Java两种方式读取XML的节点的属性值

Python每日练习:读取XML节点和属性值的方法 在Python中,我们可以使用不同的库来解析和处理XML数据。本篇文章将介绍如何使用Python来读取XML文件中的节点和属性值,并提供相应的源代码示例。库来读取XML文件中的节点和属性值。我们通过加载XML文件、获取根节点、遍历节点、获取属性和获取子节点的文本值等步骤,成功地解析了XML数据。接下来,我们将使用这个库来解析XML文件。如上所示,我们成功地读取了XML文件中的节点和属性值,并将它们打印出来。首先,我们需要准备一个XML文件作为示例。最后,我们打印出获取的值,并输出分隔符。 阅读详情
package com.zfsoft.test;

import java.io.File;
import java.util.Iterator;
import org.dom4j.Document;
import org.dom4j.DocumentException;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;

public class TestDom4j {
	
    //将xml转换成字符串
	public String xmlToString(String xmlFileName){
		SAXReader saxReader=new SAXReader();
		Document document;
		String xmlString="";
		try {
		    document = saxReader.read(new File(xmlFileName));
		    xmlString=document.asXML();
		} catch (Exception e) {
		    e.printStackTrace();
		    xmlString="";
		}
		return xmlString;
	}
	
	/**
	   * @description 将xml字符串转换成map
	   * @param xml
	   * @return Map
	   */
	  public static Map<String,String> readStringXmlOut(String xml) {
	      Map<String,String> map = new HashMap<String,String>();
	      Document doc = null;
	      try {
	          // 将字符串转为XML
	          doc = DocumentHelper.parseText(xml); 
	          // 获取根节点
	          Element rootElt = doc.getRootElement(); 
	          // 拿到根节点的名称
	          System.out.println("根节点=" + rootElt.getName()); 
	          // 获取根节点下的子节点head
	          Iterator<Element> iter = rootElt.elementIterator("MATERIALS"); 
	          // 遍历MATERIALS节点
	          while (iter.hasNext()) {
	              Element recordEle = (Element) iter.next();
	              // 获取子节点MATERIALS下的子节点MATERIAL
	              Iterator<Element> iters = recordEle.elementIterator("MATERIAL"); 
	              while (iters.hasNext()) {
	                  Element itemEle = (Element) iters.next();
	                  // 拿到MATERIALS下的子节点MATERIAL下的字节点MATERIALGUID,NAME的值
	                  String materialOid = itemEle.elementTextTrim("MATERIALGUID"); 
	                  String materialName = itemEle.elementTextTrim("NAME");
	                  map.put("materialOid", materialOid);
	                  map.put("materialName", materialName);
	              }
	          }
	      } catch (DocumentException e) {
	          e.printStackTrace();
	      }
	      return map;
	  }
	  
	public void readStringXml(String xml) {
	      Document doc = null;
	      try {
	          // 读取并解析XML文档,SAXReader就是一个管道,用一个流的方式,把xml文件读出来
	          SAXReader reader = new SAXReader();
	          doc = reader.read(new File(xml));
	          
	          Element rootElt = doc.getRootElement(); // 获取根节点
	          System.out.println("根节点:" + rootElt.getName()); // 拿到根节点的名称
	          Iterator<Element> iter = rootElt.elementIterator("MATERIALS"); // 获取根节点下的子节点head

	          // 遍历MATERIALS节点
	          while (iter.hasNext()) {
	              Element recordEle = (Element) iter.next();
	              Iterator<Element> iters = recordEle.elementIterator("MATERIAL"); // 获取子节点head下的子节点script
	              // 遍历MATERIAL节点
	              while (iters.hasNext()) {
	                  Element itemEle = (Element) iters.next();
	                  String materialOid = itemEle.elementTextTrim("MATERIALGUID"); 
	                  String materialName = itemEle.elementTextTrim("NAME");
	                  System.out.println("materialOid:" + materialOid);
	                  System.out.println("materialName:" + materialName);
	              }
	          }
	      } catch (DocumentException e) {
	           e.printStackTrace();
	      } 
	  }
	
	  public static void main(String[] args) {
          //第一种方式
		  String xmlFileName="D:\\NewFile.xml";
		  TestDom4j test = new TestDom4j(); 
	      test.readStringXml(xmlFileName);

          //第二种方式
	      Map<String,String> map = readStringXmlOut(xmlString);
	      Iterator<String> iters = (Iterator)map.keySet().iterator();
	      while (iters.hasNext()) {
	          String key = iters.next(); // 拿到键
	          String val = map.get(key).toString(); // 拿到值 
	          System.out.println(key + "=" + val);
	      }
	  }

	 

}

 

从JT808/JT1078协议到多端协同:构建高并发北斗车辆监控平台的技术实践 本文详细介绍了基于JT808/JT1078协议构建高并发北斗车辆监控平台的技术实践,包括协议解析、高并发架构设计、多端协同实现及数据持久化策略。通过Netty、Kafka等技术优化,系统成功支撑日均2000万条消息处理,为GPS车辆动态监控系统提供了可靠解决方案。 阅读详情

相关推荐

系统安装、qt配置、安装pcie驱动

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 安装Linux系统指定:ununtu20.04并配置相关软件环境 前言 提示:这里可以添加本文要记录的大概内容: ununtu20.04、Qt 5.9.0、pcie驱动 提示:以下是本篇文章正文内容,下面案例可供参考 一、安装系统 制作系统盘(win10),在开机时按相应键进入BIOS,(华硕需要先改配置启动->CSM->开启->第一个选项选第一个或第二个),等待即可 进入后按照https://www.sysgeek.

weixin_44832804的博客 2207

XPath获取XML指定节点属性值的两种方法

前面有文章介绍了通过XPath解析xml报文的方法,今天工作中遇到了需要解析指定节点属性值的问题,现在总结一下,下面提供两种方法去获取属性值。 首先是xml结构: 1.<?xml version="1.0" encoding="utf-8" ?> 2.<bookstore> 3. <book> 4. <title lang="en1">E...

5968

Python实战:超分辨率图像质量评估全攻略——PSNR、SSIM、LPIPS与NIQE的代码实现与优化

本文详细介绍了在Python中实现超分辨率图像质量评估的完整方案,涵盖PSNR、SSIM、LPIPS和NIQE四大核心指标。通过模块化代码设计、多进程并行处理和GPU加速优化,帮助开发者构建高效、可扩展的评估系统,并提供了实战避坑指南与结果解读方法。

weixin_29053073的博客 480

xml获取属性节点的值

  string tempPath = this.Request.PhysicalApplicationPath + "web.config";            XmlDocument xd = new XmlDocument();            xd.Load(tempPath);            XmlNode xn = xd.SelectSingleNode("//add...

C# 编程 284

华为路由器静态路由配置实战:从零搭建企业级网络环境(含常见错误排查)

本文以真实企业组网案例为基础,详细解析华为路由器静态路由的实战配置流程。内容涵盖从网络拓扑规划、IP地址分配到具体的`ip route-static`命令配置,并重点讲解了缺省路由、浮动路由等进阶应用。文章还提供了系统化的排错指南,帮助网络工程师规避回程路由缺失、子网掩码错误等常见问题,是掌握企业级网络搭建与维护的实用指南。

weixin_29313817的博客 90

GD32F105RBT6 keil工程模板

创建GD32F105RBT6的keil初始基础工程,未来的所有外设驱动都是基于这个基础工程进行扩展。

RMDYBW的博客 1932

java获取xml节点的值

Java中可以使用XPath来获取XML文档中节点的值。 首先,需要创建一个javax.xml.xpath.XPath对象,然后使用XPathExpression来编译XPath表达式,最后使用XPathExpression.evaluate方法来执行XPath表达式并获取节点的值。 例如,下面的代码演示了如何使用XPath获取XML文档中的节点值: import javax.xml.xpath....

weixin_35750953的博客 1636

手把手教您解决 AdGuard Home DNS重写功能失效的问题

AdGuard Home 设置了 DNS 重写,规则明明没问题,客户端却死活解析不到内网 IP?🤯 别急着重装!🚫 本文手把手教你如何解决软路由 DNS 解析“玄学”故障!🛠️🚀

XiaoqiangClub的博客 933

4.1读取xml中的节点及属性值

读取xml档中的节点

qq_43798481的博客 2189

论文复现5:UMI Universal Manipulation Interface

UMI 采用手持式夹具,加上精心的界面设计,可实现便携式、低成本和信息丰富的数据收集,以进行具有挑战性的双手和动态操作演示。配备这些功能后,UMI 框架解锁了新的机器人操作功能,只需更改每个任务的训练数据,即可实现零样本可推广的动态、双手、精确和长视野行为。我们通过全面的现实世界实验展示了 UMI 的多功能性和有效性,其中通过 UMI Zeroshot 学习的策略在对不同的人类演示进行训练时可以推广到新的环境和对象。项目主页:https://umi-gripper.github.io/

github_38060285的博客 1983

RK3568笔记十七:LVGL v8.2移植

若该文为原创文章,转载请注明原文出处。本文介绍嵌入式图形库移植到Linux开发板ATK-RK3568上的步骤。

4237

XML解析

目录一、JAVA中配置文件的三种位置以及读取方式 二、demo4j:xml文档解析器三、xpath:xml文档解析器,xpath也是一种解析器,比demo4j简单 四、拓展 2.在同一个根目录下 3.在WEB-INF中 二、demo4j:xml文档解析器 1.四种方法: 1、SAXReader:读取.xml文件专用方法 2、selectNodes():获取节点对象,返回的是一个List集合 3、attributeValue():获取指定对象的值 4、s

m0_67477525的博客 297

[xboard-real6410]39 real6410中的BL1和BL2实验及流程分析

文章目录uboot控制uboot 流程uboot加载kernel uboot控制 uboot 流程 uboot加载kernel

鹰之翔 298

sax xpath读取xml字符串

public static void main(String[] args) throws ParserConfigurationException, SAXException, IOException, XPathExpressionException { // DocumentBuilderFactory domFactory = DocumentBuilderFactory ...

weixin_34379433的博客 174

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")

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文件操作①——XML文件的读取

阅读目录一、邂逅XML二、应用 DOM 方式解析 XML&nbsp;一、邂逅XML 文件种类是丰富多彩的,XML作为众多文件类型的一种,经常被用于数据存储和传输。所以XML在现今应用程序中是非常流行的。本文主要讲Java解析和生成XML。用于不同平台、不同设备间的数据共享通信。 XML文件的表现:以“.xml”为文件扩展名的文件;    存储结构:树形结构; &nbsp; 节点名称区分大...

Chen Rong的博客 1万+

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

java xml 获取属性值_JAVA读取XML文件并解析获取元素、属性值、子元素信息

JAVA读取XML文件并解析获取元素、属性值、子元素信息关键字XML读取 InputStreamDocumentBuilderFactory Element Node前言最近在学习Spring源码时,碰到读取XML配置文件的方法,整理下,备忘并和大家分享正文(直接上源码)XML文件XMLParse解析源码package com.huishe.testOfSpring;impor...

weixin_29529047的博客 7003

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

读取xml java,Java读取xml数据

xml中的代码书名1100书名2300java中的代码import java.io.File;import java.io.IOException;import javax.lang.model.element.Element;import javax.xml.parsers.DocumentBuilder;import javax.xml.parsers.DocumentBuilderFacto...

weixin_28865923的博客 1169

java 获取xml所有节点_获取XML下的所有节点(父节点及子节点)

展开全部xml结构本方案用来解决XML根据父节点的属性得到指定子节点的属性的值需要的jar包:jar包本方案的xml结构为以下格式62616964757a686964616fe58685e5aeb931333431366338:看图packagecom.itqingyou.xml;importjava.io.IOException;importjava.io.InputStream;impo...

weixin_33483567的博客 2563

java中xml文件读取节点,JAVA读取xml文件中节点值

public class Parse{//Document可以看作是XML在内存中的一个镜像,那么一旦获取这个Document 就意味着可以通过对//内存的操作来实现对XML的操作,首先第一步获取XML相关的Documentprivate Document doc=null;public void init(String xmlFile) throws Exception{//很明显该类是一个单例...

weixin_35897853的博客 984

读取xml两种方式:

第一种使用DOM4j读取xml文件: public static void main(String[] args) throws DocumentException { //1.创建核心对象 SAXReader reader = new SAXReader(); //2.读取xml文件 Document document = reader.read(new File(“D:\Develop\Wor...

weixin_45591617的博客 207

java 获取xml节点_java如何读取xml节点元素值?

展开全部java读取xml节点元素,主要使用java提供的解析xml的工具类32313133353236313431303231363533e59b9ee7ad9431333337623461SAXParserFactory,如下代码:packagexml.xmlreader;importjava.io.File;importjava.net.URL;importjava.util.Pro...

weixin_29830833的博客 1443

Java读取XML详解(DOM方式)

Java读取XML详解(DOM方式)

adminwxc的博客 2311

JAVA读取XML所有内容

所需jar包:   dom4j-1.6.1.jar   xercesImpl.jar package com.word; import java.util.Iterator; import java.io.BufferedReader; import java.io.File; import java.io.IOException; import java.io.Input...

weixin_30475039的博客 944

php取xml节点属性值,PHP读取XML文件数据获取节点值

最近在接入渠道的时候遇到接口返回是xml数据.现在接口数据返回json数据格式比较常见.如何获取xml里面真正数据? 对象结果集合单个值的强制转换处理.(直接代码说明)demo示例:创建xml文件:test.xml,存放在和读取的php文件在相同级别目录下面.xml文件:10001adminsecretKeyphp文件:$file = 'test.xml';//将XML中的数据,读取到数组对象中$...

weixin_42514432的博客 994

java取出xml中某节点值,JAVA读取xml文件中节点值(转)

importorg.w3c.dom.*;importjavax.xml.parsers.*;importjava.io.*;publicclassParse{//Document可以看作是XML在内存中的一个镜像,那么一旦获取这个Document就意味着可以通过对//内存的操作来实现对XML的操作,首先第一步获取XML相关的DocumentprivateDocumentdoc=null;pub...

weixin_39677870的博客 2104

java读取xml的方式_java读取xml文件的两种方式

方式一package accp.dom4j;import java.io.IOException;import java.io.InputStream;import javax.xml.parsers.DocumentBuilder;import javax.xml.parsers.DocumentBuilderFactory;import javax.xml.parsers.ParserConf...

weixin_34246826的博客 112
上一篇: Windows监控系统服务,发现其关闭就立即启动的bat文件
下一篇: 使用Kettle同步工具进行两个数据库连接的表数据的同步
songrj1
博客等级 码龄9年 19粉丝 67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