vue生命周期、钩子理解

Vue生命周期钩子的理解 组件从创建到销毁的一系列过程叫做组件的声明周期。 vue在整个生命周期里面提供了一些函数,可以在内部实现一些业务逻辑,并且这些函数会在一些特定的场合下去执行。(在生命周期的某一个时刻进行触发)。 组件的生命周期钩子函数大致可以分为三个阶段: 1、初始化:beforecreate – create – beforeMount - mounted 2、进行中:beforeUpdate - update... 阅读详情

在vue文档中,对生命周期部分有如下视图:



看起来有些复杂,对于一些名词甚至还不是很熟悉,所以在查找后,我整理如下:

new vue 创建vue实例
init events & lifecycle 开始初始化
beforeCreate 组件刚被创建,组建属性计算之前,如data属性等
init injections & reactivity 通过依赖注入导入依赖项
created 组件实例创建完成,属性已绑定,此时DOM还未生成
el属性 检查vue配置,即new Vue{}里面的el项是否存在,有就继续检查template项。没有则等到手动绑定调用vm.$mount()
template 检查配置中的template项,如果没有template进行填充被绑定区域,则被绑定区域的el对象的outerHTML(即整个#app DOM对象,包括<div id=”app” >和</div>标签)都作为被填充对象替换掉填充区域
beforeMount 模板编译、挂载之前
create vm.$el and replace “el” with it 编译,并替换了被绑定元素
mounted 编译、挂载
Before update 组件更新之前
updated 组件更新之后
destroy 当vm.$destroy()被调用,开始拆卸组件和监听器,生命周期终结


智能优化电池:基于单片机的电池管理系统 设计简介: 本设计是基于单片机的电池管理系统,主要实现以下功能: 可通过LCD1602显示温度、电压电流值; 可通过按键调整温度、电压和电流的阈值; 用ADC0832将模拟量转换为数字量。 标签:51单片机、LCD1602、ADC0832 效果图: 总体资料: 原理图: 软件设计流程: 系统框图: 本设计以STC89C52单片机为核心控制器,加上其他的模块一起组成电动汽车的电池管理的整个系统,... 阅读详情

相关推荐

CH592F RISC-V蓝牙LED灯设计:WS2812B驱动与微信小程序控制

蓝牙低功耗(BLE)是嵌入式物联网设备主流无线通信技术,其核心在于协议栈轻量化、射频稳定性与外设协同调度。基于RISC-V内核的蓝牙SoC(如CH592F)凭借高集成度、低待机电流和免外部巴伦的射频设计,显著降低硬件复杂度与BOM成本;而WS2812B作为单线级联RGB LED,依赖微秒级精准时序,需借助定时器+DMA机制规避CPU干预,保障动态效果流畅性。该方案融合电容触摸交互、GATT服务自定义与微信小程序标准Bluetooth API对接,适用于智能照明、DIY彩灯及教学实践等场景,是BLE+LED实

weixin_31163455的博客 436

Vue生命周期钩子剖析(共12个钩子)

Vue生命周期钩子剖析,告别一知半解

热爱前端的大三在校生 1万+

Linux显卡管理避坑指南:为什么Xorg总是占用你的NVIDIA GPU?

本文深入解析了在Linux系统上,尤其是双显卡笔记本中,Xorg显示服务器进程占用NVIDIA GPU的根本原因。文章从Xorg的驱动加载机制和NVIDIA驱动的独占性入手,详细对比了禁用配置文件、手动配置xorg.conf、使用官方PRIME方案以及切换到Wayland等主流解决方案的优缺点与适用场景,旨在帮助用户有效释放GPU资源,确保深度学习、游戏等计算任务能独占显卡性能。

xgboost6farmer的博客 271

Vue生命周期详解(八个钩子)

一个Vue实例从开始创建一直到销毁的整个过程,称之为生命周期

m0_74995879的博客 5926

OpenCV透视变换实战:5分钟搞定歪斜证件照矫正(附完整代码)

本文详细介绍了如何使用OpenCV的透视变换技术快速矫正歪斜证件照,包含完整的Python代码实现。通过特征检测、坐标计算和矩阵变换三个核心步骤,5分钟内即可将手机拍摄的歪斜图像自动矫正为专业级证件照,大幅提升图像处理效率。

weixin_29094979的博客 483

CDD数据库文件制作(二)——DTC配置

1.DTC库 2.新建DTC DTC相关介绍:https://blog.youkuaiyun.com/LOVE135149/article/details/122565443 ① 选择DTC数据库 ② 点击新建DTC ③ DTC参数编辑 3.将DTC库中的DTC加载到Variant中 找到Fault Memory的DTC Table,鼠标放在DTC Table区域,右键点击选择Copy … Reference from Available DTCs…,即可将DTC库中的故障码加载至Variant中。 虽然选择Co

LOVE135149的博客 1万+

Vue学习之Vue的生命周期详细解释

mounted(挂载后) 在组件被挂载到页面之后调用,此时程序员可以访问到组件的数据和方法,也可以访问到 DOM 元素。beforeMount(挂载前) 在组件被挂载到页面之前调用,此时程序员可以访问到组件的数据和方法,也可以访问到 DOM 元素。beforeUpdate(更新前) 在组件更新之前调用,此时程序员可以访问到组件的数据和方法,也可以访问到 DOM 元素。updated(更新后) 在组件更新之后调用,此时程序员可以访问到组件的数据和方法,也可以访问到 DOM 元素。

five-five 2185

【Apache Paimon】-- 13 -- 利用 paimon-flink-action 同步 mysql 表数据

在Paimon 诞生以前,若 mysql/pg 等数据源的表结构发生变化时,我们有几种处理方式(1)人工通知(比如常规的使用邮件),然后运维人员手动同步到数据仓库中(2)使用 flink 消费 DDL binlog ,然后自动更新 Hive 的外部表和内部表 schema那么现在,有了 Paimon ,我们可以利用其特性,自动识别并同步 DDL 这些变化,并同步至 hive 的 paimon 格式表中。

欢迎来到我的博客,一起探索代码里的世界! 1253

第一天:关于vue的基础(1)

1.$vm.$destroy()的作用是解除dom和挂载元素数据之间的关系,当使用了vm.$destory() 的时候,如果这个时候改变数据元素,dom元素之间的渲染并不会发生变化,比如这个时候写,vm.name ='hahha'这个时候dom元素就不会发生变化 2.vue的生命周期 总共有八个钩子函数,构造出一个vue实例之后,第一步先beforeCreate,然后created的,这哥...

cantianli1429的博客 836

Bash Shell 系统巡检脚本

部分安全相关检查需要root权限,建议通过sudo运行完整检查。

老韩的Linux云计算架构师进阶之路 96

计算机专业保研攻略(一):个人定位与院校推荐(必看干货)

写在最前 又是一年保研季,作为过来人,我深知保研就是一场信息战。在保研过程中,需要注意的信息太多了,最初我也因为经验不足,走了不少弯路。我写下这篇博客,希望能帮助更多有需要的同学。 怎样做好保研信息分析 我想举几个发生在我身边真实的例子: A同学推免排名不如B同学,但A保研去向比B同学好很多; C同学在年级里成绩并不算突出,但他拿到了最好的offer; D、E同学纷纷圆梦北大、浙大等名校,但是他们的成绩似乎并不突出; F同学取得了目标院校夏令营offer,但没有拿到本校推免资格; G同学认为自己拿不到推免

乔卿的博客 8394

Vue【六】vue生命周期(钩子函数)

Vue【六】vue生命周期(钩子函数),生命周期函数:是由vue框架提供的内置函数,会伴随着组件的生命周期,自动按次序执行,不需要手动调用。生命周期 => 一个事物从出生 到 消亡的全部过程本文主要讲了vue基础语法中的生命周期(钩子函数)。

小祥编程擅长前端 1883

通过Power Platform自定义D365 CE 业务需求 - 4. 使用Power Automate

Power Automate构建块Power Automate中的连接器流的类型和用途流中的动态值和表达式使用变量、循环和条件在Power Automate中处理审批业务场景、用例和实现Power Virtual Agent的概念Power Virtual Agent的构建块配置Power Virtual Agent示例在公共网站/门户中部署Power Virtual Agent业务场景、用例和实现。

Martin-Mei的博客 563

Vue的生命周期钩子函数理解

附图 生命周期其实言外之意呢,就是一个组件从创建开始到结束为止的这个过程,为什么要学习这个生命周期呢?如果只是要单纯的实现这个vue中的简单语法的话,是能够可以实现应用的一个想法,但是不过一旦发生问题的话,我们是有必要需要借助于生命周期去寻找问题,甚至需要利用生命周期的情况来确定我们的业务需求写在哪里? 我目前学习了解生命周期的两个原因呢,就是寻找问题(找错误)和解决需求 接下来谈一下我所理解的...

weixin_42292758的博客 213

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Vue 生命周期和钩子函数的理解

前提声明 此篇文章是看视频自己总结的学习笔记 视频是B站的 vue教程-黑马-205集完整版 大家可自行搜索 概念 生命周期: Vue的生命周期(个人理解):从vue的创建、运行到销毁的过程中,都会有一些相应的事件或者说是函数,而这些函数的总和,就是vue的生命周期 钩子函数: 钩子函数可以理解为一个组件,一个动画,一个路由执行,把它们的执行过程,通过函数分成几个阶段,而这些函数就是所谓的 钩...

一名假人的博客 343

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")

vue生命周期的钩子函数理解

vue总共有8个生命周期3个阶段: 初始化阶段 beforeCreate:组件实例化在创建之前,属性绑定之前,只是一个空壳,无法访问到数据和真实的dom和data。 created:组件实例创建完成,属性绑定完成,但是dom未绑定。可以获取到初始数据,可以使用数据,也可以更改数据,但是不会触发updated函数。 beforeMount:模块编译,事件挂载之前,变异模块将虚拟dom放在rende...

xiaoguaiafei的博客 292

彻底理解vue的钩子函数,vue的生命周期理解,什么是vue的生命周期,钩子函数

官方图(官方的图大家总是理解不了): 使用vue框架,需要在合适的时机做合适的事情,了解了vue对象的生命周期和钩子函数,才能知道,哪些事情应该咋哪个函数里做。 一、vue的生命周期的理解 生命周期 用人举例说明: 生命周期就是一个人的一生,此处我需要说的没有人情一点(哈哈)。 从人的出生,到成长,到工作,到死亡,就是人的一生,也叫一个人的生命周期。 2....

jiang7701037的博客 2万+

Vue生命周期钩子理解

Vue声明周期钩子

weixin_40630195的博客 528

对vue生命周期钩子函数的理解

beforeCreate: 组件实例化之前执行的函数。 created:组件实例化完毕,但页面未显示。 beforeMount:组件挂载前,页面仍未显示,但虚拟Dom已经配置。 mounted:组件挂载后,此方法执行后,页面显示。 beforeUpdate:组件更新前,页面仍未更新,但虚拟Dom已经配置。 updated:组件更新,此方法执行后,页面显示。 beforeDestroy:...

friend_ship的博客 523

AI如何帮你理解Vue生命周期钩子?

对于Vue学习者来说,这种可视化+即时反馈的方式比单纯看文档高效得多。平台还能根据我的修改建议不断优化代码,就像有个随时待命的编程助手。建议大家可以自己动手试试,相信会有更直观的体会。Vue的生命周期钩子是每个开发者必须掌握的核心概念,但初学者往往容易混淆各个阶段的执行顺序和使用场景。在Vue 3中,我们有两种编写组件的方式:选项式API和组合式API。上尝试用AI辅助开发,发现它能极大提升学习效率。下面分享我的实践过程。

BlackStone33的博客 564

理解vue实例的生命周期和钩子函数

先来一张生命周期的官方图: 钩子函数 描述 beforeCreate 组件实例刚被创建,组件属性计算之前,如data属性等 created 组件实例创建完成,属性已绑定,但DOM还未生成,$el属性还不存在 beforeMount 模板编译 / 挂载之前 mounted 模板编译 / 挂载之后 beforeUpdate 组件更新之前 update 组件...

luo1914_的博客 400

个人理解的VueJS生命周期以及其中钩子函数的实际应用

朋友你好!很幸运的,我的文章能够被你看到,那么此时你应该想对vuejs的生命周期有更为通俗的理解,以及想知道其中某些钩子函数在实际开发中的应用场景,下面直接看图吧。 1.vue的生命周期 简单的说生命周期就是事物从产生到消失的一个时间过程。那么vue的生命周期就是从其被创建到销毁的过程,其中包含了开始创建、初始化数据、编译模板、挂载dom(渲染) ,渲染->更新->渲染、销毁(卸载)等

纸上得来终觉浅,绝知此事要躬行 7224

vue.js生命周期钩子函数理解

vue的生命周期钩子函数详细解析 vue生命周期是vue.js项目开发者特别重要的一部分,虽然不需要立马弄懂所有,不过随着你的不断学习和使用,它的参考价值会越来越高。 此文档有实例代码和官方生命周期函数图片标注解析 希望下面的解析能对你有所帮助,如果有错误也可以指出! 想要理解查看图片解析:点击此次跳转图片位置 1.beforeCreate: 表示实例被完全创建出来前,会执行beforeCreat...

jokerLzg5的博客 660

对与Vue生命周期与八大钩子函数的理解与解读

对与Vue生命周期与八大钩子函数的理解与解读 由于学习原因一直没有怎么写文章,最近学习的时候碰到钩子函数,特地花点时间来学习一下,如果有理解不到位之处,请各位大佬在评论区多多指点 ,我将会从官网的生命周期图解来一一解读。从小白的角度来剖析代码。语言多有不严谨之处,请见谅。才学疏浅,仅此而已。 ========== 第一步 我们先来理解一下什么是生命周期 生命周期 : 每个组件都有一个属于它的生命周期,从一个组件创建、数据初始化、挂载、更新、销毁,这就是一个组件所谓的生命周期。(事物都有从无到有,从生到死的一

weixin_48914823的博客 296

理解 Vue 生命周期钩子

理解组件的生命周期,有利于我们了接到 vue 在创建组件的过程。以及使用生命周期钩子赋予我们更多的能力。 创建(初始化阶段) 创建钩子是在您的组件中运行的第一个钩子。 它们允许您在组件甚至在添加到DOM之前执行操作。 与任何其他钩子不同,创建钩子也在服务器端渲染期间运行。 如果您需要在客户端呈现和服务器渲染期间在组件中设置东西,请使用创建挂钩。同样在创建钩子忠...

拆解SEO逻辑,深挖技术架构与流量获取路径。 179

Vue学习系列(四)——理解生命周期和钩子

前言 在上一篇中,我们对平时进行vue开发中遇到的常用指令进行归类说明讲解,大概已经学会了怎么去实现数据绑定,以及实现动态的实现数据展示功能,运用指令,可以更好更快的进行开发。而在这一篇中,我们将通过实例,探究vue的生命周期。 万物皆有灵,世间万物都拥有灵魂,小到山河湖海,花草树木,蚂蚁到人类,以及所有的动植物,大到地球星空和宇宙,都拥有灵魂,可以说他们都是有生命的,只是他...

山有山的高度,海有海的胸怀。 202
上一篇: laravel 使用测试工厂Factory添加测试数据
下一篇: Laravel Eloquent Relationships速记表
Coder_Chang
博客等级 码龄11年 82粉丝 81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