正确地维护SQLite数据库

数据库sqlite3 中型数据库(分布式超大型) ———— mysql(百万级)轻型数据库(嵌入式设备) ———— sqlite(万级)。大型数据库(大型机) —————- Oracle(亿级).schema 查看表的结构。的、零配置的、事务性的 SQL 数据库引擎。 阅读详情

源地址:http://www.androiddesignpatterns.com/2012/05/correctly-managing-your-sqlite-database.html

我注意到很多Android工程师都会遇到SQLiteDatabase相关的问题。我经常在StackOverflow遇到问这种错误信息的问题:

E/Database(234): Leak found
E/Database(234): Caused by: java.lang.IllegalStateException: SQLiteDatabase created and never closed
你或许知道这样的错误产生是因为没有关闭所有你打开的SQLiteDatabase实例。维护数据库对于刚开始学习Android的人来说有点复杂,特别对于那些还没把Activity生命周期搞清楚的人。最简单的方法是在你的整个应用生命周期中只创建一个单一数据库实例。这将保证不会出现泄露,因为这会降低你没关闭数据库的可能性,所以会让维护数据库更简单。

这里有两个例子,演示了维护单例数据库时三种情况, 保证在应用的生命周期中对数据库的安全访问。


情景1:使用单例来初始化SQLiteOpenHelper

将你的数据库帮助类声明为静态变量,并且使用单例模式来保证单例成员。下面的实例代码应该会帮助你正确设计数据库帮助类。
静态方法getInstance()保证在任何时刻都只存在一个数据库帮助类。如果sInstance对象没有被初始化,就会创建一个数据库帮助类实例。如果已经存在一个数据库帮助类实例,那么就简单地返回这个对象就好。你永远都不要使用new DatabaseHelper(context)来初始化帮助类实例。而应该使用DatabaseHelper.getInstance(context)来创建,能保证在整个应用生命周期内,只存在一个数据库帮助类实例。

public class DatabaseHelper extends SQLiteOpenHelper { 

  private static DatabaseHelper sInstance;

  private static final String DATABASE_NAME = "database_name";
  private static final String DATABASE_TABLE = "table_name";
  private static final int DATABASE_VERSION = 1;

  public static synchronized DatabaseHelper getInstance(Context context) {

    // Use the application context, which will ensure that you 
    // don't accidentally leak an Activity's context.
    // See this article for more information: http://bit.ly/6LRzfx
    if (sInstance == null) {
      sInstance = new DatabaseHelper(context.getApplicationContext());
    }
    return sInstance;
  }

  /**
   * Constructor should be private to prevent direct instantiation.
   * make call to static method "getInstance()" instead.
   */
  private DatabaseHelper(Context context) {
    super(context, DATABASE_NAME, null, DATABASE_VERSION);
  }
}

情景2:把SQLiteDatabase封装在ContentProvider里面

这同样是一个比较好的技巧。据个例子,CursorLoader 类实例化需要ContentProvider类,如果你想让一个Activity或者Fragment和CursorLoader来实现接口LoaderManager.LoaderCallbacks<Cursor>(会在这篇博客里面进一步讨论:http://www.androiddesignpatterns.com/2012/07/understanding-loadermanager.html),需要为你的应用创建一个ContentProvider.而且,你不需要担心用ContentProvider如何维护数据库帮助类实例的单一性。只需要在Activity中调用getContentResolver(),系统就会帮你处理好一切(换句话说吗, 就是不用额外实现单例模式来防止多个实例被创建)。


如果你有任何问题,欢迎评论 或者 发给我邮件 zhangleicoding@163.com  
安卓db数据库查看工具——快速管理与分析SQLite数据库 SQLite 是 Android 内置的轻量级关系型数据库管理系统,为 Android 应用提供了一种高效、便捷的数据持久化方案。与传统的关系型数据库不同,SQLite 将数据库存储在文件系统中的单一文件内,从而简化了数据库的部署和管理。SQLite 支持标准的 SQL 语言,允许在没有服务器进程的情况下进行数据库操作,这使得它非常适合于资源有限的移动设备环境。在 Android 应用开发中,SQLite 数据库常用于本地数据存储、用户个性化设置记录以及应用内缓存。 阅读详情

相关推荐

SQLite数据库管理与可视化工具

SQLite是一个轻量级的关系数据库,它不需要单独的服务器进程运行,而是将所有数据库内容存储在一个单一的磁盘文件中。它常用于嵌入式系统、移动应用以及桌面应用中,广泛用于小到中等规模的数据库任务。由于其无需安装即可使用,和简单直接的API,使得SQLite在开发者中非常受欢迎。SQLite 是一个非常轻量级的数据库,其核心代码库非常小,可以直接集成到应用程序中。它的轻量级特性体现在以下几个方面:无需单独的服务器进程:与需要运行单独数据库服务器的数据库系统不同,SQLite 使用的是一个嵌入式库。

weixin_42153793的博客 1040

Android技术——数据库(二):SQLite数据库的建立和维护

1、SQLiteOpenHelper是一个抽象类,是用于实现创建、打开、升级数据库的最佳实践模式。通过SQLiteOpenHelper可以隐藏用于决定在打开一个数据库之前时候需要创建或者升级的逻辑。 2、等到需要数据库是在创建和打开这些数据库是一个良好的做法。SQLiteOpenHelper会在成功打开数据库实例后缓存它们,所以最佳的实践是在刚好要执行查询或事物前请求打开数据库,除非你不在需要使

YongYu_IT的专栏 756

sqliteman,好用的sqlite数据库维护工具

好用的sqlite数据库维护工具

Android studio导入外部sqlite数据库后对数据库进行修改和操作

Android studio对导入的数据库进行操作,修改

NXBBC的博客 8729

VL53L1X移植到STM32实战记录,使用软件IIC(附源代码)

序言 VL53L1X是一个很小又很优秀的测距传感器,它相比于上一代VL53L0X有着不小的提升,这次毕业设计打算将这个传感器用起来,就来移植了一下,遇到的坑怎么说还是有一些,故在此分享给大家。 开发环境 IDE:Keil V5 STM32CubeMX ,使用HAL库 具体操作 获取官方库并进行移植 这一步是移植的基础,首先从官方把API库下下来,并添加到IDE中: 适配硬件 这里由于不同的硬件平...

wmdscjhdpy的博客 1万+

基于Simulink的防空导弹六自由度弹道建模与仿真实战

本文详细介绍了基于Simulink的防空导弹六自由度弹道建模与仿真方法。通过分析导弹动力学原理、Simulink环境配置、气动力建模、推进与控制系统设计等关键环节,提供了一套完整的实战指南。文章特别强调了六自由度模型在防空导弹仿真中的重要性,并分享了常见问题排查与优化建议,为相关领域工程师提供实用参考。

apple5的专栏 869

SQLite数据库修复方案(For Android App)

一、前言 SQLite性能好,对SQL支持全面,是久经考验的轻量的关系型数据库。移动开发者对SQLite应该都不陌生了,只是不同的 APP 对数据库的依赖程度不同(有的甚至不需要数据库-_-)。SQLite虽然是可靠性较高的数据库,但是在复杂的使用场景之下,也会不时地出点问题。比如说有时候索引损坏,select count() from t_XXX 查询...

weixin_34220963的博客 582

PS2硬盘启动终极指南:从FMCB到OPL,告别光驱打造游戏博物馆

在计算机存储与数据读取领域,硬盘启动技术通过将操作系统或应用程序从本地硬盘直接加载,绕过了传统光驱等外部介质,实现了速度与可靠性的双重提升。其核心原理在于利用引导程序接管系统初始化流程,直接访问硬盘上的特定分区与文件镜像。这项技术的价值在于极大提升了数据读取效率、降低了物理介质损耗,并扩展了存储容量与管理的灵活性。在怀旧游戏硬件改造、嵌入式系统定制等场景中,硬盘启动技术被广泛应用,以实现老旧设备的功能焕新与性能优化。本文聚焦于索尼PS2游戏主机的硬盘启动方案,深入探讨了如何利用FMCB(Free MCBoo

weixin_34295316的博客 1779

maui下sqlite演示增删改查

maui 调用sqlite 开发的android APP同样适用于win桌面

大白菜代码的博客 1663

GradNorm:Gradient Normalization for Adaptive Loss Balancing in Deep Multitask Networks,梯度归一化

文章目录引言gradnorm   gradnorm论文地址:https://arxiv.org/abs/1711.02257   gradnorm是一种优化方法,在多任务学习(Multi-Task Learning)中,解决 1. 不同任务loss梯度的量级(magnitude)不同,造成有的task在梯度反向传播中占主导地位,模型过分学习该任务而忽视其它任务;2. 不同任务收敛速度不一致;这两个...

Leon_winter的博客 2万+

contextcapture多区块点云_多源点云数据融合的建筑物精细化建模

本文内容来源于《测绘通报》2020年第8期,审图号:GS(2020)3611号多源点云数据融合的建筑物精细化建模王树臻1, 郑国强1, 王光生1, 胡玉民2, 张德怀2, 亓伟3 ...

weixin_36301639的博客 1827

怎么维护 SQLite

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_33895475的博客 187

渗透测试之哥斯拉实战

可以直接在这里使用meterpreter命令进行对服务端的控制。选择目标 - 添加,配置连接信息,之后测试连接成功!php的shell功能如图。先要进行数据库的配置信息。可以直接在这里打包全站。

大河之犬的博客 2492

Access、SQLite,我该如何选择?

SQLite和Access,二者都是常用的轻型关系型数据库系统。在DB-Engines的数据库排名中,二者排名都比较靠前,名次也很接近,说明使用两种数据库的人群还都不少,很多朋友在二者之间难以选择。 SQLite:我虽渺小却锋利顽强! SQLite,是一款轻型的,遵守ACID的关系型数据库管理系统,她包含在一个相对小的C库中。主要为嵌入式应用设计,在很多嵌入式产品中应用广泛,她占用资源非常的低,只需要几百K的内存就够了。 笔者早年用过很多年Access,主要用作本地数据存储,对Access的品性和

木牛的博客 1万+

【Bug已解决】[Bug]: ValueError: No user query found in messages QWEN 3.5 27B VLLM 0.16.0 NIGHTLY 解决方案

用 vLLM 0.16.0 nightly 给发聊天请求时,服务端在处理消息时抛ValueError,请求失败。

博客 422

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

SQLite 数据库管理指南:3 步把 .db 文件变成看得懂的数据

同事丢给你一个 .db 文件,想核对几个字段,却不想在终端里一条条敲命令;客户的手机应用说“数据不对”,你拿到数据库文件却完全看不懂里面是什么。DB Browser for SQLite(简称 DB4S)是一款免费开源的 SQLite 数据库管理工具,点开文件,数据直接以表格形式摊在你面前,能看能改。 不用背 SQL:打开文件、查看表结构、改数据,3 步就完事。 [![DB Browser f

gitblog_01018的博客 643

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")

【亲测免费】 DB Browser for SQLite - 开源SQLite数据库管理工具

DB Browser for SQLite - 开源SQLite数据库管理工具 【下载地址】DBBrowserforSQLite-开源SQLite数据库管理工具 DB Browser for SQLite - 开源SQLite数据库管理工具DB Browser for SQLite是一款强大的、用户友好的开源工具,专门设...

gitblog_09796的博客 1463

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

【免费下载】 DB Browser for SQLite:一款强大的SQLite数据库管理工具

**GitHub仓库**:[sqlitebrowser/sqlitebrowser](https://github.com/sqlitebrowser/sqlitebrowser)

gitblog_00094的博客 2964

sqlite3 模块-----轻型数据库

Python SQLITE数据库是一款非常小巧的嵌入式开源数据库软件,也就是说没有独立的维护进程,所有的维护都来自于程序本身。它使用一个文件存储整个数据库,操作十分方便。它的最大优点是使用方便,功能相比于其它大型数据库来说,确实有些差距。但是性能表现上,SQLITE并不逊色。麻雀虽小,五脏俱全, sqlite 实现了多数 sql-92 的标准,比如说 transaction 、 trigger 和...

鲨鱼儿的博客 318

终极SQLite数据库可视化工具:DB Browser for SQLite完整指南

你是否曾面对SQLite数据库文件感到无从下手?复杂的SQL语句让你望而却步?DB Browser for SQLite正是解决这一痛点的完美方案。作为一款完全开源免费的SQLite数据库可视化工具,它能让你无需编写任何SQL代码就能轻松管理数据库,真正实现零SQL基础操作数据库。无论是开发者、数据分析师还是普通用户,都能通过直观的图形界面完成数据库的创建、编辑和查询操作。 ## 为什么你需要这

gitblog_00789的博客 395

如何用 Freqtrade convert-db 命令把 SQLite 数据库迁移到 PostgreSQL?

Freqtrade 在 Live 和 Dry-Run 模式下会把交易记录存放在本地 SQLite 文件中,默认文件名分别是 `tradesv3.sqlite`(Live)和 `tradesv3.dryrun.sqlite`(Dry-Run)。如果你希望把交易数据存储切换为 PostgreSQL,可以使用 `freqtrade convert-db` 子命令,把现有 SQLite 库中的所有 tra

gitblog_02221的博客 478

TanStack DB 在 Electron 中的本地数据库:基于 RxDB SQLite 存储构建离线优先桌面应用

**TanStack DB in Electron** 为桌面应用带来了实时查询(live queries)与乐观更新(optimistic mutations),但 TanStack DB 本身是一个纯内存存储:持久化与同步职责归属于你所选择的 collection 实现。官方 `@tanstack/rxdb-db-collection` 包在底层接入 [RxDB](https://link.g

gitblog_00911的博客 842

嵌入式数据库典型技术―SQLite和Berkeley DB的研究

摘 要: 与常见的数据库相比,嵌入式数据库具有体积小、功能齐备、可移植性、健壮性等特点,本文分析和比较了典型的嵌入式数据库SQLite和Berkeley DB。首先从体系结构、子系统间调用关系、任务执行过程等角度对SQLite和Berkeley DB进行了详细分析,然后重点从数据类型、存储方式、模式、数据库引擎和错误处理及加密功能等方面讨论了SQLite和Berkeley DB

missyou03的专栏 2785

SQLite 附加数据库

SQLite附加数据库(ATTACH DATABASE)功能详解:该功能允许单个SQLite连接操作多个.db文件,通过别名实现跨库查询、数据迁移等操作。文章详细介绍了基本语法、实战应用(包括跨库JOIN查询、数据迁移和内存数据库)、路径写法、使用限制(最多125个附加数据库,不支持跨库事务和外键)以及最佳实践(如命名规范、只读附加)。同时提供了Python编程示例和常见问题解决方案,帮助开发者高效管理多数据库场景。

m0_57545130的博客 538

Sqlite数据库报错——The database disk image is malformed

转载:http://zhiwei.li/text/2010/08/修复sqlite-database-disk-image-is-malformed/ 运行某些SQL语句出错database disk image is malformed 说明SQLite的内部数据格式,已经损坏 sqlite> PRAGMA integrity_check; *** in databa

west8623的专栏 6301
上一篇: Android构建系统概览
下一篇: Android 图片与内存消耗
apple_zl
博客等级 码龄16年 0粉丝 2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