JavaScript Ajax通信 总结

Ajax:JavaScript中的异步通信技术 Ajax(Asynchronous JavaScript and XML)是一种在JavaScript中使用的异步通信技术。它允许网页在不刷新整个页面的情况下,通过与服务器进行数据交换来更新部分页面内容。本文将详细介绍Ajax的原理、使用方法和相应的源代码示例。 阅读详情

Ajax简介

JavaScript是单线程语言,在通信方面就有天生的劣势,例如实现异步通信。而Ajax就提供了标准的API用来实现数据的通信。Ajax的核心是XMLHttpRequest对象。通过该对象可以实现异步通信获取数据。

XHR对象

open方法

它接收三个参数,要发送的请求类型、请求的URL以及表示异步发送请求的布尔值。可以通过xhr对象的readystate属性来获取当前请求的状态:
0: 未初始化
1: 启动
2: 发送
3: 接收
4: 完成

HTTP头部信息

其中存在很多的默认头部信息,也可以进行自定义的请求头部。
但是在默认的情况下,HTTP浏览器都包含如下的头部信息:
Accept: 浏览器能够显示的字符集。
Accept-Charset: 浏览器能够显示的字符集。
Accept-Encoding: 浏览器能够处理的压缩编码。
Accept-Language: 浏览器当前设置的语言。
Connection: 浏览器与服务器之间的连接类型。
Cookie: 当期页面设置的任何Cookie。
Host: 发出请求的页面所在的域。
Referer: 发出请求的页面的URI。
User-Agent: 浏览器的用户代理字符串。
可使用setRequestHeader()方法设置自定义的头部请求
可使用getRequestHeader()方法设置自定义的头部请求

实现GET请求+POST请求

在open方法中可以接收三个参数,在get中接收到请求便可以处理数据,而向外发送数据POST需要先将数据(表单信息)进行序列化,然后打包发给目标地址。

function submitData(){
    var xhr = createXHR();        
    xhr.onreadystatechange = function(event){
        if (xhr.readyState == 4){
            if ((xhr.status >= 200 && xhr.status < 300) || xhr.status == 304){
                alert(xhr.responseText);
            } else {
                alert("Request was unsuccessful: " + xhr.status);
            }
        }
    };
    
    xhr.open("post", "postexample.php", true);
    xhr.setRequestHeader("Content-Type", "application/x-www-form-urlencoded");
    var form = document.getElementById("user-info");            
    xhr.send(serialize(form));
}

跨域资源共享方式

IE:XDR 通过创建一种新的对象XDR XDomainRequest的方式实现安全可靠的跨域通信方式。
其它:XHR也可以实现同样的功能,但是对于跨域的对象有很多限制,比如说头部不能够被设置等等。
图像采用img标签的ping的方式
JSONP: JSON with padding, 指对应包含在函数中的JSON
Comet: 服务器向页面推送的一种技术,包括轮询和HTTP流,也包含一些其他的技术,解决了一些服务器向浏览器进行稳定通信的一些实际的网络需求,比如说美国大选的实时机票数据更新等等。

Ajax小结

对于HTTP通信或者资源共享来说,使用者没必要知道其中的原理(JavaScript),只要服务器和浏览器之间达到通信的目的便可。但是理解原理,可以在通信安全上有更多的考量,很多的API可以选择,ajax也因为他解决了异步通信的问题而非常实用。但是无论是在Jquery还是Vue.js框架内部,都已经集成了这些技术。在Web开发方面,我的理解便是,实用高效的框架,站在巨人的肩膀上,避免重复工作,创造更多的价值才是最重要的。

h5支付不能打开支付宝 ios_iOS支付宝H5支付无法返回APP解决方案 本文前大段在讲楼主是如何解决这个问题的,以及中间遇到的麻烦。赶时间的同学可以直接看最后的 最终解决方案。在讨论之前,我们先看看官方文档上的一句话:注意:在iOS系统中,唤起支付宝App支付完成后,不会自动回到浏览器或商户APP。用户可手工切回到浏览器或商户APP;支付宝H5收银台会自动跳转回商户return_url指定的页面。what? 官方直接跟我们说GG了?楼主不甘心,还是想尝试一下。借鉴之前... 阅读详情

相关推荐

使用IntelliJ IDEA配置版本管理(SVN和Git)

在开发过程中,版本管理是必不可少的一部分,它可以帮助团队协作、管理代码历史记录,并且提供了代码回滚和分支管理等功能。本文将介绍如何使用IntelliJ IDEA配置版本管理,包括SVN和Git两种方式,另外列举了常见的问题并指导修复,以帮助开发者更高效地进行代码管理和协作。

2871

js 访问asmx接口

用C#写了一个接口,js需要用ajax访问 var jsonObj = new Object(); jsonObj['cid'] = cid; $.ajax({ type: "POST", url: "/tv/hub.asmx/getDeviceLogs", data: JSON.string...

ulvge0的博客 1161

避开这5个坑!ADNI数据库下载实操经验分享(含断点续传方案)

本文分享了ADNI数据库下载的5个常见陷阱及解决方案,包括高级搜索策略优化、断点续传技巧和数据完整性验证。特别针对大文件下载中断问题,提供了wget断点续传和分卷下载的实操方法,帮助研究者高效获取神经影像数据,避免重复下载和时间浪费。

git9versioner的博客 374

原生JS中的Ajax通信及用法

原生JS中的Ajax通信及用法 1、Ajax介绍 ajax最早产生于2005年,Ajax表示Asynchronous JavaScript and XML的简写,这种技术能够向服务器请求额外的数据而无需卸载 (即刷新),会带来更好的用户体验。 Ajax技术核心是XMLHttpRequest对象(简称XHR),这是由微软首先引入的一个特性,其他浏览器提供商后来都提供了相同的实现。XHR的出现,提供了向服务器发送请求和解析服务器响应提供了流畅的接口。虽然Ajax中的x代表的是XML,但Ajax通信和数据格式无关

超cccccccc的博客 446

VHDL按键消抖(状态机版本)

检测下降沿:设置一个和,分别代表之前的之前和之前的信号状态,若两个信号key_in_d2=1,key_in_d1=0,他俩的not key_in_d2 and key_in_d1为1,则说明下降沿产生,把它设置为标志位key_flag。延时计数:50MHz的板子每次计数需要20ns,而抖动时间大约为5-10ms。所以取7ms,作为延时时间。可以看见当检测到下降沿时,开始计数计数计满再次检测,若为低电平则为按下按键,否则为抖动。通过检测下降沿来临,延时计数再次检测,如果为低电平则为按键按下。

qq_69639216的博客 1085

使用PackStack工具自动化部署OpenStack

搭建 OpenStack 环境,每个组件的安装和配置都需要熟悉其特定的依赖关系、参数设置等,对于初学者来说容易出错。PackStack 工具通过集成一系列脚本和配置文件,便于快速搭建OpenStack练习环境。CPU:支持 Intel VT - x 或 AMD - V 硬件虚拟化技术,并且要在 BIOS 里开启此功能。内存:16GB以上存储:200GB以上可用空间(2)VMware WorkStation16.0以上版本(3)远程连接工具(如Xshell、MobaXterm)

2301_80440447的博客 4095

几行代码实现AJAX延迟请求

使用Input做关键词实时搜索功能是许多开发都会遇到的,然后实际很多情况下需要做延迟AJAX请求功能,网上也有很多可以使用延迟请求函数的插件如Underscore.js,但如果只为了这一个功能需求就引入一个插件未免太小题大作了,所以我们可以自食其力,自己动手写延迟函数。正常代码:<input type="search" class="keyword" placeholder="请输入关键词" />$

飞翔的鱼 9802

英飞凌TC3xx之一起认识GTM系列(四)如何实现GTM与GPIO关联的配置(ATOM/TIM实例)

本文详细描述了针对英飞凌TC3xx芯片,如何运用GTM与GPIO之间的连接性,根据实际应用的需要对TOM和TIM相关寄存器进行配置。

无所适从的我的博客 3497

js 通信知识点总结

1 同源策略 浏览器限制不同源不能通信,源包括(协议:域名:端口)。非同源时 Cookie LocalStorage和IndexDB不能读取 DOM无法获取 AJAX不能请求 2前后端怎么通信 AJAX (同源) WebSocket(不限制同源非同源) CORS(支持同源和非同源) 3 创建ajax XMLHttpRequest对象的工作流程 兼容性处理 事件的触发条件 事件的触发顺序 function ajax1(url, type) { const p = new Pro

xinxin_zhu的博客 405

全功能爬虫框架:Botasaurus 的详细使用(现代化、反检测、高并发的智能爬虫框架)

Botasaurus是一个基于 Python 的全栈式智能数据采集框架。它深度融合了以下关键技术: 无头浏览器自动化(Headless Browser Automation):基于 Playwright 或 Puppeteer,支持 Chromium、Firefox、WebKit; 高级反检测引擎(Anti-Detection Engine):自动绕过 WebDriver、Canvas、AudioContext 等 50+ 种指纹检测; 声明式任务模型(Declarative Task Model):用装

数据知道的博客 4375

安装WSL过程中出现注册表编辑器无法重命名WSL。重命名项时出现错误的解决方案

本文主要介绍了安装WSL过程中出现注册表编辑器无法重命名WSL。重命名项时出现错误的解决方案,希望能对使用Windows WSL的同学们有所帮助。 文章目录 1. 问题描述 2. 解决方案

weixin_43178406的博客 9万+

JavaScript Ajax实现异步通信

JavaScript Ajax实现异步通信笔记

Acmera-播客分享 2105

番外篇 | 复现HIC-YOLOv5,助力小目标物体的检测

在本文中提出了一种改进的YOLOv5算法:HIC-YOLOv5,用于小目标检测,具有更好的性能和较低的计算成本。🌈

小哥谈 1132

js和php通信,javascript和php使用ajax通信传递JSON的实例

JS和PHP直接通信常用ajax完成,以实现js上UI的动态变化。通信使用JSON或者XML传递数据。下面详细描述两者直接JSON字符串的传递。下面案例是要传递这样的json数据:{"bookid": "558a6be36c72a" ,"resitems": [{"res_id": "558a6bff6bd55","res_name": "IMG_8421.jpg","src_origin": "...

weixin_31832223的博客 367

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

JS//通信、AJAX

JS//(先占坑)3

weixin_37877794的博客 188

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

原生JavaScript实现AJAX通信实例

我会使用Node.js模拟服务器, 所以请先到官网下载Node.js 这个实例的完整代码及使用请到我的库中获取: AJAX-demo. 本文为了叙述方便利索只介绍核心代码 创建index.html 首先创建一个index.html文件, 在文件中写入如下代码: &amp;amp;lt;!DOCTYPE html&amp;amp;gt; &amp;amp;lt;html lang=&amp;quot;en&amp;quot;&amp;amp;gt; &a

让世界更美好! 838

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

原生javascript中的ajax通信技术

原生javascript中的ajax网络通讯技术,对ajax的每个步骤的讲解以及,用代码演示,简单易上手

x15514104477的博客 381

前端基础技术全解析:从HTML前端基础标签语言开始,逐步深入CSS样式修饰、JavaScript脚本控制、Ajax异步通信以及WebSocket持久通信

本文主要讲解了关于一些前端的基础知识,用来前端的扫盲,能够对于前端有一个大致的认识,不至于对前端如何运行,代码都一窍不通

可涵的博客 5696

Ajax:现代JS发起http通信的代名词

Ajax,全称Asynchronous JavaScript and XML(extensive Markup Language,XML)。浏览器与服务器之间,采用 HTTP 协议通信。用户在浏览器地址栏键入一个网址,或者通过网页表单向服务器提交内容,这时浏览器就会向服务器发出 HTTP 请求。1999年,微软公司发布 IE 浏览器5.0版,第一次引入新功能:允许 JavaScript 脚本向服务器发起 HTTP 请求。

gzzeason的博客 370

JavaScript通信之Ajax

表单提交 在HTML中提供了表单提交的功能,我们可以通过表单把数据从前台提交到后台,通过设置submit事件,可以为按钮或其它元素同样可以触发表单提交的事件 &lt;body&gt; &lt;form id="user" action="02.php" method="post"&gt; 账号:&lt;input type="...

weixin_34186950的博客 188

JavaScript:Ajax(异步通信技术)

Ajax(Asynchronous JavaScript and XML)是一种实现异步通信的技术,其核心特点是无需刷新页面即可更新数据。本文通过示例代码演示了XMLHttpRequest的基本工作流程:创建对象、配置请求、发送请求、监听响应并处理数据。关键点包括readyState状态码(0-4)和HTTP状态码处理(如200成功、404资源不存在等)。常见问题涉及跨域错误、网络中断和JSON解析错误。示例展示了如何高效获取JSON数据并动态更新DOM,同时强调了错误处理的重要性。

2401_87008233的博客 405

NodeJs - 原生 JavaScript 实现 Ajax 异步通信

本篇文章通过原生 js 实现 Ajax 进行与后端通讯, 后端使用的是通过express 模板搭建的一个简易的平台……

一只小网虫的博客 1647

原生javaScript中使用Ajax实现异步通信

AJAX本质就是在HTTP协议的基础上以异步的方式与服务器进行通信,所谓异步,就是指某段程序执行时不会阻塞其它程序执行,其表现形式为程序的执行顺序不依赖程序本身的书写顺序,相反则为同步. 以下开始简单介绍一下使用原生JS来如何实现AJAX异步通信 第一步:创建一个能够实现异步请求的对象 new XMLHttpRequest var xhr=new XMLHttpRequest(); ...

weixin_34238633的博客 198

JavaScript使用Ajax实现异步通信

JavaScript使用Ajax实现异步通信 一、浏览器与服务器的同步和异步通信 1.同步:是阻塞的,浏览器在向服务器发送请求之后一直等待服务器的响应,而没有做其他事情。 2.异步:非阻塞的,浏览器向服务器发送请求之后,继续执行其他代码,得到服务器响应后,浏览器中断当前的任务,处理服务器响应。 二、没有Ajax之前浏览器是通过iframe来实现异步刷新 1.ifram...

deyu2659的博客 450

javascript和php使用ajax通信传递JSON

JS和PHP直接通信常用ajax完成,以实现js上UI的动态变化。通信使用JSON或者XML传递数据。下面详细描述两者直接JSON字符串的传递。 下面案例是要传递这样的json数据: { "bookid": "558a6be36c72a" , "resitems": [ { "res_id": "558a6bff6bd55"...

weixin_34217711的博客 94
上一篇: JavaScript JSON 相关总结
下一篇: JavaScript 高级技巧 以及拖放元素的实现
Volavion
博客等级 码龄9年 3788粉丝 36原创
评论 1
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

Volavion

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