Activity 启动过程

Activity启动过程详解 1. 简介 本文源码基于android 27。 startActivity的流程较复杂,我们这里将其过程分成三部分: startActivity–>ActivityManagerService ActivityManagerService–>ApplicationThread ApplicationThread–>Activity 这样看起来稍微简单点。 通 阅读详情

Activity 启动过程

启动

应用进程

启动,调用 ContextImpl 的 startActivity(); 最终调用的 startActivityForResult(); 方法

startActivityForResult 中调用 Instrumentation 的 execStartActivity();

execStartActivity 中调用 ActivityManagerNative.getDefault().startActivity();ActivityManagerNative.getDefault();方法得到的是 IActivityManager ,该类继承了 IInterface 接口,ActivityManagerNative 继承了 Binder 并实现了 IActivityManager 接口,ActivityManagerService 继承了 ActivityManagerNative,也是一个 Binder,是IActivityManager 的具体实现类。ActivityManagerNative.getDefault 方法中通过 Binder 机制得到 ActivityManagerNative 实现类 ActivityManagerService 对象的代理类 ActivityManagerProxy 的对象,在 ActivityManagerNative 中以单例的形式提供,ActivityManagerNative.getDefault() 得到的是 ActivityManagerProxy 对象,通过该对象的 startActivity 方法会远程调用系统进程 ActivityManagerService 对象的 startActivity 方法。Instrumentation 的 execStartActivity 方法中接着调用 checkStartActivityResult() 由 AMS.startActivity 方法的返回值判断 Activity 是否注册,未注册抛出异常。

IActivityManager --> ActivityManagerNative --> ActivityManagerService(实现类) (ActivityManagerProxy 客户端中的代理类)

系统进程

ActivityManagerService 的 startActivity(); 方法中调用 ActivityStackSupervisor.java 和 ActivityStack.java 两个类中的方法,最终在 ActivityStackSupervisor 类的 realStartActivityLocked 方法中调用 app.thread.scheduleLaunchActivity(); 方法。 app.thread 类型为 IApplicationThread,是一个接口,继承了 IInterface 接口,其中定义了大量启动、停止Activity 和 服务接口,即 IApplicationThread 的实现类对象完成了启动及停止 Activity 和 Service 的功能。

IApplicationThreadNative 是抽象类, 继承了Binder 并实现了 IApplicationThread 接口,即为一个 Binder,ApplicationThread 为 其具体实现类,也为一个 Binder, ApplicationThread 是 ActivityThread 中的内部类。在启动 Activity 时从客户端通过进程间通信将 ActivityThread 的代理类 ActivityThreadProxy 对象传递到了系统进程,系统进程中的 app.thread 为 ActivityThreadProxy 类的对象,通过调用 ActivityThreadProxy 对象的方法会经过进程间通信调用 ActivityThreadNative 实现类对象中的方法,也就是调用其实现类 ApplicationThread 对象中的方法,所以系统进程中调用 app.thread 的 startActivity 方法时会在应用进程中调用 ApplicationThread 类对象的 startActivity 方法。

应用进程

通过 ApplicationThead 的 scheduleLaunchActivity(); 该方法中通过ActivityThread 中的 Handler 发送 Message ,将执行线程从 Binder 线程切换到主线程, Handler 中调用 ActivityThread 的 handleLaunchActivity() 方法并从中调用 performLaunchActivity() 完成Activity对象的创建及启动,handleLaunchActivity 中再调用 handleResumeActivity 方法调用被启动Activity 的 onResume() 方法

应用进程中 Activity 的创建与启动

performLaunchActivity() 方法中,
- 第一步,从 ActivityClientRecord 中获取待启动的 Activity 的组件信息 ActivityInfo

  • 第二步,通过 Instrumentation 的 newActivity() 方法使用类加载器创建 Activity 对象
    Classloader.loadClass(String className).newInstance();

  • 第三步,通过 LoadeApk 类的 makeApplication 方法中 通过 Instrumentation 的 newApplication 方法创建 Application 对象,同样使用类加载器创建类对象,在创建 ContextImpl 对象,再将该 ContextImpl 对象与 Application 对象绑定并调用其 onCreate 方法。如果 Application 已经创建过则不会再次创建,一个应用只能有一个 Application 对象。

    • 通过 ContextImpl 的 createAppContext() 方法,创建 Application 的 ContextImpl 对象 appContext
    • ContextImpl创建之后,调用 appContext.setOuterContext(app) 方法将 ContextImpl 与 Application 绑定并完成数据初始化
    • 接着通过 Instrumentation 的 callApplicationOnCreate 方法调用 Application 的 onCreate 方法完成 Application 的启动。
  • 第四步,通过 ContextImpl 的 createActivityContext 创建 Activity 的 ContextImpl 对象,并通过 Activity 的 attach 方法与 ContextImpl 绑定并完成一些重要数据的初始化。attach 对象中,Activity 还会完成 Window 的创建并建立自己和 Window 的关联,这样当 Window 接收到外部输入事件后就可以将事件传递给 Activity。

  • 第五步,通过 Instrumentation 的 callActivityOnCreate 方法调用 Activity 的 onCreate 方法。完成启动。

Activity启动过程中的进程变化

ActivityThread 应用进程,在组件激活的过程中 ActivityThread 中的 ApplicationThread 实例的代理会传递到 AMS 进程,AMS 进程通过 ApplicationThread 的代理的方法将流程转移到应用进程
当前应用进程主线程 –> AMS 系统进程 –> 通过 app.thread 切换到主进程并通过的 Handler 转移到应用进程主线程。

基于Pixhawk与OpenMV的无人机视觉引导精准降落系统设计与实现 本文详细介绍了基于Pixhawk飞控与OpenMV视觉模块的无人机精准降落系统设计与实现。系统通过OpenMV识别Apriltag标签,结合MAVLink通信将视觉数据发送给Pixhawk,实现厘米级精准降落。文章涵盖硬件连接、软件配置、核心代码逻辑解析及实战调试技巧,为无人机自动充电、物流配送等场景提供可靠解决方案。 阅读详情

相关推荐

使用IDF和VSCode构建ESP32的开发环境

本文主要介绍构建使用IDF和VS-CODE 工具构建ESP32的开发环境的详细步骤,还应用IDF和VS CODE创建ESP32的项目文件,并实现编译和下载功能。

mftang的博客 6821

android获取context用于startActivity失败报错

首先startActivity需要context对象才可以调用 在写intext时如果在非activity界面调用这时需要使用context 如果从别的界面有穿context对象就可以直接调用 如ManActivity manActivity = new ManActivity(this);穿this对吗 就可以ManACTIVITY里 重写创建方法 如public ManActivity(Co...

qq_34468274的博客 2526

Kaamel白皮书:IoT设备安全隐私评估实践

明确评估的目的和预期结果。

kaamelai的博客 1319

Android 12系统源码_页面管理(一)ActivityManagerService的启动流程

通过Android12系统源码分析ActivityManagerService的启动流程。

AfinalStone的专栏 1798

AI 自动生成商业计划书:AIGC 如何助力创业者?

在创业的早期阶段,商业计划书(Business Plan)是至关重要的。它不仅用于吸引投资者、明确发展路径,还能帮助团队对业务模式、市场定位和财务预测有清晰认知。然而,撰写一份高质量的商业计划书往往需要投入大量时间和精力。如今,AIGC(AI Generated Content,人工智能生成内容)技术正在改变这一现状。借助 AIGC,创业者可以更快速、高效地创建商业计划书,并通过 AI 进行优化和数据分析。

2401_82808034的博客 3785

图数据挖掘 ECC K-core core number truss number clique

K-core:什么叫k-core,给定一个正整数k(k>=0),k-core是一个G的最大子图(也就是说k-core是一个图的限制),将这个子图定义为Hk,对于Hk中的每个顶点v,他的度数都是大于等于k的。 k-core是内嵌的,如下图所示,集合{ABCD}是H3,也就是3-core的子图。而集合{ABCDE}是H2,也就是2-core的子图,集合{ABCDEGF}是H1,也就是1-core的子图,而从集合的角度来讲H3<H2<H1。 core number:什么叫kcor

weixin_45193103的博客 1687

Activity启动流程(六)再次回到ActivityManagerService

上文插了一段Activity所在进程没有启动的情况 一:postExecute调用远端 下面继续看Activity启动过程,之前第四篇讲到Activity的pause 之前在TransactionExecutor类中讲到 lifecycleItem.execute(mTransactionHandler, token, mPendingActions); ...

perfectnihil的博客 616

手把手教你用Multisim仿真ADC接口电路(附峰值采样与电平抬升实战)

本文通过Multisim软件,手把手教学如何构建高保真ADC前端信号调理电路。核心实战内容包括峰值采样保持电路与电平抬升电路的设计、仿真与调试,旨在解决模拟信号接入ADC时遇到的幅度不匹配、负电压等问题,帮助电子设计者快速掌握关键接口电路的实现技巧。

ooo22的博客 259

binder再探(3)

再来看客户端通过 ActivityManagerNative.getDefault().startActivity启动一个Activity, ActivityManagerNative.getDefault()方法 static public IActivityManager getDefault() { return gDefault.get(); } private

newhope1106的博客 636

DTW Barycenter Averaging(DBA)——平均序列求法

DBA该算法是用来求序列数据集SS的一致序列(平均序列)。由Franc-ois Petitjean提出的。目前,该方法求得的平均序列是最准确的。 假设一元组为S={s1,s2,⋯,sn}S={s1,s2,\cdots,sn},当SS中的元素为实数时,很容易求的SS的平均值: avg=s1+s2+⋯+snn(1) avg = \dfrac{s1 +s2+\cdots+sn}{n} \qquad\q

光怪陆离 1万+

【100%通过率】华为OD机试真题 Python 实现【最多组合直角三角形个数】【2023 Q1 | 100分】

有N条线段,长度分别为a[1]-a[n]。 现要求你计算这N条线段最多可以组合成几个直角三角形。 每条线段只能使用一次,每个三角形包含三条线段。

MISAYAONE的博客 1万+

Activity启动流程调用链总结

act启动流程:第一部分:开始请求执行启动ActivityMyActivity.startActivity() Activity.startActivity() Activity.startActivityForResult()Instrumentation.execStartActivty()ActivityManagerNative.getDefault().startActivity() ...

qq_25564621的博客 525

路径规划 | 图解A*、Dijkstra、GBFS算法的异同(附C++/Python/Matlab仿真)

图解A*、Dijkstra、GBFS算法原理,分析三种算法异同,提供C++/Python/Matlab仿真实现

FRIGIDWINTER的博客 2万+

Activity启动过程

Activity作为Android四大组件中使用最频繁的组件,也是和用户交互最多的组件,可见它在Android技术体系的核心地位,了解Activity的启动过程可以帮助我们更好的了解Android系统和使用Activity。

八归少年 2397

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

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")

Activity的启动过程

Android Activity的启动过程 前言 在了解Activity的启动的过程的时候,我们需要先了解下面几个东西是什么,这将更加有助于你深入了解android 活动的启动机制 老司机绕道 Activity 这个类大家再熟悉不过了,android最重要的组件之一,实际上它就是一个Java对象,它会被创建,同时也会被垃圾回收就只销毁,只不过它受AMS(ActivityManag

王者的心,青铜的手 250

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

图解Activity的启动过程

由于Activity的启动涉及大量IPC和Binder方面的知识,因此了解这方面的知识后再来看Activity启动的相关源码可能不会那么吃力。

TellH的博客 6549

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

Android Activity启动过程分析

当我们在一个Activity中(或通过Context对象),调用startActivity()方法来启动另一个Activity的工程中发发生了什么呢?这就是本文想跟大家分享的内容,我们一起通过源码的方式来看下Activity的启动过程(本文是基于Android Q源码)。  启动Activity的流程大体分为两步:找到要启动的Activity;然后启动它。(虽说有点像如何把大象装进冰箱,但也确实是那么回事,只不过每个步骤有更多细节) 找到Activity  要想启动一个Activity,系统先要找到这个.

sd_zhuzhipeng的专栏 3509

Android源码分析-Activity的启动过程

转载请注明出处:http://blog.youkuaiyun.com/singwhatiwanna/article/details/18154335前言Activity是Android中一个很重要的概念,堪称四大组件之首,关于Activity有很多内容,比如生命周期和启动Flags,这二者想要说清楚,恐怕又要写两篇长文,更何况分析它们的源码呢。不过本文的侧重点不是它们,我要介绍的是一个Activity典型的启

singwhatiwanna 4万+

Activity组件启动过程分析

本文参考     1. Gityuan博文:startActivity启动过程分析     2. 老罗博文:Activity组件的启动过程 整理文档 网盘地址:https://pan.baidu.com/s/1hrEn2O8

wo_sxn的博客 884

解析Activity的启动过程

Activity启动过程 Activity 的启动过程分为两种, 一种是根 Activity 的启动过程,另一种是普通Activity(子Activity)的启动过程。 根Activity:以快捷图标的形式显示在Launcher中,它的启动过程代表了一个Android应用程序的启动过程。 子Activity:由根Activity或其他子Activity启动,他们有可能与启动他们的Activity运行在同一个进程中,也可能运行在不同的进程中。 ...

lixiong0713的博客 2万+

Activity的启动过程详解

文章目录 一、概述 二、流程分析 2.1 Activity启动的发起 2.2 Activity的管理——ATMS 2.3 线程切换及消息处理——mH 2.4 Activity启动核心实现——初始化及生命周期 三、根Activity的启动—应用进程启动 3.1 应用进程的创建 3.2 根Activity的启动 总结 一、概述 话说Android中有四大组件:Activity、Service、BroadcastReceiver、Cont.

Android 1792

安卓进阶八:Activity的启动过程

目录 一、Activity的分类 二、Activity的启动方式 三、根Activity的启动过程 四、子Activity的在根Activity相同进程中的启动过程 五、子Activity在新进程中的启动过程 一、Activity分类 Activity可分为根Activity和子Activity两种 根Activity是以快捷图标显示在Launcher中,它的启动过程就代表了一个应用程序的启动过程 子Activity由根Activity或...

我的安卓之路 438

Activity启动模式,启动过程

面试总结,关于Activity启动模式、启动过程,Intent匹配规则、App启动流程等

Huang兄 362

根Activity的启动过程

《安卓进阶解密》读书笔记 这里分析的源码基于android-8.0.0_r4. 「根Activity的启动过程」和「Activity的启动_5.0」笔记记录的,有大部分过程是一样的. 概述 根Activity启动过程中设计到的进程及其交互 时序图如下 这里将根Activity的启动划分为四部分 Launcher请求AMS过程 AMS判断根Activity所需的应用程序进程是否已经存在并启动,若不存在,则请求Zygote进程创建应用程序进程,详情查看《应用程序进程启动过程》的笔记。应用程序进程启动后.

Giagor的博客 1254
上一篇: Android 的 IPC 机制
下一篇: Service 工作过程
任教主来也
博客等级 码龄11年 12粉丝 28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