Web前台传对象字符串到后台并让后台反序列化对象字符串的方法(ASP.NET) json对象和字符串的转换

Asp .Net Core 集成 Newtonsoft.Json Newtonsoft.Json是一个在.NET环境下开源的JSON格式序列化和反序列化的类库。它可以将.NET对象转换为JSON格式的字符串,也可以将JSON格式的字符串转换为.NET对象。这个类库在.NET开发中被广泛使用,因为它功能强大、易于使用,并且有良好的性能。序列化:将.NET对象转换为JSON字符串。这通常用于将数据发送到Web服务或保存到文件。反序列化:将JSON字符串转换为.NET对象。这通常用于从Web服务接收数据或从文件中读取数据。 阅读详情
从零开始做了两个月多一点的.NET开发,期间经常遇到需要从Web前台传数据给后台处理的情况。比如下面(用了jQuery的Ajax Post),这里为了演示方便没有对参数进行encodeURIComponent操作:
$.post(

        "/Home/Index",

        {

            "name": "feichexia",

            "age": 23,

            "email": "feichexia@yahoo.com.cn"

        }

        function(data) { // TODO }

    }

 然后ASP.NET后台的HomeController.cs中的的Index Action可能这么处理:

    public ActionResult Index(string name, int? age, string email) {

        // TODO

    }

  这样做没什么不好,只不过这里想提供一种新的方式来传递参数:将具有关联性的几个参数放在一起以对象的形式传给后台,这样更加符合OO的封装思想。

   先来看看JS操作JSON的方法:


JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式,采用完全独立于语言的文本格式,是理想的数据交换格式。同时,JSON是 JavaScript 原生格式,这意味着在 JavaScript 中处理 JSON数据不须要任何特殊的 API 或工具包。

    本文主要是对JS操作JSON的要领做下总结。

    在JSON中,有两种结构:对象和数组。

    1. 一个对象以“{”(左括号)开始,“}”(右括号)结束。每个“名称”后跟一个“:”(冒号);“‘名称/值’ 对”之间运用 “,”(逗号)分隔。 名称用引号括起来;值如果是字符串则必须用括号,数值型则不须要。例如:
    var o={"xlid":"cxh","xldigitid":123456,"topscore":2000,"topplaytime":"2009-08-20"};

    2. 数组是值(value)的有序集合。一个数组以“[”(左中括号)开始,“]”(右中括号)结束。值之间运用 “,”(逗号)分隔。
    例如:
    var jsonranklist=[{"xlid":"cxh","xldigitid":123456,"topscore":2000,"topplaytime":"2009-08-20"},{"xlid":"zd","xldigitid":123456,"topscore":1500,"topplaytime":"2009-11-20"}];
    为了方便地处理JSON数据,JSON提供了json.js包,下载地址:http://www.json.org/json.js

    在数据传输流程中,json是以文本,即字符串的形式传递的,而JS操作的是JSON对象,所以,JSON对象和JSON字符串之间的相互转换是关键。例如:
    JSON字符串:
    var str1 = '{ "name": "cxh", "sex": "man" }';

    JSON对象:
    var str2 = { "name": "cxh", "sex": "man" };

    一、JSON字符串转换为JSON对象
    要运用上面的str1,必须运用下面的要领先转化为JSON对象:
    //由JSON字符串转换为JSON对象
    var obj = eval('(' + str + ')');
    或者
    var obj = str.parseJSON(); //由JSON字符串转换为JSON对象
    或者
    var obj = JSON.parse(str); //由JSON字符串转换为JSON对象

    然后,就可以这样读取:

    alert(obj.name);

    alert(obj.sex);

    特别留心:如果obj本来就是一个JSON对象,那么运用 eval()函数转换后(哪怕是多次转换)还是JSON对象,但是运用 parseJSON()函数处理后会有疑问(抛出语法异常)。

    二、可以运用 toJSONString()或者全局的JSON.stringify()函数将JSON对象转化为JSON字符串。

    例如:

    var last=obj.toJSONString(); //将JSON对象转化为JSON字符

    或者

    var last=JSON.stringify(obj); //将JSON对象转化为JSON字符

    alert(last);

    留心:

    上面的多个要领中,除了eval()函数是js自带的之外,其他的多个要领都来自json.js包。新版本的 JSON 修改了 API,将 JSON.stringify() 和 JSON.parse() 两个要领都注入到了 Javascript 的内建对象里面,前者变成了 Object.toJSONString(),而后者变成了 String.parseJSON()。如果提示找不到toJSONString()和parseJSON()要领,则说明您的json包版本太低。

 说了这么多最关键的就两个JSON.stringfy()和JSON.parse(),前者将JSON对象转为JSON字符串(序列化),后者将JSON字符串转为JSON对象(反序列化)。

   这样就简单了,前端:

var person = {
   "name": "feichexia",
   "age": 23,
   "email": "feichexia@yahoo.com.cn"
};

$.post(
    "/Home/Index",
    {
        "person": encodeURIComponent(JSON.stringify(person))
     },
     function(data) {
          // TODO
     }
);

   ASP.NET后台只需要这样:

public ActionResult Index(string person) 
{
   JavaScriptSeriliazer serializer = new JavaScriptSeriliazer();
   Person p = (Person) serializer.Deseriliaze(person);
   // TODO
   return View();
}

如果ASP.NET后台传回给前台的是JSON对象字符串,那么前台只需要调用JSON.parse即可反序列化为JSON对象。
在ASP.NET Core Web API中处理JSON数据:全面指南 虽然是.NET Core 3.0及以上版本的默认JSON库,但你可能会需要更高级的自定义或与的兼容性。你可以通过安装包来使用。});这段代码配置了的序列化设置,使JSON输出格式化为缩进风格。 阅读详情

相关推荐

ASP.NET中JSON数据处理源代码实例解析

JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,它基于JavaScript的一个子集。由于其简单性和易读性,JSON被广泛用于Web应用程序中的数据交换。它易于人阅读和编写,同时也易于机器解析和生成,这使得JSON成为跨平台、跨语言的理想数据交换格式。JSON数据结构简单,主要包含字符串、数字、布尔值、null、数组和对象等基本类型。它允许构建层次化的数据结构,这在表述复杂数据关系时非常有用。

weixin_35762258的博客 1223

Web前台传对象字符串到后台并让后台反序列化对象字符串的方法(ASP.NET)

从零开始做了两个月多一点的.NET开发,期间经常遇到需要从Web前台传数据给后台处理的情况。比如下面(用了jQuery的Ajax Post),这里为了演示方便没有对参数进行encodeURIComponent操作: $.post( "/Home/Index", { "name": "feichexia", ...

weixin_30765475的博客 219

深入.NET 3.5下的JSON数据处理

JSON(JavaScript Object Notation)已经成为数据交换的首选格式。随着.NET 3.5的发布,开发者们需要一种高效且功能强大的方法来处理JSON数据。在.NET环境中,Json.NET是一个广泛使用的库,它提供了一套完整的API来处理JSON序列化和反序列化。本章将对Json.NET库提供的API进行深入概述。

weixin_42126677的博客 793

encodeURIComponent(JSON.stringify(data))刷新页面参数无法解析的问题

angular路由刷新参数无法获取decodeURIComponentencodeURIComponent

qq_42009005的博客 2857

webview腾讯x5内核离线安装

离线集成腾讯TBS浏览器服务,彻底解决官方下载限流问题,永久免费

观千剑而后识器,操千曲而后晓声。 7908

利用ArcGIS快速生成等高线边界,完成地形图拼图

地形图边界一般在CAD中手动绘制,然而,一幅边缘复杂的地形图边界的绘制需要花费大量时间和精力,为了减少重复性工作,提高效率,用ArcGIS软件可以自动生成实测地形图的边界

yl14774636230的博客 9068

js前台获取table中相同的对象,并将string对象转成json对象传到后台

//先通过table的ID获取到所有的tr var trs = $("#updatetableId").find("tr"); alert(trs.length); var optionList = []; for (var i = 0; i <= 3; i++) { //通过循环获取到每个tr下面的td var tds = $(trs[i]).find("td"); //找到对应的td 然后给td赋值 var option = {id:null,optionName:$(.

he1365646879的博客 436

OpencvSharp学习笔记(一):图片的打开,保存灰度化,保存

近来萌生了学习OpenCv的想法,经过度娘得知老夫会的C#不能直接用OpenCv,只能用他的儿子OpenCvSharp与EmguCV,奈何奈何,这两玩意的资料少的出奇,只能慢慢的摸索了,EmguCV先不说,老夫找到了牛批的资料,先摸索OpencvSharp吧 首先打开VS通过Nuget安装 选择版本后点击安装就OK了. 安装完成后,引用里面就有以下的玩意儿了… 废话不多说了,在写程序前先 using OpenCvSharp 图片打开,灰度化,保存代码如下: static void Main(strin

猥琐de专注 7186

前端中的序列化与反序列化

1、序列化 序列化是指将数据、对象等按一定格式转换成字符串的过程。 举例: let person = { name: 'John', age: 25 }; //序列化 let personString = JSON.stringify(person); console.log(personString); //"{"name":"John","age":25}" let person = { name: 2、反序列化 反序列化是一种把字符串(结构化的数据)转换成对应的数据

qq_45217161的博客 1259

基于VUE的智慧园区可视化平台(开题报告+源码)

本系统(程序源码)带文档lw万字以上文末可获取一份本项目的java源码和数据库参考。系统程序文件列表开题报告内容研究背景: 随着城市化进程的加速,园区作为城市发展的重要组成部分,其管理和运营效率直接影响到城市的经济发展和居民生活质量。传统的园区管理方式已经难以满足现代城市对于高效率、智能化的需求。因此,利用先进的信息技术构建一个智慧园区可视化平台显得尤为重要。Vue.js作为一个高效的前端框架,能够帮助开发一个动态的、用户友好的智慧园区可视化平台,实现园区管理的数字化和智能化。

liu10611的博客 1179

华为OD机试双机位C卷:日志排序 (Py/C/C++/Java/Js/Go)

华为OD机试双机C卷真题【日志排序】,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。华为OD机试-日志排序。

qq_45776114的博客 1754

前后端序列化的差别

文章目录前言前后端序列化的差别前端差别用途注意事项qsJSON后端差别用途注意事项serializable序列化机制解决的流化问题 前言 最近无论做前端项目,还是学习Redis,还是之前遇到的javabean实现serializable接口,都提到了序列化这个知识点,但是自己对这一块一直迷迷糊糊的,决定总结一下。 前后端序列化的差别 注意:前端讲的序列化和java中讲的序列化是有些差别的,这也是前后端都沾过而产生疑问的原因。 前端 差别 前端的序列化指的是将对象转换为一定格式的字符串。比如: var a =

qq_45670042的博客 1246

web渗透学习手册

依据多年的渗透测试项目经验及个人理解,对漏洞分类

渗透之路,攻防之间皆学问 1万+

Jquery下Json数据的传递与解析(asp.net mvc与asp.net api下后台json接收方式的不同)

可同时参见这篇文章  asp.net webapi下json传值方式 纠缠了我几天的一个问题,简单摘抄整理下,希望对大家有帮助。 网络上大量使用json格式传递数据,json传递数据比较轻量,而用json传递数据就要解决两个问题: 1、从服务器回发回来的json格式的字符串该如何处理; 2、如何将json数据提交到服务器并在服务器端解析json数据 范例一: (asp.net mvc3

Dream_shine的专栏 2669

14 硬件工程师笔面试高频考点真题解析——逻辑门

逻辑门是数字电路的基本单元,实现布尔运算(如与、或、非、异或等)。OC门(集电极开路)和OD门(漏极开路)需外接上拉电阻,支持“线与”逻辑,适用于I2C总线等场景,避免推挽输出并联导致的短路问题。三态门具有高、低、高阻三种状态,用于总线分时复用。推挽输出因内置上下管,禁止并联,否则会引发电源短路。三者区别在于:推挽驱动强但不可并联;OC/OD需上拉,支持线与;三态门通过使能控制实现高阻隔离,适用于共享总线设计。

XU157303764的博客 1901

ASP.NET中JSON的序列化和反序列化

在网站应用中使用JSON的场景越来越多,本文介绍ASP.NET中JSON的序列化和反序列化,主要对JSON的简单介绍,ASP.NET如何序列化和反序列化的处理,在序列化和反序列化对日期时间、集合、字典的处理。var userlist=[{"user":{"name":"张三","gender":"男","birthday":"1980-8-8"}},{"user":{"name":"李四","gender":"男","birthday":"1985-5-8"}}];JSON是“名值对”的集合。

909

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Asp .Net Core 系列:Asp .Net Core 配置 System.Text.Json

命名空间提供用于序列化和反序列化 JavaScript 对象表示法 (JSON) 的功能。序列化是将对象状态(即其属性的值)转换为可存储或传输的形式的过程。序列化形式不包含有关对象的关联方法的任何信息。反序列化从序列化形式重新构造对象。库的设计强调对广泛的功能集实现高性能和低内存分配。内置的 UTF-8 支持可优化读写以 UTF-8 编码的 JSON 文本的过程,UTF-8 编码是针对 Web 上的数据和磁盘上的文件的最普遍的编码方式。库还提供了用于处理内存中文档对象模型 (DOM)的类。

程序人生 2087

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")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

js json字符串和对象转化 以及 ASP.NET C# 后台json 对象转化

  var HotelBasicInfo = {}; HotelBasicInfo.HotelName = hotelName; HotelBasicInfo.Address = hotelAddr; HotelBasicInfo.Description = hotelDes; /// 使用 js对象 组装 数据, 这样可以不用字符串组装数据...

aoshuaihuang9603的博客 176

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Asp .Net Core 系列:Asp .Net Core 集成 Newtonsoft.Json

Newtonsoft.Json是一个在.NET环境下开源的JSON格式序列化和反序列化的类库。它可以将.NET对象转换为JSON格式的字符串,也可以将JSON格式的字符串转换为.NET对象。这个类库在.NET开发中被广泛使用,因为它功能强大、易于使用,并且有良好的性能。序列化:将.NET对象转换为JSON字符串。这通常用于将数据发送到Web服务或保存到文件。反序列化:将JSON字符串转换为.NET对象。这通常用于从Web服务接收数据或从文件中读取数据。

程序人生 2415

Asp.net中Json格式转换为DataTable

最近在做项目,有一个功能需要后台接收前端传输过来的json格式数据,然后保存到数据库。由于前端过来的数据可能会比较多,所以打算用Update方法,传入DataTable进行数据的保存,所以就需要把前端json数据转化为DataTable格式。好了,闲话不多说啦,下面是json个数转化为DataTable的代码:         //项目中用到的json格式如下: [{"id":"29","na

anguslzh的专栏 3011

jquery访问asp.net 返回的json对象

asp.net中将DataTable转换成json格式 /// /// dataTable转换成Json格式 /// /// /// public static string DataTable2Json(DataTable dt, string t

handsometone1982的专栏 2386

.NET Framewok 3.5 中 JSON 序列化和反序列化的简单实现

JSON 序列化和反序列化实例: 由于JSON对象在数据交换中越来越流行,.NET Framewok 3.5也提供了JSON对象序列化和反序列化的类,这就是System.Runtime.Serialization.Json 命名空间下的 DataContractJsonSerializer 类。利用这个类,可以实现JSON对象的序列化和反序列化。

kinglino520的专栏 966
上一篇: 汉字在线转化unicode编码
下一篇: ASP.NET中使用JSON方便实现前台与后台的数据交换
GoodShot
博客等级 码龄22年 968粉丝 281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