odoo中_name_search用法

odoo14 关联字段many2one many2many按条件筛选显示记录 简介:我们在使用关联字段时有时候需要对关联的记录进行筛选显示或者更改关联字段的显示值,我这里整理了三种方法方便大家参考。 场景1:针对不同的群体,many2one字段显示出来可供选择的记录不同 场景2:不想用odoo默认的many2one字段显示值,想自定义显示值 静态筛选是使用字段自带的domain参数进行筛选,这种方式是程序一运行就会执行,没办法根据实际的参数设置筛选条件,所以只能实现固定筛选。............... 阅读详情

_name_search是Odoo中一个重要的方法,用于实现模型记录的搜索逻辑。这个方法通常在后端被调用,以便在Odoo的各种视图中(如下拉列表选择框)搜索和筛选记录。_name_search是模型中的一个API方法,可以被重写以自定义搜索逻辑。

基本概念

在Odoo中,每个模型(model)都可以通过搜索名称来查找记录。默认情况下,这个搜索基于模型的name字段进行。但是,有时候你可能希望基于其他字段或复杂逻辑来搜索记录。在这种情况下,你就需要重写_name_search方法。

方法原型

_name_search的基本原型如下:

def _name_search(self, name='', args=None, operator='ilike', limit=100, name_get_uid=None):
  • name: 搜索框中输入的文本。
  • args: 附加搜索条件的列表,每个条件都是一个元组,比如[('field_name', 'operator', value)]。
  • operator: 用于搜索的操作符,如'ilike'、'='等。
  • limit: 返回结果的最大数量。
  • name_get_uid: 用户的ID,用于安全性和记录规则检查。

自定义搜索逻辑

重写_name_search允许你基于自定义逻辑进行搜索。这里是一个简单的例子,展示如何根据一个不同于name字段的字段来进行搜索:

from odoo import models, fields, api

class CustomModel(models.Model):
    _name = 'custom.model'
    _description = 'Custom Model'

    name = fields.Char('Name')
    description = fields.Char('Description')

    @api.model
    def _name_search(self, name='', args=None, operator='ilike', limit=100, name_get_uid=None):
        if not args:
            args = []
        if name:
            args = ['|', ('name', operator, name), ('description', operator, name)] + args
        return super(CustomModel, self)._name_search(name, args=args, operator=operator, limit=limit, name_get_uid=name_get_uid)

在这个例子中,如果用户在搜索框中输入文本,搜索将会同时在name和description字段上进行,使用了或(|)逻辑。这样,用户就可以根据两个不同的字段来查找记录。

注意事项

  • 在重写_name_search时,要小心处理args和name参数,确保搜索逻辑既符合预期又不会造成性能问题。
  • 如果你只是想改变显示的名称,而不是搜索逻辑,可能只需要重写name_get方法而不是_name_search。
  • 使用_name_search时,考虑到安全性和性能是很重要的,尤其是在处理大量记录的情况下。

通过合理利用_name_search,你可以在Odoo中灵活地实现高度定制的搜索功能,以满足特定的业务需求。

odoo search视图基本操作 搜索视图允许用户通过预定义的过滤器和分组对记录进行筛选和分组,从而快速定位到他们需要的数据。在这个例子中,我们为合作伙伴模型定义了一个搜索视图,包括按“伙伴名称”、“城市”、“国家”搜索的字段。通过两个过滤器,“今天”用于筛选今天的记录,而“本月”用于筛选本月的记录。标签的属性string定义了在UI上显示的过滤器名称,domain定义了过滤器的筛选逻辑,而context则用于定义分组逻辑。用户在界面上可以通过选择“今天”或“本月”过滤器来筛选记录,或者通过选择“按国家分组”来查看按国家归类的合作伙伴。 阅读详情

相关推荐

odoo13 视图中取当前用户id

<field name="operator_uid" invisible="1"/> <field name="weitdw" domain="[('yewuy', '=', operator_uid)]"/> 在模型中增加字段: operator_uid = fields.Many2one(string=u"操作员", comodel_name='res.users', default=lambda self: self.env.user) ...

fqfq123456的专栏 999

odoo14 | name_search方法的使用和效果

近期有一个新的需求,要求根据部门不同的选择,访问人只能选择该部门下的员工,不能选择其他部门的员工,如下图所示。一般我们在开发时,many2one字段都是默认出现全部的记录,像下图所示。

红星编程实验室 1216

【Godot】实现对话系统

在 Godot 中实现对话系统(Dialogue System)是游戏开发中的常见需求。Godot本身自带的的灵活性和轻量级脚本语言 GDScript 使得实现对话系统变得相对简单。以下是实现一个基础对话系统的示例。(语言为GDScript但高亮选择Python因为类似)通过 Godot 和 GDScript,我们可以给我们的游戏实现一个对话系统。从简单的文本显示到复杂的分支对话,Godot 提供了足够的灵活性来满足我们的需求。如果需要更高级的功能,可以尝试使用现成的插件如 Dialogic。

Octopus2077的博客 2526

ODOO入门 | 源码 | name_search

name_search 简介 用于通过在网页界面的输入框输入的文字,进行记录匹配并范围匹配的数据记录集 源码 @api.model def name_search(self, name='', args=None, operator='ilike', limit=100): """ name_search(name='', args=None, operator='ilike', limit=100) -> records Search for records that hav

解决自己遇到的问题 分享认为有意义的知识 提供有一点点参考价值的灵感 941

快手极速版抓包实战:安卓/iOS双端获取client_salt全流程解析(避坑指南)

本文详细解析了在安卓和iOS平台上获取快手极速版关键参数`client_salt`的全流程,包括环境配置、抓包工具使用、参数识别与转换等实战技巧。特别针对双端差异和反抓包机制提供了避坑指南,帮助开发者高效安全地完成数据获取任务。

weixin_29021195的博客 718

FPGA篮球计分器:从需求分析到模块化实现的实战指南

本文详细介绍了FPGA篮球计分器的设计与实现,涵盖需求分析、模块化设计及实战调试。重点解析了24秒精确倒计时、12分钟比赛计时、比分统计和数码管显示等核心模块的Verilog实现,提供了按键消抖、状态机设计和BCD码处理等关键技术细节,帮助开发者掌握FPGA数字系统设计方法。

sql99的博客 220

odoo系统中name_search和name_get用法

自动带出工序和工序序号,两个条件都能搜索,并且两个都带出来显示在前端: # 输入工序序号会自动带出工序名// def name_search(self, cr,user,name='', args=None, operator='ilike', context=None, limit=100): if not args: args=[] args=...

weixin_33777877的博客 856

离散数学 --- 图论基础 --- 图的同构,通路与回路,可达性与最短通路

同一个图(这里的图是抽象的数学定义)可以有不同的图形表示方法1.重数:两点之间的平行边的个数1.得到 n!的过程,一个图中的一个结点在另一个图中对应的结点有n种可能(黄框中定义的图来讨论),这个对应好后下一个结点有 n - 1 种可能,再下一个有n-2种,直到最后一个为1,所有可能的结果就等于 n * (n - 1) *(n - 2)*....*1 = n!2.虽然说找对应结点很困难,但不是没有规律可循的。比如1.两个相互对应的结点的度数要相同;

qq_51947882的博客 7444

odoo search、name_search、search_count、search_read、read_group方法

主要包括以下几个方法及主要用途: search(): 搜索视图中调用 search_count(): 视图中计算记录数时调用 name_search(): many2one字段搜索时调用 search_read(): many2one点开搜索更多时调用 read_group(): 搜索视图分组时调用 search() search方法中包含有几个子方法 根据domian取查询满组条件的数据...

厂长的博客 3646

ESP32 开发实战:VS Code 头文件波浪线及编译错误的终极解决方案

本文针对ESP32开发者在VS Code中常见的头文件红色波浪线和fatal error编译错误,提供了终极解决方案。通过详细讲解如何配置c_cpp_properties.json文件来修复编辑器智能提示,以及如何修改CMakeLists.txt来修正编译器路径,帮助开发者彻底解决环境配置问题,提升开发效率。

prometheus9mon的博客 295

保姆级教程:在瑞芯微RV1126B上部署轻量化YOLOv8,实现端侧实时目标检测

本文详细介绍了在瑞芯微RV1126B芯片上部署轻量化YOLOv8模型的完整流程,包括开发环境搭建、模型训练优化、量化转换及嵌入式部署。通过利用RV1126B的3TOPS NPU算力和AI-ISP特性,实现端侧实时目标检测,提升边缘AI应用的性能和效率。

weixin_30329623的博客 271

Odoo常用函数以及属性总结

Odoo常用函数以及属性总结 一 Odoo函数 1 查询方法 search():搜索视图中调用 search_count():视图中计算记录数时调用 name_search():many2one字段搜索时调用 search_read():many2one点开搜索更多时调用 read_group():搜索视图分组时调用 https://blog.youkuaiyun.com/sinat_23931991/article/details/86715272 二 Odoo-Context-key:value 1 context

xiaoduu的博客 836

PyTorch实战(20)——生成对抗网络(Generative Adversarial Network,GAN)

自生成对抗网络 (Generative Adversarial Network, GAN) 提出以来,一直是一个活跃的研究和开发领域。本节探索了 GAN 的基本概念,重点解析了其两大核心组件——生成器与判别器的架构设计,深入阐述了 GAN 模型的整体工作机制,并使用 PyTorch 从零开始实现了深度卷积生成对抗网络 (Deep Convolutional GAN, DCGAN)。

盼小辉丶的博客 3600

Odoo12 search、name_search、search_count、search_read、read_group方法

主要包括以下几个方法及主要用途: search(): 搜索视图中调用 search_count(): 视图中计算记录数时调用 name_search(): many2one字段搜索时调用 search_read(): many2one点开搜索更多时调用 read_group(): 搜索视图分组时调用 search() search方法中包含有几个子方法 根据domian取查询满组条件的数...

林胖的专栏 1万+

构建.NET网站:VSCode还是Visual Studio?揭开开发工具的选择之谜

选择VSCode还是Visual Studio,归根结底是取决于你的具体需求和偏好。🔍 这两款工具各有千秋,都能为你的.NET网站开发提供强大的支持。希望这篇文章能够帮助你更全面地了解这两款工具,做出明智的选择。

墨夶的博客 790

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")

odoo中的Search_read,read_group,name_search,name_get,_search

search() 根据domain查询满足条件的数据记录,默认查询active为true的记录。 def search(self, args, offset=0, limit=None, order=None, count=False): """ search(args[, offset=0][, limit=None][, order=None][, count=False]) Searches for records based on the ``args``

qq_37858910的博客 2597

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

odoo/openerp 多字段搜索(name_search)

odoo 中一个many2one字段要显示多列。要在对应的类中添加方法name_get 如: @api.multi @api.depends('name','project_name') def name_get(self): return [(r.id,(r.name +'('+(r.project_name or _('Default'))+')' )) for r in se

shanzhizi的专栏 3980

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

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

ODOO里面ORM方法

odoo开发的大多数场景都是基于它的ORM框架进行的, 一少部分要求性能的场景才会涉及到原生SQL的使用. 本章我们将带大家认识基本的ORM方法, 可以满足我们大部分场景的开发. 下面是一个方法的列表, 可以点击迅速浏览相应的介绍. 最基础的三大方法(create write unlink)已经在第一部分介绍过了,本章不再赘述. read read_group seach方法 name_get方法 name_search方法 fields_get_keys load_views fields_view_g

DTCloud 2642

Odoo Search视图设置默认筛选项

Odoo 给Search视图添加默认筛选项

Nick.Peng's Blogs 1333

Odoo 17弃用警告:从name_get迁移到display_name的完整指南

在Odoo ORM中,记录名称的生成与展示是界面交互的基础。随着版本迭代,旧有的name_get()方法因无法直接参与SQL搜索、调用性能受限及继承链混乱等问题,逐渐暴露出设计短板。Odoo 17正式将其标记为DeprecationWarning,并推荐使用统一的计算字段display_name来替代。display_name作为标准字段,支持缓存、搜索与继承重写,让记录标题的获取更加高效可靠。对于正在升级Odoo 17的开发者而言,理解这一机制转变、掌握从name_get到display_name的迁移方

weixin_32667955的博客 131

如何在 Odoo 16 中创建名称搜索功能

如何在 Odoo 16 中创建名称搜索功能 并实现了“if”条件,以使用空字符串优化默认条件“ilike”,该条件与所有内容匹配。args += ['|', '|', '|', ('name', 操作员, name), ('phone', 操作员, name), ('email', 操作员, name), ('state_id.name', 操作员, name)]Odoo 的名称搜索功能简化了此搜索过程,提供了一种根据我们的特定需求自定义搜索的便捷方式。

weixin_62077901的博客 1176

odoo的ORM框架介绍(上)

classic_read 模式,具体指的是针对Many2one类型的字段(内部调用了convert_to_read方法,具体参考第十三章),read方法内部获取到字段的值的格式化方式,经典的格式化方法即使用name_get方法将值格式化可读的格式。方法,与name_search方法不同的是_name_search方法接受额外的一个参数:name_get_uid,这个参数的作用是指定一个调用_search和lazy_name_get方法的用户ID,用来解决当前用户权限不足的问题。

Xodoo开源市场 1482

odoo12 内置方法read()、fields_get()

read()内置方法 odoo12的read()方法在读取记录的时候调用,且read接收的参数中只包含在视图中定义的field字段,如果需要获取该参数但是不需要显示,可以在视图中添加invisible属性使其不可见。 @api.multi def read(self, fields=None, load='_classic_read'): # fields为字段名列表, self为model ...

MALA的博客 1507

odoo name_get , name_search

name_get() , 默认计算 display_name 的值 @api.multi def name_get(self): res = [] demo = self._context.get('demo', False) for record in self: name = record.name if demo and record.id2: name += "[示

Yanskang的博客 518

ODOO M2O字段search more 只有160条数据

ODOO源码的硬编码导致。 详细见 /web/static/src/js/views/form_common.js // search more... if more results that max if (values.length &g...

chuanzhi2376的博客 331

DTCloud search、name_search、search_count、search_read、read_group方法

主要包括以下几个方法及主要用途: search(): 搜索视图中调用 search_count(): 视图中计算记录数时调用 name_search(): many2one字段搜索时调用 search_read(): many2one点开搜索更多时调用 read_group(): 搜索视图分组时调用 search() search方法中包含有几个子方法 根据domian取查询满组条件的数据记录 active字段的特殊用法,使用active_test=False来规避 count属性可以直接进行计数统计,而

DTCloud 2161
上一篇: odoo中使用domain基础操作
下一篇: 在Odoo中定义基于SQL视图的模型
StackSurfer
博客等级 码龄3年 685粉丝 94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