终于明白阿里京东那些大厂,为什么经常拿HTTP考验求职者了

HTTP 权威指南 PDF 立即下载

前言

在竞争愈发激烈的2019年,寒冬的来临已经淘汰掉了很大一批的“CV战士”;越来越多的人投身进了这场战役,从前几年的“增删改查”,到现在的微服务高并发,竞争的激烈程度可见一斑!如今HTTP网络协议这块的知识点也已经是面试必问!

本书不仅仅是一本HTTP首部的参考手册;它是一本名副其实的web结构圣经。系统架构师和网络管理员可以通过本书更好地了解如何设计、实现并管理复杂的网络架构。性能工程师和分析人员可以从高速缓存和性能优化的相关章节中获益

本书共分为五个部分

第一部分用 4 章的篇幅描述了 Web 的基础构件与 HTTP 的核心技术。

• 第 1 章简要介绍了 HTTP。
• 第 2 章详细阐述了统一资源定位符(Uniform Resource Locator,URL)的格式,以及 URL 在因特网上命名的各种类型的资源,还介绍了统一资源名(Uniform Resource Name,URN)的演变过程。
• 第 3 章详细介绍了 HTTP 报文是如何传送 Web 内容的。
• 第 4 章解释了 HTTP 连接管理过程中一些经常会引起误解且少有文档说明的规则和行为。

 

第二部分重点介绍了 Web 系统的结构构造块:HTTP 服务器、代理、缓存、网关以 及机器人应用程序。(当然,Web 浏览器也是一种构造块,但在本书的第一部分已 经对其进行过很详细的介绍了。)第二部分包含以下 6 章。

• 第 5 章简要介绍了 Web 服务器结构。
• 第 6 章深入研究了 HTTP 代理服务器,HTTP 代理服务器是作为 HTTP 服务与控制平台使用的中间服务器。
• 第 7 章深入研究了 Web 缓存的问题。缓存是通过保存常用文档的本地副本来提高性能、减少流量的设备。
• 第 8 章探讨了网关和应用服务器的概念,通过它们,HTTP 就可以与使用不同协议(包括 SSL 加密协议)的软件进行通信了。
• 第 9 章介绍了 Web 上的各种客户端类型,包括无处不在的浏览器、机器人和网络蜘蛛以及搜索引擎。
• 第 10 章讲述了仍在研究之中的 HTTP 协议:HTTP-NG 协议。

 

第三部分提供了一套用于追踪身份、增强安全性以及控制内容访问的技术和技巧。 包含下列 4 章。

• 第 11 章讨论了一些识别用户的技术,以便向用户提供私人化的内容服务。
• 第 12 章重点介绍了一些验证用户身份的基本方式。这一章还对 HTTP 认证机制与
数据库的接口问题进行了研究。
• 第 13 章详述了摘要认证,它是对 HTTP 的建议性综合增强措施,可以大幅度提高
其安全性。
• 第 14 章说明了因特网的密码体系、数字证书以及 SSL。

 

第四部分涵盖 HTTP 报文主体和 Web 标准,前者包含实际内容,后者描述并处理主 体内容。第四部分包含以下 3 章。

• 第 15 章介绍了 HTTP 内容的结构。
• 第 16 章探讨了一些 Web 标准,通过这些标准,全球范围内的用户都可以交换以不
同语言和字符集表示的内容。
• 第 17 章解释了一些用于协商可接受内容的机制。

 

第五部分介绍了发布和传播 Web 内容的技巧。包括以下 4 章。

• 第 18 章讨论了在现代的网站托管环境中布署服务器的方式以及 HTTP 对虚拟网站
托管的支持。
• 第 19 章探讨了一些创建 Web 内容,并将其装载到 Web 服务器中去的技术。
• 第 20 章介绍了能够将输入 Web 流量分散到一组服务器上去的一些工具和技术。
• 第 21 章介绍了一些日志格式和常见问题。

 

第六部分是一些很有用的参考附录,以及相关技术的教程。

• 附录A详述了统一资源描述符(Uniform Resource Identifier,URI)方案所支持的协议。
附录 B 列出了 HTTP 的响应代码,方便使用。
• 附录 C 提供了 HTTP 首部字段的参考列表。
• 附录 D 列出了大量的 MIME 类型,解释了 MIME 类型的注册方式。
• 附录 E 介绍了 HTTP 认证中使用的 Base-64 编码。
• 附录 F 详述了如何实现 HTTP 中的各种认证方案。
• 附录 G 定义了 HTTP 首部的语言标签值。
• 附录 H 列出了用以支持国际化 HTTP 的字符编码。

由于细节内容实在太多了,为了不影响文章的观赏性,只截出了一部分知识点大致的介绍一下,每个小节点里面都有更细化的内容!

 

需要这份《HTTP权威指南》的朋友可以帮忙转发一下这篇文章,关注小编,家卫星:mxzFAFAFA 就可以免费获取到了,还有小编准备的一份Java进阶学习路线图(Xmind)以及来年金三银四必备的一份《Java面试必备指南》

 

HTTP权威指南正版1 前言|3第•5 章简要介绍了 Web 服务器结构。第•6 章深入研究了 HTTP 代理服务器,HTTP 代理服务器是作为 HTTP 服务与控制平台使用的中间服务 立即下载

相关推荐

基于ADRC算法的多旋翼飞行器抗扰动控制实践

本文详细介绍了基于ADRC算法的多旋翼飞行器抗扰动控制实践,通过线性扩张状态观测器(LESO)实时估算风力等扰动,实现提前补偿,显著提升飞行稳定性。文章结合具体案例和工程实现技巧,展示了ADRC在突风条件下的优异表现,为无人机控制提供了高效解决方案。

weixin_29284885的博客 193

HTTP 权威指南 详解 (推荐阅读 )

HTTP 权威指南 详解 ( 一、概述 ) 最近在解读 《http权威指南》 这本书。之前对于http 的理解仅限于 知道我需要向服务端发送一个 get or post 请求,然后等待服务器 返回给我数据,我再进行下一步的操作,可能作为一名 前端er 会经常这么干吧,但是 我们每天都要用到的 http 请求 到底是一个怎么样的黑盒子呢? 今天刚好有时间,咱们就一起来 探索这部分的未解之谜。 tips 同样,我们在阅读一本书的时候,特别是 技术类的书的时候,我们希望能够带着问题来阅读,那样就会不断

hsany330的专栏 2896

AI数字人短视频数字人口播数字人分身建模流程全解析

在人工智能与计算机图形学蓬勃发展的当下,数字人建模作为打造虚拟数字人的核心环节,其流程复杂且精妙,融合了多种前沿技术与创意构思,为栩栩如生的数字人形象奠定基石。​。

2403_87518095的博客 1451

HTTP权威指南(浓缩版)

目录 第一章 HTTP概述 第二章 URL与资源 第三章 HTTP报文 第四章 连接管理 第五章 web服务器 第六章 代理 第七章 缓存 第八章 集成点:网关、隧道及中继 第九章 Web机器人 第十章 HTTP-NG 第十一章 客户端识别与Cookie机制 第十二章 基本认证机制 第十三章 摘要认证 第十四章 安全HTTP 第十五章 实体和编码 第十六章 国际化 第十七章 内容协商与转码 第十八章 Web主机托管 第十九章 发布系统 第二十章 重定向与负载均衡

swordsmanye的博客 2613

Spring Boot Swagger未授权访问漏洞:原理、风险与修复方案详解

在微服务架构中,API文档管理是开发与运维的重要环节。Swagger作为RESTful API文档生成与调试的标准化工具,通过OpenAPI规范自动生成交互式接口文档,极大提升了开发效率。然而,其默认配置往往缺乏访问控制,导致文档端点直接暴露,形成未授权访问漏洞。从技术原理看,该漏洞源于Spring Boot等框架集成Swagger时,相关端点未纳入安全框架的拦截范围,攻击者可通过扫描常见路径获取完整的接口定义与数据结构。这不仅会造成敏感信息泄露,更可能成为越权操作、数据篡改等深度攻击的入口点。在工程实践中

weixin_42524171的博客 504

R语言批量抓取TCMSP中药靶点基因:告别手工复制粘贴

网络药理学研究中,中药靶点数据整理常依赖TCMSP等数据库,但手工复制粘贴效率低且易错。通过R语言网络抓取技术,可自动化获取TCMSP中的成分与靶点信息,提升数据收集的准确性和可重复性。该方法基于HTTP请求与HTML解析原理,结合随机延时控制访问频率,适用于复方中药机制研究、多数据库交叉验证等场景。本文分享的脚本方案,帮助研究者高效构建成分-靶点网络,为后续富集分析和网络构建奠定可靠数据基础。

weixin_33563728的博客 332

HTTP权威指南_Note

Chapter 1 HTTP概述 1. Web客户端和Web服务器 web服务器即为HTTP服务器 Web浏览器属于客户端 Web浏览器向服务器请求HTTP对象 2. 资源 Web服务器是Web资源的宿主 所有类型的内容来源都是资源 3. 媒体类型(MIME类型) Web对象都有MIME类型的数据格式标签 MIME:多用途因特网邮件扩展(Mu...

weixin_30323961的博客 342

CUDA:实现使用cuSolverSP底层API实现Cholesky因式分解(附完整源码)

CUDA:实现使用cuSolverSP底层API实现Cholesky因式分解(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 352

零基础入门网络安全:从SRC漏洞挖掘到实战技能提升

网络安全的核心在于理解系统与应用的潜在风险,其基本原理是通过模拟攻击者思维,发现并验证安全缺陷。这项技术的价值在于主动防御,能有效防止数据泄露、服务中断等安全事件,广泛应用于企业安全防护、渗透测试等领域。对于初学者而言,SRC(安全应急响应中心)平台提供了一个合法且结构化的实战环境,是掌握漏洞挖掘技能的理想起点。通过聚焦信息泄露、逻辑漏洞等高发风险点,结合Burp Suite等工具进行手动与自动化测试,学习者可以快速构建从理论到实践的完整知识闭环,将抽象的网络安全概念转化为可验证的工程能力。

364

安川机器人外部轴添加

本文详细介绍了如何在安川机器人本体上添加第7轴以及如何设置动作,本文以添加点焊枪为例进行讲解。

haier123888的博客 7895

Flow Matching03-01:微分方程【微分方程(描述变化规律的方程):包含未知函数和它的导数的方程】【公式解(精确)、数值解(逼近)】

好的,我将从数学角度详细解释Flow Matching,从高中生能理解的基础知识开始,逐步深入到高级概念。

u013250861的博客 221

阅读《HTTP权威指南》:重温HTTP基础。

HTTP权威指南:重温HTTP基础。 以下是如何在Windows C++中使用函数的示例代码: 第四章、连接管理 客户端请求: 服务器响应: 第七章、缓存 第十章、HTTP-NG

Bobowen的博客 1250

YOLO11改进策略【独家融合改进】| RCSOSA + SPD + WFU

SPD-Conv是一种新的 CNN 构建模块,用于替代传统 CNN 架构中使用的步长卷积(strided convolution)和池化(pooling)层,它由空间到深度(Space-to-depth,SPD)层和非步长卷积(non - strided convolution)层组成。WFU模块通过小波变换的频率分解与跨尺度融合机制,解决了传统上采样过程中的混叠和细节丢失问题,实现了高效、高保真的面部细节重建。

Limiiiing的博客 455

《HTTP权威指南 陈涓 赵振平》读书笔记

1、POST和PUT的区别POST:将客户端数据发送到一个服务器网关应用程序PUT:将来自客户端额数据存储到一个命名的的服务器资源中2、HTTP报文:格式是纯文本,不是二进制代码,可以很方便的调试和拓展。报文分为请求报文和响应报文,格式很类似,主要包含以下三个部分:起始行、首部字段、(空行)、主体。3、HTTP协议:应用程协议,网络通信的底层细节由TCP/IP传输协议实现,保证无差错、按序传输、流式数据(可以在任何时刻以任意尺寸将数据发送出去)

xiaosi的博客 1339

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")

jre9下载 jdk9

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

HTTP权威指南------1.1HTTP概述

HTTP权威指南------HTTP概述

博客 2097

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【免费下载】 HTTP 权威指南 PDF 下载

HTTP 权威指南 PDF 下载 【下载地址】HTTP权威指南PDF下载分享 本仓库提供《HTTP 权威指南》的PDF版本下载。该书是网络开发人员和系统管理员必备的参考书籍,详细介绍了HTTP协议的各个方面,包括其工作原理、常见问题以及最佳实践 ...

gitblog_06646的博客 1275

<HTTP权威指南>万字解读

前言 HTTP(超文本传输协议)是在万维网进行通信使用的协议方案,HTTP是应用层协议, 一 HTTP概述 1.1Web客户端和服务器 1.2MIME类型 HTTP会给Web传输的对象打上MIME类型的数据格式标签 MIME类型是一种文本标记,表示一种主要的对象类型和特定的子类型,中间由一条斜杠分隔. HTML格式文本文档由text/html类型标记 ASCLL文本文档由text/plain类型标记 GIF格式图片为image/gif类型 JPEG格式图片为image/peg类型 常见的MIME类型

呆大王的博客 421

HTTP权威指南—基础部分

网络编程圣经基础部分,即用即取,待完善。

sup_bkht的博客 1099

HTTP权威指南

一、HTTP概述1.Web服务器是Web资源(Web resource)的宿主,资源可以是静态文件或动态内容2.MIME类型(Multipurpose Internet Mail Ext...

硬核项目经理 283

HTTP权威指南-学习笔记

目录 HTTP权威指南-学习笔记 HTTP: Web的基础 URL与资源 HTTP报文 连接管理 HTTP结构 Web服务器 代理 缓存 集成点: 网关,隧道及中继 ...

angbao4913的博客 440

HTTP权威指南(一)HTTP结构

一个HTTP事务由一条请求命令和一个响应结果组成。通信过程通过HTTP的格式化数据块进行。从客户端发往服务器的报文称为请求报文,从服务器发往客户端的报文被称为响应报文。

volit的博客 1228

HTTP权威指南(归纳总结)

目录: 1. HTTP概述 2. URL与资源 3. HTTP报文 4. 连接管理 5. Web服务器 6. 代理 7. 缓存 8. 集成点:网关、隧道及中继 9. Web机器人 10. HTTP-NG 11. 客户端识别与cookie机制 12. 基本认证机制 13. 摘要认证 14. 安全HTTP 15. 实体和编码 16. 国际化 17. 内容协商与转码 1

小石头 714

Http协议与TCP协议简单理解

在C#编写代码,很多时候会遇到Http协议或者TCP协议,这里做一个简单的理解。 TCP协议对应于传输层,而HTTP协议对应于应用层,从本质上来说,二者没有可比性。Http协议是建立在TCP协议基础之上的,当浏览器需要从服务器获取网页数据的时候,会发出一次Http请求。Http会通过TCP建立起一个到服务器的连接通道,当本次请求需要的数据完毕后,Http会立即将TCP连接断开,这个过程是

写代码的蜗牛 9万+

接口自动化测试之HTTP协议详解

简单理解,计算机与计算机之间的通讯语言就叫做协议,不同的计算机之间只有使用相同的协议才能通信。所以网络协议就是为计算机网络中进行数据交换而建立的规则,标准或约定的集合。

软件测试技术分享官 269
上一篇: 阿里算法工程师总结:动态规划4步曲,仅看这篇动归就够了
下一篇: 在BATJ等大厂,月薪35K-60K的程序员,都需要掌握哪些技术?
java架构师小芷
博客等级 码龄6年 216粉丝 519原创
评论 11
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