web05jsp

构建在线购书系统:Java EE实战教程 JSP(Java Server Pages)是一种动态网页技术,允许开发者将Java代码嵌入到HTML页面中。JSP页面在服务器端被编译为Java Servlet,然后生成动态内容。这一技术自1999年推出以来,成为构建动态Web应用的标准之一。 阅读详情

jsp: java server page

是sun公司发明的一种服务器端页面生成.

用于替换servlet中的out.printlin()

如何编写以及运行一张jsp页面?

webConten>>xxx.jsp

http://localhsot:8080/web05/index.jsp


Jsp的实质是servlet类


jsp生成的.java源文件目录


/Users/kinderice/Pictures/Desktop/apache-tomcat-6.0.47/work/Catalina/localhost/web05/org/apache/jsp 


JSP的组成部分:

1>jsp指令

page指令:

<%@page %>

属性:

contentType:在生成的.java的源文件设置resp输出内容类型:response.setContentType("");


pageEncoding:

告诉tomcat,在输出.java文件时所使用的编码.(输出到源文件保存)


告诉浏览器以什么编码打开改页码:

<metahttp-equiv="Content-Type"content="text/html; charset=UTF-8">


2,html/css/js页面代码

jsp引擎会把这些页面代码原样输出到客户端.


导包:

<%@page import="java.text.*,"%>

<!-- 被包含在<%%>中的代码是java代码-->

<% %>

<%=now %>在html页面显示java变量值


请求到达服务器,Servlet 控制器调用Model(Service)>>Dao()>>>拿到返回数据时需要在jsp页面显示结果就需要把结果封装到response中转发到jsp页面显示结果.


请求转发:

什么是请求转发?


request.setAttribute("key",value);

请求转发

request.getRequestDispatcher("emplist.jsp").forward(req.resp);

转发和重定向的区别:

转发是服务器内部组件跳转,所有涉及的组件共享request对象,所以我们使用的request进行参数传递.

重定向是客户端再次发送新的请求,所以request对象是新的,不能使用request进行组件之间参数传递.


发送了几次请求?

转发:1次

重定向:2次



请求转发完成后浏览器地址停留的地址?


重定向:第二次请求的地址

转发:唯一次请求的地址


什么时候用转发?什么时候用重定向?

如果需要向第二个组件传递参数必须用转发,其余都可以用重定向.

如果一件事情在第一个组件中没有完成,需要交个第二个组件去做,那么使用转发.若已经完成了可以直接重定向.



转发和重定向是两回事:

// 4,重定向

resp.sendRedirect("list.do");

//如果使用请求转发,客户端不知道,浏览器地址栏不会更新一刷新就会再次访问之前的地址执行delete请求.所以不能用请求转发.

req.getRequestDispatcher("list.do").forward(req, resp);


<%@include file="header.jsp"%>引入子jsp. 多个jsp页面使用同一个header.


<%include file="header.jsp"%>

可以导入子页面.


servlet处理错误页面(service:)

throw new ServletException()

异常会被web容器捕获,tomcat会去web.xml中寻找有没有匹配的异常处理页面,若有则跳转到页面

若果没有,则返回一张默认异常页面.

web.xml

<error-page>

<error-code>500</error-code>

<location>/error500.html/jsp</location>

</error-page>






数学文化赏析MOOC笔记【2023】 深圳大学UOOC课程《数学文化赏析》课程笔记 阅读详情

相关推荐

Starlink vs Kuiper vs OneWeb:三大低轨卫星网络架构对比与实战应用场景解析

本文对比分析了Starlink、Kuiper和OneWeb三大低轨卫星网络架构的技术差异与商业应用场景。从轨道设计、通信性能到商业落地,详细解析了各系统在近地卫星网络领域的独特优势与挑战,为未来全球宽带服务格局提供专业见解。

weixin_29255731的博客 810

Java Web-05(JSP)

JSP JSP技术 JSP全称Java Server Pages,是一种动态网页开发技术。它使用JSP标签在HTML网页中插入Java代码。标签通常以<%开头以%>结束。 JSP是一种Java servlet,主要用于实现Java web应用程序的用户界面部分。网页开发者们通过结合HTML代码以及嵌入JSP操作和命令来编写JSP。 JSP通过网页表单获取用户输入数据、访问数据库及其他数据源,然后动态地创建网页。 JSP标签有多种功能,比如访问数据库、记录用户选择信息、访问JavaBe.

小北呱的博客 492

从Excel到‘一张图’办案:手把手教你用AbutionGraph构建公安经侦知识图谱(含数据建模避坑指南)

本文详细介绍了如何利用AbutionGraph时序图数仓技术,将公安经侦领域的Excel、银行流水等碎片化数据转化为可交互的知识图谱。通过数据清洗、实体关系模型设计、时序数据处理等步骤,实现高效智能分析,提升办案效率。特别包含数据建模避坑指南和实战案例,助力公安金融案件侦破。

weixin_33702545的博客 343

Java web程序与开发 05 JSP技术基础

JSP技术基础1.JSP语法、生命周期与隐含变量2.JSP指令与作用域对象1.JSP页面生命周期2.组件包含1.静态包含: include指令2.动态包含: include动作静态与动态的区别 1.JSP语法、生命周期与隐含变量 2.JSP指令与作用域对象 1.JSP页面生命周期 2.组件包含 JSP规范提供重用Web组件的机制,允许在JSP页面中包含另一个Web组件的内容或输出。通过两种方式实现...

麦克斯韦小迷妹儿~的博客 230

Ubuntu 22.04下Minkowski Engine编译避坑指南:解决Cuda 12.2与Pytorch cu118版本冲突

本文详细介绍了在Ubuntu 22.04系统中解决Minkowski Engine编译时Cuda 12.2与Pytorch cu118版本冲突的实用方法。通过修改版本检查逻辑、创建兼容符号链接等技巧,帮助开发者顺利完成编译,并提供了性能优化建议和替代方案,确保三维点云处理任务的高效运行。

weixin_42543309的博客 163

解决vscode 连接服务器报错:The remote host may not meet VS Code Server‘s prerequisites for glibc and libstdc++

解决vscode远程连接服务器报错:The remote host may not meet VS Code Server's prerequisites for glibc and libstdc++ (The remote host does not meet the prerequisites for running VS Code Server)

qq_37200100的博客 9912

JAVA WEB DAY 05_JSP-EL-JSTL-三层架构

文章目录JSP - EL - JSTL - 三层架构目标01_JSP概述-[★★]02_JSP的执行过程-[★★] JSP - EL - JSTL - 三层架构 目标 能够说出 jsp 的优势 能够编写 jsp 代码片段、声明、脚本表达式 能够说出 el 表达式的作用 能够使用 el 表达式获取 javabean 的属性 能够使用 jstl 标签库的 if 标签 能够使用 jstl 标签库的foreach 标签 能够使用 jstl 标签库的 choose 标签 01_JSP概述-[★★]

NTT0101的博客 495

[kriging](一)网上下载的kriging克里金的C++程序的初步调试

笔者在网上下载了一份克里金的C++程序,水平有限,正在逐步地调试中。 初步 克里金法现在在许多软件都已经有集成了,据笔者所知: arcgis : 看过有的arcgis培训视频里面简略介绍了里面的插值方法,有克里金。 surfer :笔者用过这个,效果很好。 gocad :听说有 landmark &jason :研究生时候用的专业的石油物探软件,里面有克里金法,万恶的开始。 pykrig...

FOREST优快云 5612

【JAVA Web】入门实验05 JSP、JavaBean的注册验证类

1.定义注册类的JavaBean:ResigterFormBean。2.定义注册的三个属性,存在错误信息属性,注册校验方法。3.在JSP页面引入JavaBean、实例化并输出。

qq_65958201的博客 191

VTK 9.2.0 在 Windows 10 上编译全记录:从 CMake 配置到 VS2019 项目生成(附 Qt 环境变量避坑点)

本文详细记录了VTK 9.2.0在Windows 10上的编译全过程,从CMake配置到VS2019项目生成,特别强调了Qt环境变量的避坑点。通过实战步骤和调试技巧,帮助开发者顺利完成VTK编译,适用于三维可视化开发。

weixin_30082367的博客 365

企业级防火墙实战:用深信服AF8.0打造安全办公网络(含流控/僵尸防护配置)

本文详细介绍了如何利用深信服AF8.0防火墙构建企业级安全办公网络,涵盖设备初始化、多接入方式配置、三维一体安全防护体系(包括应用控制、僵尸防护和智能流控)以及典型问题排查。通过实战案例和配置模板,帮助IT管理员高效部署和优化网络安全管理,提升企业网络安全防护能力。

weixin_28716443的博客 283

Java EE Web部分--05.JSP、EL、JSTL

学习目标 JSP (Java Server Pages) EL ( Expression Language ) JSTL (The JavaServer Pages Standard Tag Library) 一、JSP 1、概述 JSP全名为Java Server Pages 、java服务器页面。既能写html代码、又能写Servlet、其本质是一个简化的Servlet。 创建:...

一叶知秋 623

RTA_OS基础功能讲解 2.6-资源锁和自旋锁

访问需要在任务和 ISR 之间共享的硬件或数据可能不可靠、不安全。这是因为当优先级较低的任务或 ISR 正在更新共享数据时,可能会发生任务或 ISR 抢占。这种情况被称为竞争条件,极难测试。访问共享数据的语句序列称为关键部分。要安全访问关键部分中引用的代码和数据,就需要执行互斥。换句话说,必须确保系统中没有其他任务或第 2 类 ISR 能够在关键部分期间抢占正在执行的任务。你可以将任务声明为非抢占式任务,这样就可以避免互斥问题。

本博客专注于嵌入式软件领域技术分享。 291

Web05JSP/Cookie/Session/Filter/Listener/Axios

一:JSP 1:jsp 1:简介 2:快速入门 3:原理 4:脚本 5:缺点 2:EL表达式 3:JSTL 1:if 2:foreach遍历

weixin_59449833的博客 193

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

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")

chapter05_Java Web_1_Servlet和JSP

Servlet (1) Servlet针对每个请求,都创建一个线程来执行 (2) 处理客户端请求的__步骤__ 1° Web服务器收到请求后,会把请求交给相应的容器(例如Tomcat),容器此时会创建两个对象 HttpServletResponse和HttpServletRequest 2° 容器调用Servlet的service()方法,service()方法调用 doGet()或doPos...

captxb的博客 158

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Bigdata Development Web_Study_05(JSP中九大内置对象)

九大内置对象<!-- 为了方便JSP开发,会在_jspService()方法中传入9个对象提供我们使用,这些方法不用生命就可以直接使用,叫做内置对象对象 java类 作用 request HttpServletRequest 封装了请求对象 response HttpServletResponse 封装了响应对象 out

Mr_ShuaiShuai_Study Bigdata 326

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Java web三层架构的实现-JSP开发模型-2021-05-27

Java web三层架构的实现 使用三层架构编写程序实现用户注册与登录 代码的话就截图了,我建议还是自己照着敲一遍,自己写一遍还是比单纯的Ctrl+c好得多。 Ps:仅供参考,原封不动的照搬可能会出现问题 register.jsp(写完就运行这个) loginSuccess.jsp(注册成功后的跳转页面) 创建包domain,包含RegisterFormBean.java和UserBean.java RegisterFormBean.java UserBean.java 创建包util,包含DBU

carithly的博客 263

web作业05

2.apifox接口。

stardust_ccc的博客 43

用mysql编译:Java Web开发实战经典(基础篇)课后题答案 060501_〖第05章:JSP基础语法〗_第01题

以下为调试通过代码,需要更详细的可以私信我要修改的地方:1、改为  2、数据库的连接:public static final String DBDRIVER = "oracle.jdbc.driver.OracleDriver" ; public static final String DBURL = "jdbc:oracle:thin:@localhost:1521:MLDN" ;

xiaomi817的博客 1717

Java EE WEB工程师培训-JDBC+Servlet+JSP整合开发之05.JDBC MetaData

JDBC MetaData有两种: • 结果集的MetaData • 数据库的MetaData #####################Michael分割线######################### 结果集的MetaData • ResultSet的getMetaData方法返回结果集元数据对象ResultSetMetaData ConnectionUti...

weixin_34198797的博客 74

NoClassDefFoundError: javax/servlet/jsp/jstl/core/Config

使用spring3.05 mvc进行开发,使用tomcat容器,通过url映射寻找view的时候,会报错NoClassDefFoundError: javax/servlet/jsp/jstl/core/Config,如果随便去找个jstl包过来放入web-inf/lib会报错,正确的下载地址在这里(或者http://www.jar114.com/ 搜索一下),下载jakarta-taglibs-...

lanjiasheng的专栏 145

浅谈JSP及实战

写JSP就像是在写html,JSP允许在页面中嵌入java代码,并且可以在页面中获取request、response等web对象,实现与浏览器的交互。pageContext对象代表JSP页面的运行环境,封装了对其他隐式对象的引用,还是一个域对象可以用来保存数据。的区别是前者中调用了后者,当数据为空时,前者可以输出空,后者什么也不输出。JSP页面中的html内容称为JSP模板元素,模板元素定义了网页的基本骨架,即页面的结构和外观。JSP页面包含模板元素、表达式、脚本片段、声明、注释、指令、标签、内置对象。

快乐江小鱼的博客 1027

JSP元素学习笔记

创建Web项目JSPElementsDemo 添加标签库JSTL所需要的jar包 在web目录创建demo01.html页面 在web目录里创建demo02.jsp页面 启动服务器,访问http://localhost:8080/JSPElementsDemo/demo02.jsp demo02.jsp的代码如下: 再启动服务器,访问http://localhost:8080/JSPE...

qq_Lisa的博客 155

JSP基于web的多媒体素材管理系统y7468--(程序+源码+数据库+调试部署+开发环境)

随着信息技术的飞速发展,多媒体素材(如图片、音频、视频等)在教育、广告、媒体制作等领域的应用日益广泛。然而,海量多媒体素材的管理、检索与共享成为一大挑战。传统管理方式效率低下,难以满足快速响应和高效利用的需求。因此,开发一套基于Web的多媒体素材管理系统,旨在实现多媒体素材的数字化、集中化、智能化管理,对于提升工作效率、降低管理成本具有重要意义。

CK3034的博客 1123
上一篇: web02D
下一篇: web06 Http状态管理
AverageJoe24
博客等级 码龄13年 0粉丝 32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