Win10下搭建Laravel Homestead环境的详细教程

Laravel 专栏收录该内容
¥59.90 ¥99.00
99篇文章

Laravel是一款流行的PHP框架,而Homestead是一个方便的开发环境,可以帮助我们在本地快速搭建Laravel项目。本教程将详细介绍如何在Windows 10操作系统下搭建Win10+Homestead环境,并提供相应的源代码。

步骤1:安装VirtualBox和Vagrant

在开始之前,我们需要先安装VirtualBox和Vagrant。VirtualBox是一款虚拟机软件,而Vagrant是一个用于构建和管理虚拟开发环境的工具。你可以从官方网站下载并安装这两个软件。

步骤2:安装Homestead

  1. 打开命令提示符(CMD)或PowerShell,通过以下命令安装Homestead:
composer global require laravel/homestead
  1. 安装完成后,通过以下命令生成Homestead配置文件:
homestead make

该命令将在用户目录下生成一个名为Homestead.yaml的配置文件。

  1. 打开Homestead.yaml文件,根据你的需求进行配置。你可以指定共享文件夹、站点映射、数据库等信息。以下是一个示例配置:
ip: 192.168.10.1
敏感数据加密后如何实现模糊查询 阅读详情

相关推荐

MySQL敏感数据进行加密的几种方法

MySQL敏感数据进行加密的几种方法

huanhuanzhou blog 7508

被加密后的数据怎么进行模糊查询?

被加密后的数据怎么进行模糊查询

ZULJ131的博客 8273

MyBatis数据加密与模糊查询实战:TypeHandler与拦截器组合方案

数据安全是应用架构设计的核心考量,尤其在涉及用户敏感信息的场景下,数据库字段级加密成为合规性刚需。其原理是在数据持久化过程中,通过透明加解密技术,确保敏感数据以密文形式存储,同时业务代码无需感知加解密细节。这项技术的核心价值在于平衡安全性与开发效率,实现安全合规的低侵入性落地。在Java生态中,MyBatis作为主流的持久层框架,其TypeHandler机制和插件拦截器为数据透明加密提供了天然的技术支撑。通过自定义TypeHandler,可以无缝实现字段的自动加密存储与解密回显;而面对加密后数据难以进行模糊

weixin_30417487的博客 364

加密后的敏感字段进行模糊查询解决办法

加密后的敏感字段进行模糊查询解决办法,附java 示例

果酱 の 博客 5563

基于MyBatis-Plus拦截器实现数据透明加密与模糊查询的实践方案

数据安全是系统设计的核心考量,尤其在处理用户敏感信息时,数据库加密存储是常见需求。其基本原理是通过加密算法(如AES)将明文转换为密文存储,确保数据在静态存储时的机密性。然而,这带来了一个技术挑战:传统的加密方式会破坏数据的可查询性,特别是业务中常用的模糊查询(LIKE)功能。为了解决这一矛盾,需要在应用层实现一套透明加解密机制,在保证安全性的同时,尽可能保留查询性能。MyBatis-Plus作为流行的ORM框架,其拦截器机制为此提供了理想的切入点。通过自定义拦截器,可以在SQL执行的生命周期中无缝注入加解

csdndownload11123的博客 314

MySQL数据加密存储实战:从TDE到应用层加密的完整方案解析

数据加密是数据库安全的核心技术之一,旨在保护静态数据免遭未授权访问。其基本原理是通过加密算法和密钥,将明文数据转换为不可读的密文。这项技术的核心价值在于满足合规要求、防范数据泄露风险,并建立用户信任。在应用场景上,数据加密主要应对存储介质泄露和超权限访问两大威胁,常见于金融、医疗、电商等涉及敏感信息的行业。透明数据加密(TDE)通过在存储层自动加解密,为全库数据提供高效防护;而应用层加密则将控制权完全交给业务程序,实现了更高的安全隔离。本文将深入探讨如何在MySQL中结合TDE和应用层加密,构建兼顾安全与效

weixin_33690367的博客 360

在 Spring Boot 中如何实现对加密后的敏感字段进行模糊查询?

本文详细介绍了在 Spring Boot 中实现对加密后的敏感字段进行模糊查询的方法。首先,通过选择合适的加密算法对敏感字段进行加密。然后,根据实际需求,选择明文存储模糊查询或加密存储模糊查询的方法实现模糊查询功能。最后,强调了在实现过程中需要注意的安全性、性能和数据库支持等方面的问题。通过合理设计和实现,可以在保证数据安全的前提下,实现对加密后的敏感字段的模糊查询功能,满足业务需求。

网络技术联盟站 1040

MyBatis-Plus字段级数据加密实战:基于TypeHandler与MetaObjectHandler的透明化方案

数据安全是软件开发的基石,尤其在处理用户隐私和金融信息时,数据库层面的敏感数据保护至关重要。其核心原理在于,在数据持久化过程中,对特定字段进行加密转换,确保存储的密文即使泄露也无法直接识别。这一技术能有效防范“拖库”风险,为业务数据构建底层安全防线。在Java生态中,MyBatis-Plus作为广泛使用的ORM框架,其提供的**类型处理器(TypeHandler)** 与**元对象处理器(MetaObjectHandler)** 两大扩展机制,为实现非侵入式的字段级加密提供了优雅的工程实践路径。通过自定义T

weixin_33928137的博客 390

MyBatis-Plus实现敏感字段自动加解密与模糊查询的工程实践

数据安全是系统设计的核心考量,尤其在涉及用户隐私信息时,敏感字段的加密存储成为基本要求。其原理在于通过加密算法将明文转换为不可读的密文,确保即使数据库泄露,攻击者也无法直接获取原始信息。这一技术价值在于平衡数据安全与业务可用性,避免因过度安全措施导致系统功能受限。在应用场景中,用户信息管理模块常需对手机号、身份证等字段进行加密,但传统加密方式会破坏数据库的模糊查询能力,形成安全与便利的矛盾。本文聚焦于通过MyBatis-Plus的TypeHandler与拦截器机制,构建透明化加解密层,并创新性地引入“查询索

banshen0201的博客 347

Java+MySQL实现用户敏感数据加密存储与动态脱敏方案

数据脱敏是数据安全领域的关键技术,旨在保护个人隐私和敏感信息。其核心原理是通过对数据进行变形、替换或屏蔽,在保证数据可用性的同时,防止敏感信息泄露。在Java企业级应用中,结合MySQL数据库,实现一套从存储到展示的完整脱敏方案,具有极高的技术价值,能有效满足GDPR等隐私法规的合规要求。具体到用户信息管理后台,应用场景涉及对手机号、身份证号等字段的处理。本文以AES加密算法和Spring Security权限框架为基础,详细阐述了如何构建“存储加密+动态脱敏”的实战架构,其中动态脱敏策略与细粒度的权限控制

418

MySQL中使用AES_ENCRYPT函数进行字段加密处理

在上述示例中,我们创建了一个名为"encrypt_and_decrypt"的存储过程,它接受三个参数:要加密的数据、加密后的数据输出、以及加密密钥。然后,它使用相同的密钥对加密后的数据进行解密,并将解密后的结果存储在"decrypted_data"变量中。在上述示例中,我们首先定义了要加密的数据、加密后的数据输出变量、加密密钥以及解密后的数据输出变量。在上述示例中,我们创建了一个名为"users"的表格,其中包含"id"、"username"和"password"字段。使用自定义密钥进行加密和解密。

ZaxfSass的博客 1580

Spring Boot中字段加密后的模糊查询:支持MyBatis与JPA

在开发应用程序时,特别是涉及敏感数据(如密码、手机号等)时,数据安全性至关重要。为了实现数据的安全存储,我们通常会选择对敏感字段进行加密处理。然而,某些场景下,我们仍需要对这些加密后的敏感字段进行模糊查询,以满足业务需求。本文将详细介绍在Spring Boot中如何实现对加密后的敏感字段进行模糊查询,同时支持MyBatis和JPA。本文详细介绍了在Spring Boot中实现对加密后的敏感字段进行模糊查询的方法,同时支持MyBatis和JPA。首先,通过选择合适的加密算法对敏感字段进行加密。

2301_79727522的博客 1283

ERDAS 2022与ArcGIS共存安装教程:如何避免端口冲突(详细配置步骤)

本文提供了一份详细的ERDAS 2022与ArcGIS共存安装教程,核心在于解决两者因FlexNet许可证服务器导致的端口冲突问题。通过分步指导,包括检查现有端口占用、修改ERDAS许可证文件端口号、配置防火墙及客户端设置,确保两款专业GIS与遥感软件能在同一系统上稳定运行。

weixin_29279047的博客 255

MySQL 数据加密实战:从传输、存储到字段级加密,分清场景不踩坑

本文系统梳理MySQL加密体系,区分传输加密(SSL)、透明数据加密(TDE)与字段级加密三层次,明确其适用场景与优缺点。强调生产环境必须开启SSL,敏感字段建议在应用层使用AES加密并结合KMS管理密钥,避免直接使用MySQL内置加密函数导致密钥泄露。针对加密后无法模糊查询的痛点,提出哈希索引等解决方案。最终推荐“SSL + 应用层加密 + KMS”组合方案,兼顾安全、性能与可维护性,提醒加密非万能,需配套权限控制与备份加密。

2201_75821470的博客 193

自锁电路设计

Hi,uu们,是不是经常要用到自锁电路,通常不是使用555芯片就是用比较器来做自锁,今天我们来简单看下自锁电路的设计.图1采用了比较器构建了一个自锁电路,采用低电平复位,当需要复位的时候志需要将反向端的二极管拉低一下即可,免去 三极管控制同相端和电源短接的麻烦。图1:比较器构建的自锁电路也可以使用555去构建,如下图2所示.图2:使用555构建的自锁电路工作原理见555的真值表,真值表如表1所示.表1:555电路真值表相对来说555还是比较贵,所以我就想能不能有个便宜的方法做个自锁电路,构建电路如下图3所示

weixin_43884675的博客 7079

读取rosbag中的IMU信息并转为tum格式的csv和txt

rostopic -b xx.bag -p /xx > xxx.txt #for euroc structvio import os, sys,re,csv name="street_07" # basedir="/media/yinjie/2498AF1F98AEEF0C/adataset/15results/imu_bagtxt/"+name+'.txt' # txtdir="/media/yinjie/2498AF1F98AEEF0C//adataset/15results/imu_o

qq_42928559的博客 1921

Spring Boot数据安全实践:加密存储、模糊查询与动态脱敏一体化方案

在数据安全领域,应用层加密是保护敏感信息的关键技术,它通过在业务逻辑中直接处理加解密过程,实现对数据的细粒度控制。其核心原理是利用对称加密算法(如AES)结合自定义组件,在数据持久化与查询时自动转换,确保存储密文、查询可控。这项技术的价值在于平衡安全与业务需求,既能防止数据泄露,又能支持必要的等值与模糊查询操作。常见的应用场景包括金融、电商等涉及用户PII(个人可识别信息)处理的系统,例如手机号、身份证号的存储与检索。本文聚焦于**Spring Boot**框架,通过整合**MyBatis拦截器**与**J

weixin_33727510的博客 476

别再为跨页读写发愁了!STM32F407模拟I2C驱动24C256/512的避坑指南

本文详细解析了STM32F407模拟I2C驱动24C256/512的跨页写入问题,揭示了24C系列存储器'写满一页不会自动翻页'的关键机制,并提供了经过验证的分页写入算法和优化方案。通过GPIO时序优化、地址计算和错误处理等技巧,帮助开发者解决数据错乱、覆盖等常见问题,实现稳定可靠的EEPROM读写操作。

weixin_42631411的博客 379

字段加密与查询优化

数据安全加密架构的核心在于应用层加密与密钥管理分离。敏感字段应采用AES-256-GCM加密存储,密码则使用bcrypt等哈希算法。针对查询难题,通过建立哈希映射列实现精确查询,模糊查询建议采用ES辅助或内存过滤。密钥必须通过KMS动态获取,采用信封加密机制(DEK+KEK)。历史数据迁移需分阶段实施:加列→双写→数据清洗→读切换→清理明文列。这种架构既防止内鬼泄密,又保证系统可用性,符合GDPR等合规要求。

weixin_52611737的博客 829

C语言图形化界面——含图形、按钮、鼠标、进度条等部件制作(带详细代码、讲解及注释)

本文借助easyx库函数(提供下载链接),很方便地用C语言实现了鼠标、按钮、进度条、坐标尺等操作,为普通C程序的友好人机交互界面提供了一种简单便捷的方案。

体会编程语言独到的美 17万+

基于深度学习卷积神经网络的医学图像乳腺癌分类

一、项目背景与意义乳腺癌是女性最常见的恶性肿瘤之一,其早期发现和治疗对于提高患者的生存率和生活质量至关重要。然而,乳腺癌的诊断通常依赖于医生的经验和主观判断,这不仅耗时而且可能存在误差。近年来,深度学习技术特别是卷积神经网络(CNN)在图像处理领域取得了显著进展,为乳腺癌的自动分类提供了新的解决方案。本项目旨在利用深度学习卷积神经网络构建一套高效、准确的医学图像乳腺癌分类系统,辅助医生进行乳腺癌的早期诊断和治疗。二、技术实现。

2301_79810943的博客 978

Dapper数据加密存储实战:基于TypeHandler实现透明字段加解密

数据安全是应用开发的核心关切,尤其在处理用户敏感信息时,应用层加密成为防止数据泄露的关键防线。其原理是在数据持久化过程中,对特定字段进行加密转换,确保数据在存储介质中始终以密文形式存在。这项技术的核心价值在于实现安全性与业务逻辑的解耦,让开发人员无需在业务代码中散落加解密调用。在.NET生态中,Dapper作为轻量高效的微型ORM,虽不原生支持加密,但通过其强大的类型处理器(TypeHandler)扩展机制,可以无缝嵌入加密逻辑。本文聚焦于利用Dapper的TypeHandler,实现一套对业务代码零侵入的

weixin_34392435的博客 342

博途S7-1500T 使用工艺对象驱动液压轴(含SimaHydTO库)

利用工艺对象控制液压轴位置含PLC控制和仿真程序文档资料下载地址如下:液压比例伺服阀的相关应用知识请参看下面的博客文章:液压位置闭环控制(比例伺服阀应用)_RXXW_Dor的博客-优快云博客。

RXXW_Dor的博客 2904

MyBatis-Plus字段加解密实战:保障MySQL敏感数据安全

数据安全是应用开发的核心议题,尤其在处理用户手机号、身份证等敏感信息时,防止数据泄露至关重要。在应用层对敏感字段进行加密存储是一种常见的安全实践,其原理是在数据写入数据库前进行加密,读取时再解密,从而确保即使数据库被非法访问,敏感信息也不易被直接获取。这项技术的核心价值在于将安全策略与业务逻辑解耦,提升代码的可维护性和安全性。在实际的工程实践中,ORM框架如MyBatis-Plus通过其拦截器或TypeHandler机制,能够以声明式、无侵入的方式自动完成字段的加解密,极大地简化了开发流程。然而,实现过程中

weixin_34161083的博客 490

WIN10系统下VS2019编译CloudCompare2.12.4

CloudCompare2.12.4

点云侠的博客 3146

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")

上一篇: Laravel和CI框架的区别
下一篇: 在Mac上安装和配置Laravel Homestead环境
普通网友
博客等级 码龄3年 8粉丝 0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  | 博主筛选后可见
 
 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