Java常见类型数据及其包装类—byte类型,String类型,boolean类型

STM32与K210串口通信 这篇文章是为了填上一篇埋下的坑,k210和STM32通过串口通信,我是采用数据包的形式发送数据的,因为K210发送的数据有几种,采用数据包的形式发送比较安全。本文代码运行的平台是STM32F103C8T6和K210 Dock,只涉及到K210发送数据给STM32,stm32将接受到的数据显示到0.96寸OLED屏上。 阅读详情

1.byte类型

byte类型范围在-128 -- 127之间 占一个字节

两个byte类型运算时 不能用byte类型去接收 因为在Java中 参与运算的数据小于4个字节的时候 会提升到4个字节

解决方法有两种:

1.将运算的表达式进行强制类型转换

byte a = 10,b = 20;
byte c = (byte)(a+b);

2.用范围更大的类型去接收

byte a = 10,b = 20;
int b = a+b;

2.int类型
基本与C语言相同,这里只说特殊的(后面的long,double,float都是如此)

在Java中int类型有包装类Integer,它的功能有很多,举个例子

System.out.println(Integer.MAX_VALUE);
System.out.println(Integer.MIN_VALUE);

上面的两行代码可以打印int类型的最大值和最小值 也就是2147483647 和 -2147483648

3.long类型

long类型在赋值的时候最好在后面加一个大写的“L”

long a = 10L;
System.out.println(Long.MAX_VALUE);
System.out.println(Long.MIN_VALUE);

和int一样输出是最大值和最小值 9223372036854775807 和 -9223372036854775808

4.double类型

System.out.println(Double.MAX_VALUE);
System.out.println(Double.MIN_VALUE);
最大值和最小值的输出为 1.7976931348623157E308 和 4.9E-324

5.float类型

float类型在给变量赋值的时候要注意在数值后面价格小写“f” 否则在赋值小数的时候会报错

因为编译器会默认这是一个double类型

6.char类型

char类型和C语言有些区别 Java的char类型是占两个字节 可以存放汉字(汉字占两个字节)

它的包装类是Character

System.out.println(Character.MAX_VALUE);
System.out.println(Character.MIN_VALUE);

它没有最大值和最小值 打印出来是空白

7.boolean类型

boolean类型没有明确的范围 它有两个值一个是“true”代表真,一个是“false”代表假

8.String字符串类型

String 相当于C语言的char数组 但是Java的字符串结尾是没有'\0'的

它有一些方法可以实现数字和字符串进行转换

int a = 10;
String s1 = String.valueOf(a);//方法int转字符串
System.out.println(s1);//输出为10
String s1 = "1234";
int a = Integer.parseInt(s1);
System.out.println(a+1);//输出1235
DFX从芯片到系统:可制造性、可测试性与可靠性设计实战指南 DFX(Design for eXcellence)是一套面向产品全生命周期的设计方法论,涵盖可制造性(DFM)、可测试性(DFT)、可靠性(DFR)等维度。其核心原理是将制造、测试、维护等环节的约束前置到设计阶段,从而降低流片与量产风险。在芯片与系统硬件领域,DFX不仅是提升良率与测试效率的关键手段,更是保障车规、工控等严苛场景下长期稳定运行的基础。从芯片物理实现到PCB布局,再到系统级散热与维护设计,DFX的落地需要工具链、流程闸门与跨部门协作的体系化支撑。本文基于实际项目经验,分享DFX从设计决策到工 阅读详情

相关推荐

SuperPoint + LightGlue实战:低纹理墙面重建保姆级教程(附完整代码)

本文提供了一份针对低纹理墙面三维重建的实战教程。通过详细解析SuperPoint与LightGlue的核心参数调优,指导读者如何有效提取并匹配低纹理目标的特征点,并结合COLMAP完成从稀疏到稠密的重建流程,最终实现高精度建模。

weixin_29034963的博客 225

Java 包装类【Byte】

1、byte的包装类:Byte的创建: 构造方法: Byte b = new Byte(b); //用byte作为参数 Byte b = new Byte("15"); //用String作为参数 注意:使用上述构造方法的形式创建对象在JDK12以后已经过时,建议用下面方法创建; byte b = 15; //自动装箱 //自动拆装箱底层过程 Byte b = Byte.valueOf(byte b); Byte b = Byte.valueOf(String s); 2、Byte的常量:(和其

单枪匹码 1342

基于UCD3138的数字控制硬开关全桥DC-DC电源设计实战解析

在开关电源设计中,数字控制技术正逐步取代传统模拟方案,以其卓越的灵活性、可编程性和强大的数据处理能力,成为应对复杂动态响应与智能化需求的关键。其核心原理在于通过高精度模数转换器(ADC)实时采样电压、电流信号,经由数字信号处理器(如ARM内核)运行PID等控制算法,动态调整数字脉宽调制(DPWM)输出,从而实现对功率级的精确控制。这种技术价值体现在能够轻松实现高级算法(如输入电压前馈、非线性补偿)、灵活配置保护参数,并通过PMBus等接口实现智能化监控与管理。其典型应用场景包括通信基站、服务器电源以及工业设

1313

java之基本数据类型的包装类

包装类 java是面向对象的语言,即一切皆对象,即使是基础数据类型也有相对应的类,称之为包装类。 byte-Byte short-Short int-Integer long-Long char-Character float-Fload double-Double boolean-Boolean 将基本数据类型转换为包装类称之装箱,将包装类转换为基本数据类型称之为拆箱 java ...

YUZHONg_s的博客 227

Vienna整流器SVPWM调制:7扇区划分与中点电位平衡的MATLAB/Simulink实现解析

本文深入解析Vienna整流器的SVPWM调制技术,重点介绍7扇区划分与中点电位平衡的MATLAB/Simulink实现方法。通过详细的算法推导和仿真模型构建,帮助工程师掌握整流器闭环控制策略,优化功率转换效率。内容涵盖扇区判断逻辑、矢量作用时间计算及中点电位平衡的PID调节等核心技术要点。

weixin_33937499的博客 387

MAX96712在车载摄像头系统中的带宽分配与传输能力计算解析

在计算摄像头带宽与传输接口的关系时,需要考虑视频流的像素分辨率、帧率、颜色深度等因素。以 MAX96712 这种 GMSL2 产品为例,它支持每个链路在正向方向以 3Gbps 或 6Gbps 的固定速率工作。

weixin_43199439的博客 3331

基础笔试题二

常用API部分测试题 1.String类中的getBytes()方法的作用是( ) A)将整数变成字符串 B)将字符串变成字符数组 C)将字符串变成字节数组 D)获取字符串中字符的个数 2.下列程序的输出结果是( ) class Demo { publicstaticvoid main(String[] args) { System.out.println(“abcd”.substri...

qq_22744093的博客 4494

stm32学习笔记:ADC

stm32学习笔记:ADC

hmh520i的博客 3225

1.9 Byte类

Byte 类将基本类型为 byte 的值包装在一个对象中。一个 Byte 类的对象只包含一个类型为 byte 的字段。此外,该类还为 byte 和 String 的相互转换提供了方法,并提供了一些处理 byte 时非常有用的常量和方法。 Byte 类的构造方法 Byte 类提供了两个构造方法来创建 Byte 对象。 Byte(byte value) 通过这种方法创建的 Byte 对象,可以表示指定的 byte 值。例如,下面的示例将 5 作为 byte 类型变量,然后再创建 Byte 对象。 byte

you can you up up up的博客 469

EPICS电机支持(asynMotor)

EPICS电机支持(asynMotor)

yuyuyuliang00的博客 916

【补充篇】三万字了解AUTOSAR软件架构(一)

主要讲解了AUTOSAR软件架构的分层及各个栈的作用

weixin_47571898的博客 1120

Java内置包装类:Byte 类

Byte 类将基本类型为 byte 的值包装在一个对象中。一个 Byte 类的对象只包含一个类型为 byte 的字段。此外,该类还为 byte 和 String 的相互转换提供了方法,并提供了一些处理 byte 时非常有用的常量和方法。 Byte 类的构造方法 Byte 类提供了两个构造方法来创建 Byte 对象。 1. Byte(byte value) 通过这种方法创建的 Byte 对象...

Yummy的博客 1471

基于FPGA的UDP 通信(六)

本文基于FPGA和MATLAB对千兆以太网通信模块UDP数据发送(FPGA发送)进行联合调试。

记录所学,分享知识,结识挚友 4730

Java基础03-Java 数据类型详解:你真的了解它们吗?

Java数据类型详解摘要 Java数据类型分为基本类型和引用类型两大类。基本类型包括8种:byte(8位)、short(16位)、int(32位)、long(64位)、float(32位)、double(64位)、char(16位)和boolean(1位)。它们直接存储值,默认值各不相同。引用类型包括类、接口和数组,存储对象的内存地址而非值本身。 整型类型中,byte适合小范围整数(-128~127),short适合中等整数(-32768~32767),int最常用,long用于大整数(需加L后缀)。浮点型

千淘万漉虽辛苦,吹尽狂沙始到金 2万+

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")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

java的string.valueof_JAVA String.valueOf()方法的使用

一、由基本数据型态转换成StringString 类别中已经提供了将基本数据型态转换成 String 的 static 方法 ,也就是String.valueOf()这个参数多载的方法有以下几种(1)String.valueOf(boolean b): 将 boolean 变量 b 转换成字符串(2)String.valueOf(char c): 将 char 变量 c 转换成字符串(3)S...

weixin_33314238的博客 573

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

【Java SE】包装类 Byte、Short、Integer、Long、Character、Float、Double、Boolean

基本数据类型不是对象,不能使用类的方法;因此,Java针对基本类型提供了它们对应的包装类,八大基本数据类型,对应了八种包装类,以对象的形式来调用。包装类有了类的特点,使得可以调用包装类中的方法八大包装类位于java.lang包下,如下图所示:​除了Integer和Character这两个包装类外,其他六个包装类的类名均是对应的基本类型首字母大写后得到的基本类型 ——> 包装类型(或者叫对象类型,引用类型)包装类型 ——> 基本类型。

m0_55908255的博客 1644

jre9下载 jdk9

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

Java 基本数据类型与包装类之间的转换

好好吃饭;好好锻炼;好好吃药;好好睡觉。 目录:1 Java 的数据类型2 Java 的包装类3 装箱和拆箱3.1 int 与 Integer 之间的转换3.1.1 int → Integer3.1.2 Integer → int3.2 float 与 Float 之间的转换3.2.1 float → Float3.2.2 Float → float3.3 char 与 Character 之间的转换3.3.1 char → Character3.3.2 Character → char3.4 bool.

weixin_44262126的博客 4317

Java八大基本类型详解与包装类

java八大基本类型: 整型: byte: byte数据类型是8位、有符号的,以二进制补码表示的整数; 最小值是-128(-2^7); 最大值是127(2^7-1); 默认值是0; byte类型用在大型数组中节约空间,主要代替整数,因为byte变量占用的空间只有int类型的四分之一; 例子:byte a = 100,byte b = -50。 short: short数据

吕行的博客 2万+

在Java中常见的数据类型有哪些?

在java中常见的数据类型有哪些 ? 看图 看图 看图 重要的事情说三遍 ↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓↓ 内置数据类型 类型名称 字节、位数 最小值 最大值 默认值 例子 byte字节 1字节,8位 -128(-2^7) 127(2^7-1) 0 byte a =...

aaxzsuj的博客 6267

8种基本类型的包装类(与String的转换)

8种基本类型的包装类(与String的转换)

pig_ning的博客 958

java string类型转换boolean类型

今天偶然想把string 类型转换成 boolean 类型 ,查了下api文档,发现文档似乎有点不太对经。。。 嗯,就直接发测试代码吧,废话懒得说了。。。 String s1 = "false"; String s2 = "true"; String s3 = "fAlSe"; String s4 = "TrUe"; String s5 = "tr

神奇物种 的专栏 15万+

java的包装类及其转换

java的包装类包装类介绍包装类与基本数据类型、字符串之间的转换包装类与基本数据类型之间的转换基本数据类型转换成包装类包装类转换成基本数据类型自动装箱和自动拆箱包装类和基本数据类型同String类之间的转换基本数据类型、包装类转换成String类型String类型转换成基本数据类型或包装类 文章内容选自尚硅谷 包装类介绍 java当中的基本数据类型并不是类的一种,没有方法,也没有属性,而java是面向对象的编程,如果把基本数据类型也当作类的一种,再调用类的方法和属性,则java就能充分体现面向对象的编程思想

Meloneating的博客 1511

Java内置包装类:Boolean 类

Boolean 类将基本类型为 boolean 的值包装在一个对象中。一个 Boolean 类的对象只包含一个类型为 boolean 的字段。此外,此类还为 boolean 和 String 的相互转换提供了很多方法,并提供了处理 boolean 时非常有用的其他一些常用方法。 Boolean 类的构造方法 Boolean 类有以下两种构造形式: Boolean(boolean boolV...

Yummy的博客 1114

【Java包装类】Integer、Boolean、Byte、Character、Double、Number

1、Integer java.lang包中的Integer类,Long类,Short类,分别将数据类型int、long、short封装成一个类; 实现将String类型数组中的元素转换成int型,并将各元素相加; public class Sum { public static void main(String[] args){ String str[]={"12","13","25"}; int sum1=0; for(int i=0;i

Fanjufei的博客 872

java中的包装类

里面维护的基本数据类型的变量value,也是final修饰的,不能更改,即一旦创建对象,其内容就不能修改。通过这六个方法,数值类型的包装类可以互相转换这六种数值,但是需要注意的是当大范围的数值转换为小范围的数值时,可能会溢出或损失精度。数值类型的包装类都继承自Number类,Number类是抽象类,要求它的子类必须实现如下六个方法。方式一:直接拼接空字符串。将一个char类型的基本数据类型值包装为Character类型的对象通常有两种方式。包装类是引用数据类型,数值类型的包装类创建对象的方式通常有两种。

冲出仁川,走出马德里,故事还会再继续 1467

包装类、Integer类、String和int类型相互转换

包装类是什么 为了对基本数据类型进行更多的操作,更方便的操作,java就针对每一种基本数据类型提供了对应的类类型,称为包装类。 byte——Byte short——Short int——Integer long——Long float——Float double——Double char——Character boolean——Boolean Integer类——基本类型int...

元气满满晨 2480
上一篇: Java四大引用详解:强引用、软引用、弱引用、虚引用
下一篇: 如何优雅地书写if-else(策略模式、函数式接口、卫语句)
Java_ttcd
博客等级 码龄4年 198粉丝 190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