linux访问ftp服务器命令

【Linux网络】FTP原理和配置 主要介绍了FTP概念以及相关命令 阅读详情

 

在linux访问时输入 用户名 anonymous 密码直接回车可以匿名登录

如果传输非文本,先输入bianry,然后再get就可以了

 

比如

ftp> get 5-4.tif 
227 Entering Passive Mode (192,168,0,118,83,73) 

150 Opening BINARY mode data connection for 5-4.tif (68334 bytes). 
WARNING! 397 bare linefeeds received in ASCII mode File may not have transferred correctly. 226 File send OK. 
68334 bytes received in 0.024 seconds (2.8e+03 Kbytes/s)

ftp> binary # 以二进制模式进行传输 

ftp> get 5-4.tif 

200 Switching to Binary mode.

 ftp> bye 
# 结束ftp传输模式

 

 

 

http://wenku.baidu.com/link?url=o_q60zIuPITFSJe_RNYLZ-ID607rtI0ZWj99Q0JavhYTjXwTeIxMqm0sSQY0o-uZZgjAXWNozcpVnBqQktWmBWUJnaiEHcfkz5K6jRFT8JG

 

连接ftp服务器 
  格式:ftp [hostname| ip-address] 
  a)在linux命令行下输入:ftp 10.18.34.115 
  b)服务器询问你用户名和口令,分别输入yint和相应密码,待认证通过即可。 
  2. 下载文件 
  下载文件通常用get和mget这两条命令。 
  a) get 
  格式:get [remote-file] [local-file] 
  将文件从远端主机中传送至本地主机中. 
  如要获取服务器上E:\rose\1.bmp,则 
  ftp> get /rose/1.bmp 1.bmp (回车) 
  b) mget       
  格式:mget [remote-files] 
  从远端主机接收一批文件至本地主机. 
  如要获取服务器上E:\rose\下的所有文件,则 
  ftp> cd /rose 
  ftp> mget *.* (回车) 
  注意:文件都下载到了linux主机的当前目录下。比如,在 /root/yint下运行的ftp命令,则文件都下载到了/root/yint下。 
  3.上传文件 
  a) put 
  格式:put local-file [remote-file] 
  将本地一个文件传送至远端主机中. 
  如要把本地的1.bmp传送到远端主机E:\rose,并改名为333.bmp 
  ftp> put 1.bmp /rose/333.bmp (回车) 
  b) mput 
  格式:mput local-files 
  将本地主机中一批文件传送至远端主机. 
  如要把本地当前目录下所有bmp文件上传到服务器E:\rose 下 
  ftp> cd /rose (回车) 
  ftp> mput *.bmp (回车) 
  注意:上传文件都来自于主机的当前目录下。比如,在 /root/yint下运行的ftp命令,则只有在/root/yint下的文件linux才会上传到服务器E:\rose 下。 
  4. 断开连接 
  bye:中断与服务器的连接。 
  ftp> bye (回车)

 

 

 

1.  sftp常用命令

        ls  查看当前目录下文件

        help 查看sftp支持哪些命令

  cd 指定目录

  pwd 查看当前目录

  get xxx.txt 下载xxx文件

put xxx.txt 上传xxx文件

        quit / bye / exit 退出sftp

        sftp  xxx.xxx.xxx.xxx   登录root用户

        sftp zygf@xxx.xxx.xxx.xxx  进行登录zygf用户

2.  sftp命令行登录过程

      ① sftp   xxx.xxx.xxx.xxx   登录(默认root用户),若指定用户 sftp zygf@xxx.xxx.xxx.xxx  进行登录(zygf为用户名)

      ② 登录成功后,会提示输入 密码

      ③  然后,可进入目录, ls 查看目录下内容

      ④  cd 切换目录,get 获取文件, put 上传文件

      ⑤  quit /  bye / exit  退出sftp

linux搭建并使用FTP服务器(vsftp)& linux如何配置ftp服务器,一文详解 阅读详情

相关推荐

mac与linux文件传输方式(使用命令访问ftp服务器)

mac与linux文件传输方式之一,可以通过ftp进行中转完成文件的传递,ftp的中转流程如下: 1.源机器登上ftp服务器方式如下 lftp -u 用户名,密码 访问路径 -p 端口 注意:如果出现-bash: lftp: command not found,执行brew install lftp。如果brew没有安装,参考mac终端brew command not found的解决办法 2.put +本地文件路径,就完成了将本地文件放到ftp上了 3.完成1之后,同理目标机器访问ftp

努力奋斗 2068

linux下使用ftp命令

1. 连接ftp服务器   格式:ftp [hostname| ip-address]   a)在linux命令行下输入:ftp 10.18.34.115   b)服务器询问你用户名和口令,分别输入yint和相应密码,待认证通过即可。   2. 下载文件   下载文件通常用get和mget这两条命令。   a) get   格式:get [remote-file] [local-

cuiyifang的专栏 2309

TC3xx系列LMU与SPR实战:将关键算法从Flash搬移至PSPR提升5倍执行效率

在实际电机控制项目中,通过将FOC算法全部迁移到PSPR,我们不仅将执行时间从56μs降至11μs,还将最坏情况下的时间偏差控制在±0.3μs以内。实测数据:在TC397上执行Flash中的32位浮点矩阵乘法,平均每条指令需要8.7个周期,而同样的代码在PSPR中仅需1.2个周期。传统开发中,工程师往往将所有代码放在Flash中运行,这相当于让F1赛车在乡村公路上行驶。迁移后不仅平均执行时间缩短,更重要的是时间抖动从±15%降低到±2%以内,这对闭环控制系统至关重要。不是所有代码都适合迁移到PSPR。

weixin_31421613的博客 299

Linux的FTP服务

主要介绍FTP服务是什么?有什么功能,有哪些传输模式,并进行试验配置服务。FTP(file Transfer Protocol,文件传输协议),是典型的C/S架构的应用层协议,由客户端软件和服务端软件两个部分共同实现文件传输功能,FTP客户端和服务器之间的连接时可靠的,面向连接的,为数据的传输提供了可靠的保证。FTP 是TCP传输协议,主要使用20和21端口20端口用来传输数据21端口用来建立连接(传输指令)FTP是一种文件传输协议,它支持两种模式。

一个闲人 3411

Mac M1安装Hive

如果你确定装过mysql,但是执行上述命令后,发现不存在mysql命令,那说明你的系统环境没有配置。出现一段空白,接着出现Initialization script completed。关闭hiveServer2时,执行如下命令查看hive进程;执行上面命令后,若有结果输出,则证明配置完成了。如果出现mac权限问题,解决方法参考。就可以见到hive的web界面了。若出现路径,则存在mysql。配置好后保存,使配置文件生效。用户名hive,密码hive。用户名通过如下命令查看。通过如下命令杀死该进程。

总结复盘,才能不迷失自己! 2389

STM32寄存器级电机驱动:DRV8833 H桥与PWM调速原理

电机驱动是嵌入式控制系统的核心基础能力,其本质是微控制器通过数字信号精确控制功率器件的开关时序。理解H桥电路结构、反电动势防护机制及PWM调制原理,是实现可靠直流电机控制的前提。DRV8833作为典型双H桥驱动芯片,支持快衰减与慢衰减两种PWM调速模式,分别对应不同的电流泄放路径与动态响应特性。在STM32平台上,需结合时钟树配置、GPIO复用、定时器寄存器(PSC/ARR/CCR)精确计算,将抽象的转速需求转化为可执行的硬件操作。该技术广泛应用于智能小车、机器人关节、工业定位系统等实时运动控制场景,是掌握

weixin_42613017的博客 682

Linux系统文件共享服务器—FTP

FTP:linux下最常见的文件服务器,工作于应用层,实现文件传输file transfer protocol 文件传输协议。

lsqaa的博客 1612

保姆级教程:用VESTA软件5分钟搞定纳米颗粒Wulff Construction建模(以Au金为例)

本文提供了一份详细的VESTA软件教程,指导用户如何在5分钟内完成纳米颗粒Wulff Construction建模,特别以金(Au)为例。从环境搭建、基础晶体结构创建到Wulff Construction设置和可视化优化,涵盖了全流程操作步骤和常见问题解决方案,适合科研新手快速上手。

weixin_29311017的博客 437

Serv-U在linux下使用ftp命令访问windows下的ftp服务器

Serv-U在linux下使用ftp命令访问windows下的ftp服务器在linux下使用ftp命令访问windows下的Serv-U服务器1. 连接ftp服务器格式:ftp [hostname  ip-address]a)在linux命令行下输入:ftp 10.18.34.115b)服务器询问你用户名和口令,分别输入yint和相应密码,待认证通过即可。2

gc315630的专栏 4149

PINN求解PDE

PINN求解Dirichlet泊松方程 泊松方程引入 −Δu=f,x∈Ω=(0,1)2-\Delta u=f,x \in \Omega=(0,1)^2−Δu=f,x∈Ω=(0,1)2 u=g,x∈∂Ωu=g,x \in \partial \Omegau=g,x∈∂Ω import torch import time import numpy as np import matplotlib.pyplot as plt import torch.nn as nn def UU(X, order,prob):

forrestguang的博客 3807

2024年ERP管理系统职业技能大赛软件测试赛项-测试报告

【说明本次测试的最终测试结果总结、测试过程中遇到的重要问题以及如何解决、被测系统的质量结论、个人的收获以及团队的得失等】【说明编写本测试报告的目的和实际读者】【说明本次测试实际人员安排及主要职责】【说明本次测试使用的测试用例设计方法】【说明本次测试使用的测试方法】【针对本次测试进行Bug汇总】【针对本次测试进行用例汇总】【说明本项目的背景情况】【说明本次测试的实际。

Code is fun. 792

LINUX命令行下访问FTP服务器

https://www.linuxidc.com/Linux/2015-12/126357.htm Linux shell 中如何使用 ftp 命令。包括如何连接 FTP 服务器,上传或下载文件以及创建文件夹。尽管现在有许多不错的 FTP 桌面应用,但是在服务器、SSH、远程会话中命令行 ftp 命令还是有很多应用的。比如。需要服务器从 ftp 仓库拉取备份。 步骤 1: 建立 FT...

子曰小玖的博客 5万+

【100%通过率】华为OD机试真题 C++ 实现【水库蓄水问题】【2022.11 Q4 新题】

给定一个长度为 n 的整数数组height。数组的元素表示山的高度,选择两个元素作为水库的边界,求蓄水量的最大值并输出蓄水量最大时的边界下标(蓄水量相同时输出下标较近的)。

MISAYAONE的博客 1万+

ftp访问命令 linux,linux访问ftp服务器命令

在linux访问时输入用户名 anonymous 密码直接回车可以匿名登录如果传输非文本,先输入bianry,然后再get就可以了比如ftp>get5-4.tif227EnteringPassiveMode(192,168,0,118,83,73)150OpeningBINARYmodedataconnectionfor5-4.tif(68334bytes)....

weixin_42526415的博客 2597

基于PCL的电力线点云提取与分割实现

本文基于PCL库实现电力线点云提取与分割,包含6个核心处理阶段:文件读取与结果文件夹创建、高程滤波分割候选点云、欧式聚类去噪、电力线分段提取、球形邻域搜索补全点云、最终分割与可视化保存。通过PCA计算点云线性特征(阈值0.91)筛选电力线点,采用欧式聚类(容忍度3.0)去除噪点,并针对不同规模聚类差异化设置球形搜索半径(4.0/6.0)补全点云。最终通过欧式聚类分割并可视化带颜色点云。算法对高程滤波阈值、聚类参数等具有敏感性,需根据点云特性调整优化。

weixin_45196569的博客 198

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Linux命令cURL如何访问FTP服务器

前言 cURL 是常用的命令行工具,用来请求 Web 服务器。它的名字就是客户端(client)的 URL 工具的意思。 cURL 的原作者是 Daniel Stenberg (目前是 cURL 的核心开发者),同时也是 IETF HTTPbis 工作组的资深成员。Daniel 在 1998 年创建了 curl 项目,他编写了最初的 curl 版本,并创建了 libcurl 库。到目前为止,代码仓库包括的 24000 次 commit 有超过一半是 Daniel 本人提交的,他依然是项目的核心开发者。Dan

一口Linux的专栏 8525

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

Linux FTP搭建及访问

1.简单FTP构建及访问 问题 本案例要求先快速搭建好一台FTP服务器,并创建相关测试文件: 建立下载测试文件 /var/ftp/pub/anon.txt 建立下载测试文件 ~lisi/lisi.txt 然后验证以不同方式从客户机访问此FTP服务器: 从浏览器访问,测试匿名/用户登录 以ftp命令访问,分别测试匿名/用户验证访问的下载和上传操作 使用wget命令下载测试文件 方案 使用2台RH...

iT__SuperMan的博客 1万+

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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")

linux访问google(linux访问ftp服务器命令)

linux下的google浏览器不能进google,但是用firefox/opera/w3m可以。。 您好!很高兴为您答疑! 在WIN系统下导出HTML文件,然后使用这个文件恢复书签就可以了。 您可以在火狐社区了解更多内容。希望我的回答对您有所帮助,如有疑问,欢迎继续在本平台咨询。 本回答由网友推荐 linu...

计算机毕业论文源码,学生个人网页制作html源码。贴近用户做网络推广和互联网优化。 583

在linux下使用ftp命令访问windows下的Serv-U服务器

1. 连接ftp服务器 格式:ftp [hostname  ip-address] a)在linux命令行下输入:ftp 10.18.34.115 b)服务器询问你用户名和口令,分别输入yint和相应密码,待认证通过即可。 2. 下载文件 下载文件通常用get和mget这两条命令。 a) get 格式:get [remote-file...

weixin_34174132的博客 438

linux与window ftp 服务器的交互

ftp服务器的文件交互 前段时间,项目涉及到linux服务器访问 windows的ftp 服务器的问题 使用ftp 中 mget 命令,无法获取所有的文件夹,查询资料后,是由于操作系统的问题导致 转而使用 wget 命令 访问 ftp的远程地址 从而解决 这个ftp文件的获取问题 具体命令为 wget ftp://ip:port/* --ftp-user:xxxx --ftp-password...

技术成长之路 609

linux 用什么工具可以访问ftp服务器并支持断点续传,linux下wget命令,支持断点续传,ftp、http、https等协议...

转载的地址:http://blog.163.com/[emailprotected]/blog/static/32097310201171833420905/今天操作远端机器的时候发现少一个安装包, 需要传到对方的机器上,还能使用通过的老办法,直接SSH连上去了,发现传的很慢, 只有40K的样子, 看时间还需要二个多小时就有点受不了了。想想有一台FTP服务器上有这个文件,可以直接从FTP服务器上...

weixin_32909875的博客 367
上一篇: Map的isEmpty()与==null的区别
下一篇: 几种SFTP SSH工具
Ruby_One
博客等级 码龄9年 54粉丝 40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