在 BI 工具 Tableau 中使用 databend

【AUTOSAR】MCU Port的配置(MCAL)【EB】 熟悉Classic AUTOSAR架构的朋友应该知道,经常需要用到MCU中的Port这个模块。那么如何通过工具快速配置一个Port呢? 阅读详情

Tableau是一款流行的数据可视化和业务智能工具。它提供了直观、交互式的方式来探索、分析和呈现数据,帮助用户更好地理解数据的意义和洞察。

本教程帮助用户在 Tableau 中连接 databend 进行 BI 数据分析。

Databend jdbc

Tableau 支持所有实现了 JDBC 协议的数据源,所以需要先准备好 databend jdbc 的 jar 文件。

git clone https://github.com/databendcloud/databend-jdbc
cd databend-jdbc
mvn clean install -DskipTest

然后将编译好的 databend-jdbc.jar 拷贝到 Tableau 的 Driver 目录:

  • Windows: C:\Program Files\Tableau\Drivers
  • Mac: ~/Library/Tableau/Drivers
  • Linux: /opt/tableau/tableau_driver/jdbc

这里我们以 Mac OS 为例:

cp databend-jdbc/target/databend-jdbc-0.0.7.jar ~/Library/Tableau/Drivers/

Connection

Tableau 主页点击 其他数据库(JDBC)

JDBC URL : jdbc:databend://{user}:{password}@{host}:{port}/database?ssl=false

方言选择 MySQL。

数据分析

选择需要操作的数据库和表,将表拖到区域。

这样就可以对 databend 中的数据进行分析、绘制图表啦。

请使用 Tableau 2022.3.0 以及以上的版本,其他版本可能会有兼容性问题

Databend Tableau connector

此外我们还提供了 Tableau Desktop / Tableau Server 的扩展程序,它简化了将 Tableau 连接到 DataBend 的过程,并在使用 DataBend 时扩展了对标准 Tableau 功能的支持(与上述通用ODBC / JDBC相比)。如果对 Tableau 有更高阶的需求可以参考 databend-tableau-connector。

结论

以上就是使用 Tableau 分析 Databend 数据的基本流程,想要了解更多 Table JDBC 连接的信息可以参考 Other Databases (JDBC)。

LLC设计指南(一)第一章:别一上来就背公式,先把 LLC 的“脾气”摸清楚 很多工程师第一次学 LLC,都会有一种感觉:这个电源拓扑,好像不是在工作,而是在“跳舞”。Buck 很直观,开关一开,电感充电;开关一关,电感放电。Flyback 也好理解,先存能量,再把能量丢给副边。但 LLC 不一样。它不是硬邦邦地把能量“推过去”,而是让电感、电容、变压器一起形成一个谐振网络,让能量在里面来回摆动。控制器再通过调节开关频率,把这个摆动过程“驯服”成稳定输出。这也是 LLC 最迷人的地方:🎯。 阅读详情

相关推荐

Android 开发实战:从零到一集成 espeak-ng 实现中文离线 TTS(无需账号开箱即用)

本文详细介绍了如何在 Android 项目中集成 espeak-ng,实现中文离线语音播报。通过下载 so 库、编写 Java 接口、封装管理类,开发者可快速构建无需账号的 TTS 功能。文章覆盖从零到一的开发步骤、调试技巧及性能优化,适合中高级 Android 开发者参考。

全栈 3322

Tableau JDBC连接GraphDB

1、下载JDBC驱动2、把JDBCjar包放在合适的位置WindowsMacOS3、打开Tableau,打开。,也可以是远程的repository地址。5、然后就可以打开数据库界面了。

小龙在线 607

大众奥迪诊断不求人:手把手解析SAE J2819(CAN TP2.0)协议报文与连接流程

本文深入解析大众奥迪车型诊断核心标准SAE J2819(CAN TP2.0)协议,详细拆解连接建立流程与报文控制字段。通过实战案例展示通道设置、参数协商等关键步骤,提供诊断设备配置建议和常见故障排查技巧,帮助工程师掌握汽车诊断通信协议的精髓。

weixin_30421809的博客 398

【数据可视化工具】使用 Tableau、Power BI 等工具进行数据可视化

数据可视化是将数据转换为图表、图形或其他视觉元素,以便更容易理解和分析数据的过程。通过数据可视化,可以更直观地展示数据的趋势、模式和异常。

weixin_39372311的博客 1632

嵌入式C开发必备:用Cursor规则搞定代码风格检查(附Pikachu项目实战)

本文以Pikachu开源项目为例,详细介绍了如何利用Cursor的AI代理规则系统,为嵌入式C开发项目配置一套完整的代码风格检查与规范执行方案。通过实战演示,指导开发者创建项目级规则,实现命名、格式、硬件抽象层及驱动开发的自动化规范,从而提升代码一致性、可维护性和团队协作效率。

weixin_29181861的博客 604

国内外主流嵌入式GUI汇总

随着MCU资源增多,处理能力也强了,同时市场需求也增多了GUI功能也越来越丰富了,很多的嵌入式图形库都可以做出绚丽的界面。

m0_69914734的博客 3292

Databend使用入门

云数仓Databend使用的一些重要的笔记

hys__handsome的博客 1085

用AI免费制作30分钟电影:完整工作流与实操解析

AI视频生成技术正大幅降低影视创作门槛,但真正制作一部完整电影并非一键生成,而是涉及剧本、分镜、画面、配音、剪辑的复杂流水线。理解其基本原理,是将文本转化为连续视觉叙事的关键。对于创作者而言,掌握角色一致性控制、素材批量管理、免费额度合理分配等技术价值,能有效避免生成结果崩坏与资源浪费。该能力可广泛应用于短视频创作、独立电影预演、教学演示等场景。本文以30分钟AI电影制作为例,拆解从工具选择到成片输出的全流程,重点分析免费方案下的时间与积分成本,以及最容易翻车的环节,并给出基于实践验证的排查与优化策略。

weixin_29056865的博客 334

最新大数据毕业设计选题推荐-基于大数据的厄瓜多尔沿海气象数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的厄瓜多尔沿海气象数据可视化分析系统》,采用Hadoop+Spark实现数据存储与计算,结合Django/Spring Boot后端与Vue+ECharts前端,完成风场、气压等要素的多维度可视化。系统支持数据查询、统计分析与交互展示,适用于气象科研与教学实践,提供双语言版本及完整源码,助力大数据技术在区域气象分析中的应用探索。

IT研究室的博客 284

ADS交叉耦合振荡器VCO仿真

本文主要参考视频中如何使用进行ADS交叉耦合振荡器仿真和分析,由于视频中有诸多错误和视频清晰度较低,虽然视频博主及时改正,为了节省学习时间,可以直接参考本文。

qq_32589131的博客 5434

别再只怪贴片厂了!从MLCC内部裂纹,看懂物料质量与工艺应力的博弈

本文深入分析了MLCC内部裂纹的失效原因,提供了从裂纹形态学到生产全流程的失效风险地图的完整分析框架。通过实战案例和检测技术组合,帮助工程师精准锁定MLCC失效背后的真凶,优化物料质量和工艺应力管理。

weixin_33122947的博客 295

最新大数据毕业设计选题推荐-基于大数据的歌曲流媒体寿命与分发数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的歌曲流媒体寿命与分发数据可视化分析》系统,采用Hadoop+Spark进行数据存储与处理,结合Django/Spring Boot后端与Vue+Echarts前端,实现音频特征、歌曲寿命、分发渠道等多维度数据分析与可视化。系统涵盖数据清洗、聚合统计、大屏展示等功能,完整呈现歌曲生命周期与渠道影响,为毕业设计提供可落地的大数据实战案例。

IT研究室的博客 300

【Python】解决 ERROR: Exception:Traceback (most recent call last):(亲测有效)

1、遇到问题2、问题解决

Fanjufei的博客 1万+

pandas 数据处理常用库技术梳理:从读到出,数据可视化

本文梳理pandas数据处理全流程:从读入(read_csv等)到输出(to_csv),涵盖体检、清洗、派生、聚合、连接与窗口操作。重点强调类型推断、空值处理、索引使用、分组聚合逻辑及SQL对应关系,指出常见陷阱如默认参数偏差、索引错位、分箱闭合方向等,并提供实用技巧,助力高效、准确完成数据分析任务。

春风若有怜花意,可否许我再少年 338

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

第111篇:数据可视化-视频融合(羽化)——把视频边缘抹软,四边宽窄却由画框说了算

本文深入解析Cesium中VideoFeatherMaterial的羽化实现机制,揭示featherWidth在st坐标系下以比例单位作用于四边,导致左右与上下边羽化宽度不一致(如481米 vs 329米),根源在于归一化坐标与画框宽高比的差异。通过数学推导、源码分析与数值验证,明确其本质为比例而非物理米数,提出需将st转换为真实米制才能实现等宽羽化。文章强调羽化适用于无明确边界的视频贴图(如监控、无人机画面),而对需精确对齐或读数的场景应谨慎使用,完整代码已开源,助力开发者精准掌控视觉融合效果。

总得学点什么的博客 318

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Apache Superset 集成实战:Embedded SDK + Guest Token + OAuth2/SSO 完整方案

本文整理自实际项目中的 Superset 集成方案,重点介绍业务系统如何嵌入 Dashboard、如何通过 Guest Token 完成免登录访问,以及管理员如何通过 OAuth2/SSO 进入 Superset 控制台。示例中的域名、账号、UUID 等均为通用示例,实际项目请通过环境变量、配置中心或 Secret 管理。

haohaoxuexiyai的博客 533

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Swift 也能做爬虫:URLSession、HTML 解析与数据可视化全流程解析

在苹果生态中,Swift 不只是用于 iOS、macOS 客户端开发,借助并发能力、HTML 解析库与原生 Swift Charts,我们可以实现一套端到端数据采集、清洗、可视化的完整链路。不同于 Python 爬虫成熟的数据分析栈,Swift 爬虫更适合 macOS 本地工具、iOS 数据采集 App、Vapor 后端数据统计场景;爬取网页公开数据后,直接在 SwiftUI 中渲染折线图、柱状图,免去跨语言数据传递,类型安全、性能可控。

Z_suger7的博客 439

金融资产回报热力图的vue和springboot技术实现与数据可视化实战

在金融分析与财富管理领域,如何快速向用户展示“大类资产在过去十年间的表现”?热力图(Heatmap)无疑是最优解。通过红绿对比与色阶深浅,用户一秒就能看出哪一年是“大牛市”,哪一年是“资产荒”。

lchmyhua88的博客 288

MATLAB 在科学计算可视化中的进阶应用

本文系统阐述了科学计算可视化的基本思路与实现方法,涵盖二维标量场的热力图、等值线图与三维曲面表达,矢量场的箭头图与流线分析,以及三维体数据的切片与等值面重构。通过MATLAB图形对象机制,结合多种可视化技术,有效揭示数值结果的空间结构与动态特征,提升对复杂物理现象的直观理解与分析能力。

weixin_47502228的博客 620

经典机器学习实战10:聚类入门与数据可视化(音乐)

没有标签的数据怎么学?聚类登场。尼日利亚音乐数据 530 行清洗到 312 行,afro dancehall 一家占 69%,散点图与箱线图先行侦察特征在流派间的分离趋势,为下一课 K-Means 铺路。

Blockbuster-drug 469

毫秒级数据可视化:实战揭秘

WebSocket 的onmessage中不直接绘制,只更新缓冲并置脏标记,由 rAF 统一消费。// 只标记,不渲染draw(buf);这样即使一秒收到 200 条消息,绘制次数也恒等于屏幕帧率,且永远画最新状态。

m0_55877125的博客 125

最新大数据毕业设计选题推荐-基于大数据的交通流量数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的交通流量数据可视化分析系统》,采用Hadoop与Spark构建大数据处理链路,结合HDFS存储原始数据,通过Spark SQL实现数据清洗、聚合与统计分析,并利用Python+Django与Java+Spring Boot双后端架构,前端基于Vue与Echarts实现多维度可视化展示。系统涵盖道路、拥堵、地铁运营等模块,形成从数据接入到可视化呈现的完整闭环,适用于毕业设计演示与大数据技术实践,提供可运行源码及详细文档支持。

IT研究室的博客 533

数据看板的设计与实验|Streamlit交互式成绩可视化

折线图可以看出,随着考试推进,数学平均分呈上升趋势;后续可以继续扩展,比如增加成绩预警、导出报表功能,进一步完善这个成绩分析系统,让看板不只是数据展示工具,还能为老师学情分析、学生自我复盘提供参考,真正发挥数据辅助教学的价值。交互筛选是本次实验的重点,一开始遇到筛选后图表数据不同步的问题,后面理清逻辑:所有图表、指标都必须使用经过筛选过滤后的同一份数据集,保证联动一致。测试筛选功能:切换班级、修改时间范围、拖动分数滑块,所有图表和指标同步更新,图表绘制正常,数据和原始表格计算结果一致,没有数据冲突。

yiangL_的博客 195

AI全栈实战 | 3.8-02 数据可视化:同一份数据,折线图能撒谎、柱状图会误导、散点图反而最诚实

本文深入解析可视化的核心——“叙事权力”,强调图表不仅是数据呈现,更是引导读者得出结论的工具。通过对比Matplotlib(静态出版)与pyecharts(交互展示),掌握双轴、子图、数据标签等进阶技巧,并基于四大叙事目标(比较、趋势、构成、分布)精准选择图表类型。重点揭示“诚实可视化”的边界:避免截断坐标轴、确保单位清晰、杜绝误导性呈现。最终以电商数据全流程案例,展现从数据到可信洞察的完整路径,凸显数据人对真相的敬畏。

源码获取 | 运行部署 | 定制二开修改,如果回复不及时请耐心等待,请见谅。 550

数据可视化的未来:从图表展示到实时数据智能决策

数据可视化的核心使命并非“画图”,而是推动决策。传统可视化受限于滞后性、数据孤岛与缺乏分析能力,难以支撑实时决策。未来方向应是“实时数据智能分析展示”:多源数据接入后即可视化,视图自带归因与预测能力,决策自动分解为可执行任务并回调至业务系统,形成闭环。这一“数据→可视化→决策→反馈”的循环,要求统一语义层、实时计算与AI分析支撑,最终实现从“看图”到“决策”的跃迁。

Highcharts可视化图表库中文博客 413

最新大数据毕业设计选题推荐-基于大数据的合成文本分类与模型评估数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的合成文本分类与模型评估数据可视化分析》系统,采用Hadoop+Spark框架实现文本数据的分布式处理,结合Django/Spring Boot后端与Vue+ECharts前端,完成文本分类、模型评估及特征分析的可视化。系统支持多语言开发,功能涵盖数据清洗、分类计算、指标统计与图表展示,为合成文本研究提供可运行、可扩展的实践平台。文末附源码获取链接。

IT研究室的博客 317
上一篇: 基于 Flink CDC 构建 MySQL 到 Databend 的 实时数据同步
下一篇: Databend 开源周报 第 99 期
Databend
博客等级 码龄5年 1458粉丝 363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