房招聘平台实战

全栈开发是当前企业级应用开发的主流模式,通过前后端分离架构实现高效协作。SpringBoot作为Java领域最流行的微服务框架,其自动配置机制和Starter依赖体系极大提升了开发效率。Vue.js凭借响应式数据绑定和组件化特性,成为构建动态界面的首选方案。本文以租房招聘平台为例,详细解析如何整合SpringBoot与Vue技术栈,涵盖MyBatis-Plus高效数据操作、ElementUI组件化开发、RBAC权限控制等核心技术点。项目采用MySQL进行数据存储,通过阿里云OSS实现文件存储,展示了分布式I

weixin_30568591的博客 317

Go语言构建企业级AI服务网关:统一管理英伟达等AI接口调用

在微服务与云原生架构中,API网关作为核心的流量入口与统一管控层,其核心价值在于对后端服务的路由、认证、限流、熔断与监控进行集中治理。通过引入服务治理模式,网关能够有效提升分布式系统的韧性,防止因下游服务不稳定导致的级联故障,保障业务高可用。在AI应用规模化落地的场景下,企业往往需要集成多个供应商(如英伟达NIM、NGC)的模型服务,此时一个统一的AI服务网关显得尤为重要。它能将分散的API调用、密钥管理与成本核算进行整合,通过定义统一的请求响应模型、集成熔断重试机制,并利用Prometheus实现可观测性

weixin_34268843的博客 468
上一篇: IDEA -Translation翻译插件 提示 更新 TKK 失败,请检查网络连接
下一篇: SpringBoot使用MongoDB出现错误,MongoTemplate Map key java.lang.String contains dots but no replacement was
CodeWYX
博客等级 码龄5年 350粉丝 14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

打赏作者

CodeWYX

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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