PHP的静态变量介绍

Open3D 体素下采样【2026最新版】 体素滤波,博客长期更新,本文最近更新时间为:2026年4月11日。 阅读详情

静态变量只存在于函数作用域内,也就是说,静态变量只存活在栈中。一般的函数内变量在函数结束后会释放,比如局部变量,但是静态变量却不会。就是说,下次再调用这个函数的时候,该变量的值会保留下来。

只要在变量前加上关键字static,该变量就成为静态变量了。

01 <?php
02     function test()
03     {
04         static $nm = 1;
05         $nm = $nm * 2;
06         print $nm."<br />";
07     }
08      
09     // 第一次执行,$nm = 2
10     test();
11     // 第一次执行,$nm = 4
12     test();
13     // 第一次执行,$nm = 8
14     test();
15 ?>

程序运行结果:

1 2
2 4
3 8

函数test()执行后,变量$nm的值都保存了下来了。

在class中经常使用到静态属性,比如静态成员、静态方法。

Program List:类的静态成员

静态变量$nm属于类nowamagic,而不属于类的某个实例。这个变量对所有实例都有效。

::是作用域限定操作符,这里用的是self作用域,而不是$this作用域,$this作用域只表示类的当前实例,self::表示的是类本身。

01 <?php
02     class nowamagic
03     {
04         public static $nm = 1;
05          
06         function nmMethod()
07         {
08             self::$nm += 2;
09             echo self::$nm . '<br />';
10         }
11     }
12      
13     $nmInstance1 = new nowamagic();
14     $nmInstance1 -> nmMethod();
15      
16     $nmInstance2 = new nowamagic();
17     $nmInstance2 -> nmMethod();
18 ?>

程序运行结果:

1 3
2 5
Program List:静态属性
01 <?php
02     class NowaMagic
03     {
04         public static $nm = 'www.nowamagic.net';
05  
06         public function nmMethod()
07         {
08             return self::$nm;
09         }
10     }
11      
12     class Article extends NowaMagic
13     {
14         public function articleMethod()
15         {
16             return parent::$nm;
17         }
18     }
19      
20     // 通过作用于限定操作符访问静态变量
21     print NowaMagic::$nm . "<br />";
22      
23     // 调用类的方法
24     $nowamagic = new NowaMagic();
25     print $nowamagic->nmMethod() . "<br />";
26      
27     print Article::$nm . "<br />";
28      
29     $nmArticle = new Article();
30     print $nmArticle->nmMethod() . "<br />";
31 ?>

程序运行结果:

1 www.nowamagic.net
2 www.nowamagic.net
3 www.nowamagic.net
4 www.nowamagic.net
Program List:简单的静态构造器

PHP没有静态构造器,你可能需要初始化静态类,有一个很简单的方法,在类定义后面直接调用类的Demonstration()方法。

01 <?php
02 function Demonstration()
03 {
04     return 'This is the result of demonstration()';
05 }
06  
07 class MyStaticClass
08 {
09     //public static $MyStaticVar = Demonstration(); //!!! FAILS: syntax error
10     public static $MyStaticVar = null;
11  
12     public static function MyStaticInit()
13     {
14         //this is the static constructor
15         //because in a function, everything is allowed, including initializing using other functions
16          
17         self::$MyStaticVar = Demonstration();
18     }
19 } MyStaticClass::MyStaticInit(); //Call the static constructor
20  
21 echo MyStaticClass::$MyStaticVar;
22 //This is the result of demonstration()
23 ?>

程序运行结果:

1 This is the result of demonstration()

使用R语言绘制Logistic回归模型的亚组分析森林图 亚组分析是一种常用的统计方法,用于探索不同亚组之间的差异,并确定是否存在某些变量对结果的调节作用。在本文中,我们将使用R语言来绘制Logistic回归模型的亚组分析森林图。在该图中,每个亚组都用一个点表示,点的位置表示亚组的均值,而线段表示亚组的置信区间。垂直参考线用于表示效应值为0的点,帮助我们判断亚组之间的差异。希望本文对你有所帮助,让你能够使用R语言绘制Logistic回归模型的亚组分析森林图。是一个二分类的变量,我们希望在亚组分析中探索它与响应变量之间的关系。函数来计算每个亚组的均值,并使用。 阅读详情

相关推荐

Linux yum源配置以及yum命令讲解

前面为大家介绍了RPM二进制包安装软件,RPM包安装的最大的缺点也提到过,就是依赖性太强,一旦遇到依赖问题,则需要我们手动解决包之间具有依赖性的问题,今天为大家介绍一种可自动解决包之间依赖关系的安装方式:yum。 yum 全称“Yellow dog Updater, Modified”,是一个专门为了解决包的依赖关系而存在的软件包管理器。就好像 Windows 系统上我们通常可以通过各种软件管家实现软件的一键安装、升级和卸载,yum就是Linux 系统中的一键安装工具。yum 解决依赖关系的基本逻辑是:yu

九派Linux的博客 2283

PHP定义的变量 常量 静态变量等储存在内存什么位置?

总的来说,PHP 中的变量、常量和静态变量、对象都需要在内存中进行分配和管理,但它们的内存分配和生命周期有所不同,因此对内存的使用和管理也需要有不同的考虑和处理。在 PHP 中,变量、常量和静态变量都存储在内存中。它们的存储位置和生命周期有所不同。

wqzbxh的博客 1061

【Python爬虫】爬取企业专利信息

本来是个美好的周末的,但是周五晚上领导给了一个公司名称的Excel,让把这些公司的专利信息爬取下来。本文记录了爬取企业专利信息的心酸过程。码字不易,喜欢请点赞!!! 一、找寻目标网页 在接到这个任务之后,我的内心是拒绝的。但是又不能不干。因此首先我需要先找到有公司专利信息的地方。在一番查找和问了问朋友之后,我知道中国专利网、国家知识产权网、Incopat、天眼查、企查查这些网站上面都有企业的专利...

Asher117的博客 2万+

<转载>PHP的静态变量介绍

PHP的静态变量介绍 静态变量只存在于函数作用域内,也就是说,静态变量只存活在栈中。一般的函数内变量在函数结束后会释放,比如局部变量,但是静态变量却不会。就是说,下次再调用这个函数的时候,该变量的值会保留下来。只要在变量前加上关键字static,该变量就成为静态变量了。 1 <?php 2 function test() 3 { 4 5 ...

weixin_30872157的博客 169

智能化运维(AIOps)

• 调查显示,54.79%的企业当前着重关注智能运维的质量领域(包括异常检测、告警收敛、根因分析、 故障处置等)能力建设,其次45.77%的企业关注效率领域,45.49%的企业关注成本领域,30.82%的 企业关注安全领域。从目前的发展情况来看,现阶段AIOps能力大多集中在L2级别, 主要以系统辅助分析,帮助人工进行决策和操作为主,较为领先的 能力实践可以达到L3级别,而L4和L5级别随着AIOps的技术发展 和能力的逐步增强,将是未来智能运维能力建设的发展方向和目标。

追求更专业的设计 3097

PyCharm旧版本下载地址

快捷找到PyCharm历史版本下载地址

piaopiaolanghua的专栏 4434

static变量存放在栈中_对PHP变量的实现方式以及内存管理的梳理

变量局部变量 PHP中局部变量分配在zend_execute_data结构上,每次执行zend_op_array都会生成一个新的zend_execute_data 局部变量通过编译时确定的编号进行读写操作静态变量 静态变量只会在编译时初始化,保存在zend_op_array->static_variables 这个哈希表中 静态变量通过哈希表保存,这就使得能像普通变量那样有一个固定...

weixin_39838231的博客 296

YOLOv11涨点改进 | 全网独家创新,注意力改进篇 | TGRS 2025 | 引入APCM自适应像素级协同机制,动态增强目标区域、抑制背景噪声,助力YOLOv11做红外小目标检测有效涨点

本文提出了一种基于APCM模块改进的YOLOv11网络模型,通过像素级局部-全局协同建模增强目标特征并抑制背景噪声。APCM模块采用轻量化设计,无需复杂参数,能有效提升小目标检测性能。文章详细介绍了APCM的原理、优势及其在红外小目标检测中的应用,包括模块结构、核心代码实现和YAML配置文件修改方法。实验结果表明,该方法在NUAA-SIRST和IRSTD-1K数据集上优于现有技术,显著提高了复杂场景下的检测精度与鲁棒性。

Ai缝合怪、助力小伙伴高效发论文 116

简述php静态变量,PHP static:静态变量

静态变量是一个特殊的局部变量,通过前面的学习我们知道,在函数内部定义一个局部变量,函数调用结束之后这个变量就会被销毁,不能继续使用了。而静态变量不同,静态变量在初始化之后,会在程序运行期间会一直存在。和局部变量相比,静态变量具有一下特点:当函数执行完毕后,静态变量不会消失;静态变量只能在函数内部使用;静态变量只会被初始化一次;静态变量初始化的值可以省略,默认值为 null;静态变量的初始值只能是具...

weixin_30522983的博客 1165

【华为OD机试真题E卷】514、学生方阵 | 机试真题+思路参考+代码分析(E卷复用)(C++、Java、Py)

【华为OD机试真题E卷】514、学生方阵 | 机试真题+思路参考+代码分析(E卷复用)(C++、Java、Py) 题目描述 学校组织活动,将学生排成一个矩形方阵 请在矩形方阵中找到最大的位置相连的男生数量 这个相连位置在一个直线上,方向可以是水平的,垂直的,成对角线的或者呈反对角线的 注:学生个数不会超过10000

KJ.JK 2492

句向量(句嵌入)模型sent2vec的训练及应用

本文讨论NLP中的句向量模型(sent2vec),也就是将一个完整的句子映射成一个实数向量的技术。这方面已经发表的成果也是比较多的,本文中所涉及的技术主要源自NAACL 2018的一篇论文,其中提出的sent2vec模型可以理解为词嵌入技术中经典的CBOW方法的扩展,该所谓的扩展中一个重要改进就是引入了n-gram

白马负金羁 1万+

PHP学习笔记(引用变量、可变变量、静态变量)

一、引用变量 引用变量是指用不同的变量名去访问同一个变量内容,即两个不同的变量指向同一个内容。引用变量通过符号“&amp;amp;amp;amp;amp;amp;amp;”进行定义。例如: $var1 = &amp;amp;amp;amp;amp;amp;amp;$var2; 将变量$var1和变量$var2指向同一个内容。引用后,变量$var1和$var2完全相同。 引用变量不同于一般的变量赋值。当用一个变量向另一个变量赋值时,例如: $var1 = $var2; 这种

Sunny王维 940

Ardupilot二次开发(二):自定义mavlivk消息

在下面的文件添加自定义消息的xml定义然后编译固件,会生成相应的消息头文件。

超维空间科技的博客 2313

php中静态变量的例子介绍,PHP中静态变量的使用方法实例详解

这篇文章主要介绍了PHP中静态变量的使用方法,结合实例形式分析了php静态变量的使用步骤与具体操作技巧,需要的朋友可以参考下1.定义静态变量public static $endpoint,$accessKeyId,$accessKeySecret,$bucket;2.静态变量赋值protected function _initialize() {self::$endpoint = C('OSS_E...

weixin_42319263的博客 287

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

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")

PHP 静态变量的介绍

PHP静态变量 变量在程序里是生命周期,存储在栈上,函数执行完就会被释放,而静态变量不同之处在于,函数执行完后并不会被释放,而是保留到下次函数调用,直到程序执行完,才从栈上释放 在PHP中有3类全局变量 global定义全局变量 使用static关键字声明的类静态变量,函数静态变量 PHP超全局变量 $_GET,$_POST,$GLOBALS 意味着以上的的全局变量在全部作用域都有效 ...

weixin_30914981的博客 70

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

代码静态变量详细的介绍一下PHP递归算法

本文笔者在北京喝咖啡的时候突然想到的...之前就有想写几篇关于代码静态变量的文章,所以回家到之后就奋笔疾书的写出来发布了 PHP递归算法代码: 复制代码代码如下: < ?php //定义PI一分的角度的值 define("PII",M_PI/180); //新建图像资源,并定义其背景为白色,前景色为玄...

weixin_30732825的博客 202

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

php中static静态变量的用法介绍

php中的变量作用范围的另一个重要特性就是静态变量(static 变量)。静态变量仅在局部函数域中存在且只被初始化一次,当程序执行离开此作用域时,其值不会消失,会使用上次执行的结果。 看看下面的实例:    function Test()  {  $w3sky = 0;  echo $w3sky;  $w3sky++;  }  \?>  本函数每次调用时都会

senlin1202的博客 277

php怎么静态变量,PHP中静态变量的使用方法实例分析

本文实例讲述了PHP中静态变量的使用方法。分享给大家供大家参考,具体如下:1.定义静态变量public static $endpoint,$accessKeyId,$accessKeySecret,$bucket;2.静态变量赋值protected function _initialize() {self::$endpoint = C('OSS_ENDPOINT');self::$accessKe...

weixin_28862557的博客 583

php基础学习之作用域和静态变量

在函数内部(局部)用global关键字定义一个变量(定义时不能赋值!),将赋予该变量全局属性,前提是该函数要先被调用且正常运行到定义该变量的代码此时如果已经存在一个同名的全局变量,那么这个局部变量就直接成为这个同名全局变量。

这个博主不懒,但Ta什么也没写~(私信互关24小时必回) 1422

PHP中的static静态变量的使用方法详解

php中的变量作用范围的另一个重要特性就是静态变量(static 变量)。静态变量仅在局部函数域中存在且只被初始化一次,当程序执行离开此作用域时,其值不会消失,会使用上次执行的结果。 <?php function Test() { $w3sky = 0; echo $w3sky; $w3sky++; } ?> 本函数每次调用时都会将 $w3sky 的值设为 0...

Jack huang 的技术笔记 1622

php 静态变量魔术方法,PHP的魔术常量(变量)、魔术方法(函数)、超全局变量的介绍...

这篇文章主要介绍了关于PHP的魔术常量(变量)、魔术方法(函数)、超全局变量的介绍,有着一定的参考价值,现在分享给大家,有需要的朋友可以参考一下一、魔术常量(魔术变量)概念:所谓的魔术常量就是PHP预定义的一些常量,这些常量会随着所在的位置而变化。1、__LINE__ 获取文件中的当前行号。2、__FILE__ 获取文件的完整路径和文件名。3、__DIR__ 获取文件所在目录。4、__FU...

weixin_36214932的博客 365

PHP静态变量初始化一次

PHP中的变量作用范围的一个重要特性就是静态变量(static 变量),仅在局部函数域中存在且只被初始化一次,当程序执行离开此作用域时,其值不会消失,会使用上次执行的结果。我们先来看看下面的实例:  1 2 function Test()  { 3 $w3sky =

haozi3156666的专栏 5940

php静态变量 销毁,php删除静态变量的方法

php删除静态变量的方法发布时间:2020-09-29 15:24:48来源:亿速云阅读:66作者:小新这篇文章给大家分享的是有关php删除静态变量的方法的内容。小编觉得挺实用的,因此分享给大家做个参考。一起跟随小编过来看看吧。php删除静态变量的方法:可以通过重新定义的方式进行删除,如【$temp = null】。不可以使用unset()函数删除静态变量,因为该函数只是销毁了局部变量。PHP设置...

weixin_30066779的博客 795

PHP静态变量--注意点

PHP 静态变量的销毁 public function _childrenids($data,$cate_id,$clear=false) { static $arr = array(); if ($clear) { $arr = array(); } foreach ($data as $k => $v) ...

cangqiong_xiamen的博客 193
上一篇: php引用传值详解
下一篇: PHP正则口诀
Lankecms
博客等级 码龄15年 14粉丝 7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