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>






《点亮创新灯塔!AI应用架构师与中小学初等教育AI智能体,共筑智能化教育辅助创新灯塔》 中小学AI智能体,是基于AI技术,能感知教育场景、理解教育规律、辅助教师教学和学生学习的智能系统。做老师“做不了”的事:比如5分钟批改45本作业,精准统计每个学生的易错点;做老师“做不好”的事:比如根据学生的学习风格(视觉/听觉/动觉)推荐个性化内容;绝不做老师“该做的事”:比如情感交流、价值观引导、创意教学设计——这些“人的温度”,AI永远无法替代。我是林宇,资深AI应用架构师,专注教育AI领域8年,参与过10多个中小学AI智能体项目,曾为北京、上海、深圳等城市的100多所学校提供AI教育解决方案。 阅读详情

相关推荐

Agent测试框架Harbor指南

Harbor是一个AI Agent单元测试框架,用于自动化测试AI代理在容器环境中的任务执行能力。它支持18+种AI代理,通过沙箱隔离和自动验证机制评估任务完成情况。任务必须具有可编程验证的输出结果,适合代码、数据、系统等可量化任务,不适合创意写作等主观任务。Harbor采用CLI操作方式,核心架构包含Job管理、Trial执行和验证器三个层级,执行流程包括环境启动、Agent执行和结果验证。任务目录包含指令文件、配置文件、Docker环境定义和测试脚本等必需组件,通过测试脚本自动判断任务完成质量。

loo_Charles_ool的博客 1424

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

FPGA实现16x16点阵汉字滚动显示:Verilog代码与Quartus仿真详解

本文详细介绍了如何使用FPGA实现16x16点阵汉字滚动显示,包括Verilog代码设计、Quartus仿真及硬件连接技巧。通过字模数据存储和扫描控制逻辑,实现汉字的动态显示效果,并提供了优化建议和常见问题解决方案,适合FPGA开发者和硬件爱好者学习参考。

weixin_29172963的博客 354

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

深入解析Vortex GPGPU cache设计(2),关于cache_bank

本文分析了Vortex处理器的cache_bank模块设计,作为cache系列的第二部分。文章详细阐述了cache_bank的基本结构,包括地址位分配和默认配置参数。重点解析了cache的5种操作及其优先级。文章详细介绍了二级流水线设计,包括TAG/DATARAM的读写操作时序。

weixin_55313207的博客 1173

Multisim14.2新建项目教程

这里用一个案例,具体说明电路仿真分析的基本流程。等。本案例的电路目的:对一个交流小信号进行采样、放大,将交流小信号转换成脉冲信号。然后用一个简单的数字计数器对脉冲信号的周期进行计数,并用七段数码管和发光二极管显示计数过程。启动Multisim 14.2软件,在“工作区”出现一个名为“设计1”的空白图纸,选择“文件”→“另存为(a)…”,出现一个标准的Windows保存文件对话框。按导航定位到要保存文件的位置,输入“×××”作为文件名,然后单击“保存”按钮。注意。

Skiko的博客 4032

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

从0到1搭建StarRocks3.4.1存算一体架构(VM 虚拟机版)

本文详细介绍了如何在VM虚拟机上从零搭建StarRocks 3.4.1存算一体架构。首先阐述了StarRocks作为高性能分布式SQL数据仓库的优势,重点讲解了其存算一体架构的设计原理。随后提供完整的安装指南,包括环境准备(3台CentOS 8虚拟机配置)、网络互通验证、Java环境配置、软件包解压安装等关键步骤。文章特别详细说明了FE和BE节点的配置文件修改(fe.conf和be.conf)以及必要的防火墙端口开放配置。通过图文并茂的方式,帮助开发者和运维人员快速掌握StarRocks集群部署方法,为后续

小 tom的博客 1335

【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

面积二次矩second moment of area 极惯性矩polar moment of area 转动惯量moment of inertia面积一次矩first moment of area

看论文记录一下力学的名词专业术语,后面可以查看。

subtitle_的博客 5373

4、文化遗产数字记录的伦理框架构建

本文探讨了在数字技术快速发展的背景下,如何构建一个伦理框架以指导文化遗产的数字记录工作。文章分析了遗产保护的重要性以及当前面临的挑战,包括气候变化、全球化和技术变革等。同时,结合国际古迹遗址理事会(ICOMOS)的伦理原则和加拿大遗产专业人员协会(CAHP)的行为准则,提出了六个核心伦理类别,并讨论了其在实践中的应用。文章强调,伦理框架不仅有助于提高数字记录的质量和可持续性,还能促进专家合作、保护社区利益并确保数字遗产的长期可访问性。未来需要持续完善这一框架,以应对不断变化的技术和社会环境带来的新挑战。

7h6j5k4l3的博客 100

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

45、使用 sqlread 函数将数据从数据库表导入 MATLAB

本文详细介绍了如何使用 MATLAB 中的 `sqlread` 函数从不同类型的数据库(如 Microsoft SQL Server 和 SQLite)中导入数据。文章涵盖了 `sqlread` 的基本语法、输入输出参数、使用示例以及注意事项,并通过多个实例演示了自定义导入选项、元信息检索和数据类型转换等内容。此外,还总结了导入数据库数据的通用流程及最佳实践建议,帮助用户更高效地进行数据分析和处理工作。

bash7scripter的博客 134

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

jre9下载 jdk9

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

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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

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")

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

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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