软件测试:快速了解其分类、方法、黑盒测试、白盒测试与灰盒测试

快速了解软件测试---(黑盒测试、白盒测试、灰盒测试、冒烟测试、回归测试、系统测试、单元测试、集成测试) 按阶段、逻辑、是否运行、是否自动化、其他测试划分 概念:与黑盒相反,这种方法是把测试对象看作-个透明的盒子,测试时,测试人员会对程序的所有逻辑路径进行测试,检验每条路径是否都能走通。概念:测试时,测试人员不用考虑盒子里的逻辑结构,只需检查程序的功能是否符合需求文档。●界面测试:也叫U测试,检查页面元素是否符合U|设计,页面是否美观。●性能测试:模拟用户场景,测试系统的各项性能指标,查看是否满足需求。概念:在单元测试的基础上,将所有模块按照设计要求组装成系统,进行测试。●功能测试:检查产品功能是否满足需求。概念:对完成的系统是否满足最开始的需求进行验证。 阅读详情


✨✨ 欢迎大家来访Srlua的博文(づ ̄3 ̄)づ╭
❤~✨✨

🌟🌟 欢迎各位亲爱的读者,感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢,在这里我会分享我的知识和经验。🎥

希望在这里,我们能一起探索IT世界的奥妙,提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏:软件测试

欢迎访问我的主页:Srlua小谢 获取更多信息和资源。✨✨🌙🌙

​​

测试方法

测试是不可穷尽的,所以我们应该采用适当的方法,用较少的测试用例完成较高的测试覆盖。

依据是否了解程序内部结构分为三种测试方法

黑盒测试

(又称功能测试、数据驱动测试 )

不考虑程序的内部结构与特性,只根据程序功能或程序的外部特性设计测试用例。

黑盒测试用例设计方法

  1. 等价类划分法
  2. 边界值法
  3. 判定表驱动法
  4. 因果图法
  5. 正交法
  6. 状态迁移图
  7. 场景法
  8. 错误猜测法

 (用例设计方法将会在后续文章)

白盒测试

(又称功能测试、数据驱动测试 )

灰盒测试

黑盒测试+白盒测试=灰盒测试

 ​​

希望对你有帮助!加油!

若您认为本文内容有益,请不吝赐予赞同并订阅,以便持续接收有价值的信息。衷心感谢您的关注和支持!

02软件测试基础 软件测试相关内容 阅读详情

相关推荐

算法之动态规划(DP)求解完全背包问题

算法之动态规划(DP)求解01背包问题 上面这篇文章主要讲解了01背包问题和动态规划算法,如果你不了解动态规划算法,建议先浏览一下这篇文章熟悉一下,因为,本文的算法思想是基于这篇文章的。 1、什么是完全背包问题? **01背包问题:**有一个背包的容积为V,有N个物品,每个物品的体积为v[i],权重为w[i],每个物品只能取1次放入背包中,背包所有物品权重和最大是多少? 完全背包: 有一个背包的容积为V,有N个物品,每个物品的体积为v[i],权重为w[i],每个物品可以取无限次放入背包中,背包所有物品权重和

PRML_MAN的博客 2万+

软件测试分类指南(上):从目标、执行到方法,系统拆解测试核心维度

在软件生命周期中,测试是保障产品质量的关键环节。但软件测试并非 “一刀切” 的工作 —— 不同阶段、不同场景需要不同的测试策略。本文将从测试目标、执行方式、测试方法三个维度,拆解软件测试的核心分类,帮你建立系统化的测试认知。

会当凌绝顶,一览众山小 1660

MIKE11实战:平原河网水动力建模从入门到精通(附GIS数据处理技巧)

本文系统介绍了MIKE11软件在平原河网水动力建模中的完整实战流程。从GIS数据预处理、河网构建、参数率定到结果分析,详细阐述了构建可靠数字孪生模型的关键步骤与技巧,旨在帮助水利工程师高效解决平原地区复杂水流模拟的挑战,为防洪决策提供科学依据。

weixin_28419039的博客 690

软件测试的分类1(含黑盒测试、白盒测试、灰盒测试、Alpha测试、Beta测试)

通俗解释:就像 “知道手机的充电接口类型(Type-C),但不知道内部充电电路构造”—— 你不用拆手机,只需通过 “插入 Type-C 充电器”(黑盒操作),结合 “接口是否支持快充协议”(部分内部逻辑),验证充电功能是否正常。(如知道接口参数设计、数据库表结构、模块交互流程,但不了解具体代码实现细节),结合黑盒测试的 “功能验证” 和白盒测试的 “逻辑关注点”,重点测试模块间接口通信、数据传输的正确性。通俗解释:像 “产品试销”—— 找真实用户免费试用,收集使用反馈(如操作是否麻烦、是否卡顿)。

weixin_45414001的博客 941

F28335 DSP ePWM模块实战:从基础配置到电机控制

本文详细解析了TI TMS320F28335 DSP的ePWM模块,从基础概念、寄存器配置到实战应用。通过代码示例,手把手教你如何配置定时中断、生成PWM波形、实现死区保护与故障联防,并最终完成一个可调速、可换向的直流电机控制项目,是掌握F28335电机控制核心技术的实战指南。

g5h6i的博客 1128

华为OD机试双机位C卷 - 高矮个子排队 (C++/Py/Java/Js/Go/C)

华为OD机试双机位C卷 高矮个子排队,提供C语言、Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解。华为OD机试 - 高矮个子排队。

qq_45776114的博客 2160

白盒测试的六种方法_软件测试-测试分类

简洁分类对软件内部结构的深入程度黑盒测试:又叫功能测试、数据驱动测试或基于需求规格说明书的功能测试。该测试类别注重于测试软件的功能性需求。测试工程师无需了解程序代码的内部构造,完全模拟软件产品的最终端用户使用该软件,检查软件产品是否达到了用户的需求。黑盒测试能更好的从用户角度来考察被测系统的功能性需求实现情况。白盒测试:又称结构测试、逻辑驱动测试或基于程序代码内部构成的测试。白盒测试需要测试工程师...

weixin_39858298的博客 1735

DeepSeek邮件管理全攻略

DeepSeek邮件助手是一款高效的邮件处理工具,提供智能分类、撰写、回复和任务自动化功能。通过API调用或多智能体系统,它能自动分类邮件意图、生成专业回复并优化邮件内容。核心功能包括智能过滤、会议安排和任务提醒,支持与主流邮箱服务集成。提供精准提示词模板,帮助用户快速生成得体邮件,提升工作效率。适合个人和企业使用,通过简单配置即可实现邮件处理自动化。

Genio_Wang的博客 183

软件测试方法的总结

1、按是否查看程序内部结构分为: (1)黑盒测试(black-box testing):只关心输入和输出的结果。 (2)白盒测试(white-box testing):去研究里面的源代码和程序结构。 (3)灰盒测试(Gray-box testing)关注输出对于输入的正确性,同时也关注内部表现,但这种关注不像“白盒”那样详细、完整。 黑盒测试 黑盒测试也称功能测试或数据驱动测试,它是在已

Chen_Ruihong的博客 5114

1、语义数据建模:避免陷阱与突破困境

本文探讨了语义数据建模的兴起背景、核心概念、生命周期及常见挑战。从数据丰富型组织和AI开发者的需求出发,分析了语义建模的关键元素和质量维度,并深入讨论了建模过程中可能出现的陷阱与解决方案。文章还针对语义模型的演化、治理和战略组织问题提供了突破思路,旨在帮助数据从业者更好地理解和应用语义建模技术,以提升数据驱动应用的有效性。

c8d9e0f1的博客 120

大模型——Dify:知识库与外部知识库

摘要 Dify的知识库功能为开发者提供了动态知识管理解决方案,超越了大模型静态预训练数据的限制。知识库支持多种文档格式(如txt、pdf、docx等),通过文档分段、索引设置和检索优化机制提升LLM的响应准确性。系统提供高质量和经济两种索引模式,前者采用向量化检索技术,后者使用关键词匹配以降低成本。知识库支持元数据管理,包括自动生成的内置元数据和用户自定义元数据,便于内容分类和检索。对于高级需求,Dify还支持连接外部知识库,通过API实现跨平台数据共享和检索优化,满足企业级知识管理需求。

733

【软件测试】软件测试分类与方法解析:目标到工具

本文详细介绍了软件测试中的不同的测试分类,包括按照不同的维度进行分类,按照测试目标、执行方式、测试方法、执行阶段进行分类;如静态测试、动态测试、白盒黑盒灰盒测试、单元测试、集成测试、系统测试等。

卜及中的博客 1131

OpenHarmony深度定制:从系统到模块的全景剖析与自定义模块实战

目标:在中新增一个算法库,让产品可直接调用。关闭不用的 20+ 系统部件,ROM 缩小 50 %;为自家芯片新增专用驱动模块,快速点亮开发板;内将核心算法库以部件形式集成,实现商业闭源。万物互联时代,差异化才是护城河。

m0_67505153的博客 1046

简述软件测试分类

不少软件测试初学的同学很容易混淆软件测试分类,其实软件测试可以按照从不同的维度进行分类。按照测试方法划分有白盒测试、黑盒测试、灰盒测试;按照执行方式划分有手工测试、自动化测试;按照测试技术划分有静态测试、动态测试;按照测试阶段划分有单元测试、集成测试、系统测试。照测试目的分类,可以分为功能测试与非功能测试。 测试方法分类 按照测试方法划分有白盒测试、黑盒测试、灰盒测试 ;灰盒测试本质上不是一个独立的测试方法,它是结合了黑盒测试与白盒测试一...

梦里有阳光 3795

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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")

软件测试的分类

软件测试的分类按测试策略分类静态测试与动态测试静态测试的特点动态测试的特点黑盒测试与白盒测试黑盒测试黑盒测试的主要测试方法有白盒测试白盒测试的主要测试方法有黑盒测试和白盒测试灰盒测试手工测试与自动化测试自动测试优点自动测试局限适合使用自动化测试的情况不适合使用自动化测试的情况冒烟测试冒烟测试过程中,需要注意的是 按测试策略分类 静态测试与动态测试 静态测试的特点 • 静态测试不必动态运行程序,也不必进行测试用例设计和结果判断等 工作。 • 静态测试可以由人工进行,充分发挥人的逻辑思维优势。 • 静态测试实施

Parado_Z的博客 400

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

软件测试方法分类大全

它是技术测试的最后一个阶段,也称为交付测试。经集成测试后,已经按照设计把所有的模块组装成一个完整的软件系统,接口错误也已经基本排除了,接着就应该进一步验证软件的有效性,这就是验收测试的任务,即软件的功能和性能如同用户所合理期待的那样。(2)冒烟测试:完成一个新版本的开发后,对该版本的基本功能进行测试,保证基本功能和流程可以走通如果通不过,那么需要开发重新开发,如果通过测试,才会进行下一步的测试(功能测试,集成测试,系统测试等等),优点是节省测试时间,防止build失败,缺点是覆盖率较低。

dad22211的博客 595

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

软件测试的分类(补充)

软件测试的分类按测试策略分类静态测试与动态测试静态测试的特点动态测试的特点黑盒测试与白盒测试黑盒测试黑盒测试的主要测试方法有白盒测试白盒测试的主要测试方法有黑盒测试和白盒测试灰盒测试手工测试与自动化测试自动测试优点自动测试局限适合使用自动化测试的情况不适合使用自动化测试的情况冒烟测试冒烟测试过程中,需要注意的是回归测试常用的选择回归测试的方式包括回归测试可遵循下述基本过程进行常见测试方法功能测试性能测试负载测试压力测试稳定性测试(可靠性测试)易用性测试界面测试测试目标优秀界面的7要素符合标准和规范直观性一致

Parado_Z的博客 1201

软件测试概念及分类整理汇总

软件测试(Software Testing),在规定的条件下对程序进行操作,以发现程序错误,衡量软件质量,并对其是否能满足设计要求进行评估的过程。软件测试是使用人工或自动的手段来运行或测定某个软件系统的过程,其目的在于检验它是否满足规定的需求或弄清预期结果与实际结果之间的差别。

2401_88326437的博客 1165

白盒测试的六种方法_软件测试概念及分类整理汇总

作者 | Findyou出品 | cnblogs 前言测试小伙伴在谈论软件测试分类,五花八门的分类,眼花缭乱。因为将各个维度划分的内容都整到一块了,在加上各自不同的见解与补充,各种冲突......我经过多年测试总结基本定为4类测试(最多5类,自动化或者兼容性单独提出来):功能测试、性能测试、安全测试、特性测试。化繁为简,转为自己理解的分类,避免死记硬背带来的理解不深入,遗漏测试范围。我...

weixin_39950470的博客 2089

软件测试的分类(按是否查看代码划分)

文章目录一、引入二、黑盒测试2.1 等价类2.2 边界值2.3 因果图2.4 正交排列2.5 场景设计法2.6 错误猜测法三、白盒测试四、灰盒测试 一、引入 软件测试按照是否查看代码划分为以下3类,分别是黑盒测试、白盒测试、灰盒测试。俗话说“不管黑盒、白盒,抓住bug就是好盒” 二、黑盒测试 黑盒测试也称功能测试,测试中把被测的软件当成一个黑盒子,不关心盒子的内部结构是什么,只关心软件的输入数据与输出数据。 常见的黑盒测试有:等价类、边界值、因果图、正交排列、场景设计法、错误猜测法。 2.1 等价类 依据

weixin_46196863的博客 3268

04- 软件测试的方法与软件测试分类

静态测试-评审需求文档、测试用例。 静态测试指不运行程序,对程序和文档进行分析与检查。 静态测试结束又称为静态分析技术 静态测试包括对软件中的需求规格说明书,程序源代码,设计文档,进行审查。 静态测试内容: 1.代码走查(开发阶段)   ①开发人员之间互相阅读代码,检查其编写正确与否   ②只有理解了源代码才可以完成单元测试,或者说快速理解源代码是完成单元测试的前提。   ③...

weixin_34067980的博客 173

软件测试新手入门该学什么?最全整理,照着学就对了

对于新手而言,掌握基础技巧是目前最重要的事情,因此把握好学习节奏,一步一步来,就离成为一个优秀的软件测试工程师不远啦~【746506216】,备注“入群”, 大家可以一起探讨交流软件测试,共同学习软件测试技术、面试等软件测试方方面面,还会有免费直播课,收获更多测试技巧,我们一起进阶Python自动化测试/测试开发,走向高薪之路。...

主要分享测试的学习资源,帮助快速了解测试行业,帮助想转行、进阶、小白成长为高级测试工程师。 733
上一篇: 软件测试快速入门:测试对象、过程模型、生命周期与测试用例
下一篇: 软件测试:黑白盒测试的区别及白盒测试全面解析与应用
Srlua小谢
Srlua小谢 优质创作者: 编程框架技术领域 优质创作者: 编程框架技术领域
博客等级 码龄4年 8963粉丝 332原创
评论 1
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