用C编程,运用单链表判断密码是否正确

C语言小试牛刀(一):活期储蓄帐目管理 活期储蓄帐目管理活期储蓄帐目管理 活期储蓄处理中,储户开户、销户、存入、支出活动频繁,系统设计要求: 1)能比较迅速地找到储户的帐户,以实现存款、取款记账; 2)能比较简单,迅速地实现插入和删除,以实现开户和销户的需要。 关于C语言基本操作的应用课设,完成以上的活期储蓄管理系统。每个账户包含信息:帐号,用户名,余额(本系统不涉及用户的密码编程)。 采用单链表的方式存储用户信息: 阅读详情
要求是:在程序中预设一个密码,用户通过键盘输入一个密码,如果输入的密码与程序中预设一致,则显示“Welcome!”。当用户输入密码时,屏幕应不回显字符,或者显示‘*’号字符;限制密码输入次数,如果用户输入的密码超过限定次数,如3次,则在3次都不正确输入之后,应退出程序。

此题可用数组或者单链表完成,数组较为简便,但是为了练习单链表的内容,此题应用链表完成。

#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#include<conio.h>
struct key* InputPassword(key* head, char* keyword);
typedef struct key
{
	char password;
    key* next;
};
void main()
{
	key* head = NULL;
	char keyword[7] = "123456" ;
	InputPassword(head, keyword);
	while (true)
	{

	}
}
struct key* InputPassword(key* head, char* keyword)
{
	static int count = 1;  //用于计数,当count>3之后推出程序
	key* p;  //用于开拓新节点(一位密码)
	printf("请输入6位密码\n");
	int i = 0;
	while (i != 6)
	{
		p = (key*)malloc(sizeof(key));
		p->password = _getch();
		printf("*");
		p->next = head;
		head = p;
		i++;
	}
	char judge[7] = { 0 };
	key* tphead;  //定义一个指针遍历链表将输入的一串密码赋值给judge以便比较是否与正确密码一致
	tphead = head;
	i = 5;
	while (i >= 0)
	{
		judge[i] = tphead->password ;
		i--;
		tphead = tphead->next;
	}
	if (strcmp(judge, keyword) == 0)
	{
		printf("\nWelcome!\n");
	}
	else
	{
		printf("\n密码错误\n");
		count++;
		if (count <= 3)
		{
			InputPassword(head, keyword);
		}
		else
		{
			exit(0);
		}
	}
	return head;
}
由于本人是大一初学者,代码很多地方不够优,思维逻辑可能还不够很灵活,纯粹是为了记录,让自己以后也可以回顾下。有什么做的不好的欢迎各路大佬指教!~^ . ^~


2020最新版C/C++学习路线图--C高级编程重点知识 黑马程序员C/C++学习路线图大纲中第二阶段的学习是C高级编程的学习:主要介绍了C/C++学习路线图的C高级编程的学习目标,C/C++学习路线图的C高级编程的市场价值,C/C++学习路线图的C高级编程的重点知识。C/C++学习路线图中的C高级编程部分的学习视频可以在黑马程序员视频库中找到自学教程。 C/C++学习路线图中C高级编程的技术要点: 内存分区、函数调用模型;指针高级;函数指针与回调函数;... 阅读详情

相关推荐

单链表实现用户登录管理

C语言单链表实现用户登录管理 1.1 课程设计内容 能够建立单链表记录已登录的用户信息,每隔三分钟要修改一次费用余额,可随时浏览登录信息。用户推出后,需要将登录信息学如文件中,并可浏览登录信息的历史记录。 1.2 课程设计要求 1.需要包括如下的用户基本信息:用户名,密码,登录的时间,用户级别,费用余额。 2.参考相应的资料,独立完成课程设计任务。 3.交规范课程设计报告和软件代码。

c语言03之简单检验密码正确

题目 编写一个检验密码的程序。要求用户从键盘上输入密码(用户的帐户密码可自己设定,位数为6位数,比如“123456”), 如果正确,则显示信息:Welcome!如果输入错误,则显示:Wrong!Try again!控制循环次数,最多三次机会, 超过3次报错,给出提示:Good bye! 源代码 #include<stdio.h> #include<string.h> int main() { /* 编写一个检验密码的程序。要求用户从键盘上输入密码(用户的帐户密码可自己设定,位数为

weixin_60523892的博客 5810

带密码的约瑟夫环建立一个单链表,编写程序依次输出出列顺序

n个人围坐在一起,每人拥有一个密码。开始时从一个人按顺时针方向报数,报到m为止(m<=20),最后报数的人出列,将出列的人的密码数作为下一个m。从出列人的下一位开始顺时针报数,数到m的人出列。如此循环下去,直到所有人出列为止。 条件n=7m=20密码以次为3172474 要求 建立一个单链表,编写程序依次输出出列顺序。

linux shell脚本--单分支、双分支、多分支;逻辑与、逻辑或

linux shell脚本--单分支、双分支、多分支;逻辑与、逻辑或,read -p接收用户从键盘输入内容

m0_64287200的博客 572

c语言验证输入密码是否正确不要函数

#define N 4 #include void main() { int i, j = 0, k; char a[N], d[N] = {'c', 'p', 'q'}; while(1) { k = 1; for(i = 0; i < 4; i ++) scanf("%c",&a[i]); for(i = 0; i < 4; i ++)

东方财富 vs 新浪 vs AKShare:3 种股票实时数据接口性能与稳定性实测对比

本文深度评测了东方财富、新浪和AKShare三种股票实时数据接口的性能与稳定性。通过实际测试数据,从延迟、成功率和数据完整性三个维度进行全面对比,为量化交易和数据分析开发者提供选型参考。结果显示,东方财富接口在实时性和稳定性方面表现最优,适合高频交易场景。

weixin_30800807的博客 388

【C语言】对密码输入进行判断,3次输错退出

#include <string.h> int main() { char password[20] = { 0 }; int i = 0; for (i = 0; i < 3; i++) { printf("请输入密码:>"); scanf("%s", password); if (strcmp(password, "123456") == 0) { printf...

Chenkaicas的博客 2380

【锂离子电池力学耦合及相场法模拟技术与应用】

8. 电化学仿真软件的使用与案例分析 (1) 各向异性纳米线锂化应力分析(实例讲解1) (2) 化学反应及死锂现象研究(案例分析2)(3) 锂化循环损伤计算(案例分析3)6. 4. 电池材料的力学与电化学耦合性能分析(1) 耦合效应对电池性能的影响(2) 耦合模型的验证与应。5. 5. 电池颗粒、极片、电芯尺度力-电-化-热多场耦合模型概述力学-7. 颗粒尺度耦合模型在电池失效分析中的应用。2. 2. 电池电极材料的分类与特性。5. (2) 耦合模型的验证与应用。电化学耦合模型与仿真。

weixin_51101456的博客 523

判断密码是否合法

problem description: (1).密码长度大于等于8,且不要超过16。 (2).密码中的字符应该来自下面“字符类别”中四组中的至少三组。 这四个字符类别分别为: 1.大写字母:A,B,C…Z; 2.小写字母:a,b,c…z、 3.数字:0,1,2…9; 4.特殊符号:~,!,@,#,$,%,^; 思路:要求1容易实现,要求2需要分 ...

qq_42894715的博客 3165

ESXI 7 :创建统信V20_1050d服务器系统虚拟机

记录一下在 X86 架构创建统信V20_1050d 虚拟机遇到的问题。已遇到的问题有①:常规服务器环境下网络连接失败重点:按照桌面版本,有问题处理简单。

guyuelin123的博客 1968

从零部署Stable Diffusion:本地环境搭建完整教程

本文专为“想自己跑Stable Diffusion但完全没经验”的新手设计,覆盖从硬件准备到生成第一张图的完整流程。不涉及复杂算法原理,但会讲清每个操作的“为什么”(比如为什么需要显卡?为什么要装CUDA?),帮你知其然更知其所以然。先检查硬件是否达标(显卡是核心!安装必要软件(操作系统、Python、CUDA)下载Stable Diffusion核心代码和模型解决常见报错,生成第一张图附赠模型库推荐和性能优化技巧显卡是核心:N卡+足够显存(至少6G)是本地部署的基础。CUDA是翻译。

AI算力网络与通信的博客 1294

检测密码是否有效,包含大写、小写、数字、特殊符号等

/** * 是否有效密码 * @param pwd * @return */ public static boolean isValidPwd(String pwd) { int numasc = 0; int charasc = 0; int otherasc = 0; String v = pwd; if (0 == v.length()) { return false; } else if (v.length() < 8.

1296

TI理想二极管在冗余电源中应用实例

深入探讨理想二极管如何提升冗余电源系统的效率与可靠性,通过实际应用案例展示其在电流隔离和自动切换中的优势,帮助工程师优化电源架构设计。

weixin_30653091的博客 991

数据结构:约瑟夫环加强版(每出局一人密码便会更改一次)(C语言 单链表)

约瑟夫环(加强版) 主要运用了 循环单链表的建立、删除 题目描述 编号是 1,2,„„,n 的 n 个人按照顺时针方向围坐一圈,每个人只有一个密码(正整数)。一开始任选一个正整数作为报数上限值 m,从第一个仍开始顺时针方向自 1 开始顺序报数,报到m 时停止报数。报 m 的人出列,将他的密码作为新的 m 值,从他在顺时针方向的下一个人开始重新从 1 报数,如此下去,直到所有人全部出列为止 题目解析 与一般的约瑟夫环相比较,该试题每次出局的密码都会更改 插入代码 int CreateList_F(Li

仔仔木的博客 1722

关于IBV_WR_RDMA_WRITE_WITH_IMM的理解

对于IBV_WC_RECV_RDMA_WITH_IMM的描述是这样的,也就是说并不需要sge,所以下发的sge,可以是NULL,个数可以是0。(1)需要下发post_recv,但是下发是post_recv当中的sge的地址可以是空,sge个数可以是0。伪代码,实际的rkey和addr已经通过socket交换。并且poll_cq时,有返回,在这篇文章当中对于poll_cq时,主要区别点有两个,这个是对于接收端而言。(2)可以带即时数据,

qq_38158479的博客 2422

【Bug已解决】Codex CLI 运行时出现 command not found: codex 解决方案

方案适用场景推荐指数修复 PATH 配置最常见的基础排查方向⭐⭐⭐⭐⭐检查原生二进制完整性PATH 正常但执行仍然异常⭐⭐⭐⭐统一包管理器混用多种包管理器导致混乱⭐⭐⭐⭐确认安装脚本未被跳过CI/CD 或企业策略环境⭐⭐⭐⭐排查网络下载渠道企业内网/受限网络环境⭐⭐⭐需要留意 warning 中是否涉及脚本执行失败、网络超时重试等信息,这类 warning 往往是后续问题的前兆,建议出现明显的下载/网络相关警告时就主动重新安装一次确认。Codex CLI 报。

一键难忘的博客 1万+

c语言编程链表支付密码,C语言编程 对单链表的操作

------------------------先要定义单链表typedfed struct LNode{elemtype data;struct LNode *next;}LNode;------------------头插法建表linklsit Creat(linklist &L) // 逆位序输入n个元素的值,建立带表头结点的单链线性表L{int node;lin...

weixin_34871733的博客 143

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

算法c语言源码_C语言学生信息管理系统源码下载和思路解析(密码版)

在《C语言学生信息管理系统演示和说明(密码版)》一节中,我们对学生信息管理系统进行了介绍和演示,这节就来分析一下它的源码。学生信息管理系统源码下载地址:http://pan.baidu.com/s/1pKjMVij 提取密码:s2ki各位读者不妨先将源码下载下来浏览一遍,记住关键的几个函数,整理一下不了解的知识点,做到心中有数。一. 整体设计思路要想持久化地保存数据,必须要将数据写...

weixin_39929259的博客 448

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

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")

约瑟夫环运行结果截图 c语言,C语言单链表实现约瑟夫环

1.约瑟夫环问题编号为1,2…n的人按顺时针方向围坐一圈,每个人持有一个密码(正整数)。开始任选一个整数作为报数上限m,从第一个人顺时针自1开始顺时针报数,报到m时停止报数。报到m的人出列,将他的密码作为新的m值,从他顺时针方向上的下一个人开始重新从1报下去,如此下去,直到所有的人全部出列为止。例如,m的初值为20;n=7,7个人的密码依次是3,1,7,2,4,8,4。求出列的顺序。2.问题分析1...

weixin_28890831的博客 803

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

5.单向链表的经典问题(C语言详解:约瑟夫环,拉丁方阵,魔术师发牌问题,判断链表是否有环)

目录 1.约瑟夫问题 1.1经典的约瑟夫问题 1.2更加复杂的约瑟夫问题 1.3 用一维数组求解约瑟夫问题 2.拉丁方阵问题 3.判断单链表是否含有环 3.1比较步数法 3.2 快慢指针法 4. 魔术师发牌问题 5.几个经典问题的编程实现 5.1 C语言实现循环链表 5.2 测...

隔壁老王的博客 1187

班级考勤管理系统 数据结构 C语言

程序概述 开发环境 开发程序的工具Microsoft Visual C++ 6.0,(简称Visual C++ 6.0、VC++ 6.0或VC 6.0)是Microsoft公司推出的以C++语言为基础的开发Windows环境程序,面向对象的可视化集成编程系统。同时完全兼容C语言编程,它不但具有程序框架自动生成、灵活方便的类管理、代码编写和界面设计集成交互操作、可开发多种程序等优点。 基...

何大大的秘密基地 6412

使用循环单链表来解决约瑟夫问题

刚学数据结构做的一个模拟 标题 约瑟夫环 时间限制 2 S 内存限制 10000 Kb 问题描述 习题集P79。编号为1,2,…,n的n个人按顺时针方向围坐一圈,每人持有一个密码(正整数)。现在给定一个随机数m>0,从编号为1的人开始,按顺时针方向1开始顺序报数,报到m时停止。报m的人出圈,同时留下他的密码作为新的m值,从他在顺时针方向上的下一个人开始,重新从1开始报数,如此下去,直至所有的...

qq_43257520的博客 1230

带头结点单链表:从核心原理到C语言完整实现与避坑指南

链表是数据结构与算法中的基础线性结构,它通过节点和指针实现动态存储,克服了数组固定大小的限制。其核心原理在于每个节点包含数据和指向下一节点的指针,通过指针链接形成链式存储。这一设计赋予了链表在插入和删除操作上的高效性,尤其适用于数据频繁变动的场景。在实际工程中,为了简化边界处理、统一操作逻辑,常引入“头结点”(或称哨兵节点)这一关键优化技术。头结点作为不存储实际数据的辅助节点,使得对空链表、链表头部的操作与中间操作保持一致,显著提升了代码的健壮性和可读性。本文将以C语言为例,深入剖析带头结点单链表的内存布局

weixin_30652897的博客 324

c语言实现对密码(字符串)进行加密,并解密

/**习惯把密码明文存在本地文件中,这个小程序可以把存的密码以密文形式保存**/ #include #include #include #include int chartoasc(char c); int xor(int i); char asctochar(int a); int rand_num(); int encrypt(const char *org_pass,char *ne

子雅沫熙的博客 2万+

PTA(数据结构)- jmu-ds-单链表的基本运算

实现单链表的基本运算:初始化、插入、删除、求表的长度、判空、释放。 (1)初始化单链表L,输出L->next的值; (2)依次采用尾插法插入元素:输入分两行数据,第一行是尾插法需要插入的字符数据的个数,第二行是具体插入的字符数据。 (3)输出单链表L; (4)输出单链表L的长度; (5)判断单链表L是否为空; (6)输出单链表L的第3个元素; (7)输出元素a的位置; (8)在第4个

LANVNAL的博客 1129
下一篇: JAVA中序列化读取对象的问题
我要做个大太阳
博客等级 码龄9年 3粉丝 10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