黑马程序员_14Udp实例

前端案例分享:京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 web前端基础制作京东电梯式导航 立即下载
------- android培训、ios培训、期待与您交流! ----------
//客户端程序
import java.net.*;
import java.io.*;
public class UdpClient{
 public static void main(String[] args) throws Exception{
 
  long l = 10000L;

  ByteArrayOutputStream baos = new ByteArrayOutputStream();

  DataOutputStream dos = new DataOutputStream(baos);
  dos.writeLong(l);
  byte[] buf1 = baos.toByteArray();
/*程序明明写对了,就是结果不对,最后发现时IP填写错误,由于电脑自动获得IP,所以IP地址发生改变,忘记修改这里的ip地址,最后导致客户端与服务端没有成功对接*/
  DatagramPacket dp = new DatagramPacket(buf1,buf1.length,new    InetSocketAddress("192.168.1.102",5678));
 
  //需要研究一下
  DatagramSocket ds = new DatagramSocket(9999);
  ds.send(dp);
  ds.close();
 }
}
//服务器端程序
import java.net.*;
import java.io.*;
public class UdpServer{
 public static void main(String[] args){
  byte[] buf = new byte[1024];
  DatagramPacket dp = new DatagramPacket(buf,buf.length);
  try{
  DatagramSocket ds = new DatagramSocket(5678);
   while(true){
    ds.receive(dp);
    ByteArrayInputStream dais = new ByteArrayInputStream(buf,0,buf.length);
    DataInputStream dis = new DataInputStream(dais);
    long l =dis.readLong();
    System.out.println("为什么出不来呢");
    System.out.println(l);
  }catch(SocketException e){
   System.out.println("error");
   e.printStackTrace();
  }catch(IOException e){
   e.printStackTrace();
  }
 }
}

编程总结:
1、首先需要构建客户端与服务端连接的通道,这里主要是使用的是DatagramSocket 类来实现,数据在发送之前,需要进行打包处理
2、可以发送的数据需要使用byte[] 数组进行存储,然后进行流包装,需要发long double等类型的数据时,可以用DataOutputStream等数据流进行包装
3、构建服务器端与客户端的通信时,需要注意指定的地址是否正确,不然即使程序正确了,也得不到自己想要实现的效果,因为发送数据域接收数据没有有效建立连接
不用FFmpeg!纯前端实现RTSP直播的3种现代方案对比(WebSocket/Wasm/WebCodecs) 本文深入探讨了纯前端实现RTSP直播的三种现代技术方案:WebSocket代理转发、Wasm解码和WebCodecs硬解。通过详细的架构设计、性能实测数据和兼容性分析,帮助开发者在安防监控、智慧城市等场景中选择最佳方案,实现低延迟、高效率的视频流处理。 阅读详情

相关推荐

【Arduino】入门篇——交通信号灯

模拟交通信号灯一、实验目的二、实验材料三、电路图四、实验过程五、代码块六、实验结果 一、实验目的 我想大家都看见过交通灯,就是马路上十字路口的红绿灯。如果您开过车,我想您一定仔细观察过交通灯,如果您还没有驾驶过车,您是否仔细观察过交通灯呢?交通灯包括三种个不同颜色的灯:红灯、黄灯和绿灯。 每个路口的红绿灯切换的时间并不是相同,这个是根据不同路口的车流情况来设定的,下面就是模仿交通灯的一个实验 二...

漠宸离若的博客 1万+

黑马程序员--Java基础学习之网络编程(TCP、UDP、Socket、模拟发送和接收数据)

网络传输过程: 1,找到对方ip 2,数据发送到指定端口(每个应用程序对应一个端口) 3,定义通信规则,即协议   TCP/IP UDP 1,面向无连接,将数据、源、目的封装(像邮递东西) 2,数据报大小限制在64k内 3,不可靠协议 4,速度快 TCP 1,面向连接,形成传输数据的通道(像打电话) 2,连接中进行大量数据量传输 3,可靠协议,三次握手, 4,必须建立

u011746071的专栏 2788

Ubuntu20.04复现instant-ngp,自建数据集,导出mesh

本次仅仅记录一下自己复现instant-ngp的过程,如果里面的参考有冒犯到原博主请联系我删除,本人也是nerf的小白一枚,可以一起交流学习神经辐射场,希望大家在复现instant-ngp的时候少走一些坑,情况允许下可以去复现一下npg-pl和nerfStudio,最后希望大家一起进步。看到一些博主说葵司的npg_pl也不错,而且葵司是台湾人,在youtube上也有讲解的视频。渲染的效果还是可以的,相对于源码来说还是有点模糊,我一些参数也没有设置,直接就拉进来进行渲染,速度是非常快的。

weixin_59961223的博客 9451

黑马程序员_12Tcp实例

一、服务端接受客户端的消息 //TcpClient import java.net.*; import java.io.*; public class TcpClient{  public static void main(String[] args) throws Exception{   Socket s = new Socket("19

besidescrazy的专栏 544

论文笔记--Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

Summary 在交通预测问题上,现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间关联。作者认为使用给定的空间邻接图会限制模型的有效时空相关性学习,并且它们通常使用单独的模块来实现空间和时间相关性,或者只使用独立的组件来捕获局部或全局的异质依赖关系,割裂了时空依赖关系。为此作者提出一种时空融合图神经网络用于交通预测。提出一种数据驱动的“时间图”生成方法,以此来补偿空间图可能没有反映的相关性。提出一种新的交通预测方法。 Problem Definition 交通预测中的挑战 以上图为

chenxino的博客 1755

QT编程之PCM音频播放与采集

Qt5/Qt6通用方案。

深之JohnChen的专栏 1171

黑马程序员——网络编程(TCP、UDP)

UDP协议 将数据及源和目的封装成数据包中不需要经历连接 每个数据包的大小限制在64k内 因无连接,是不可靠协议 不需要接建立连接,速度快 TCP协议 建立连接,形成传输数据的通道 在连接中进行大数据量传输 通过三次握手完成连接,是可靠协议 必须建立连接,效率会稍低

cmj的博客 736

用友U8自定义按钮开发:从基础配置到实战业务集成

本文详细介绍了用友U8自定义按钮开发的完整流程,从基础配置到实战业务集成。通过实际案例演示如何在U8系统中添加和替换功能按钮,包括数据库配置、SQL脚本编写和VB组件开发等关键技术点,帮助企业用户实现业务场景的深度定制。

weixin_29698641的博客 256

黑马程序员-java学习笔记_整理黑马官网Java自学27天基础视频及笔记

本帖最后由 wl756071448 于 2016-2-28 15:25 编辑资料来源于黑马官网及柳柳桑整理笔记!!!希望各位管理员能给点币币咯Java黑马自学基础视频教程链接:http://pan.baidu.com/s/1pJXAjnP 密码:qj48Java黑马自学基础笔记 链接:http://pan.baidu.com/s/1jGUw7Jo 密码:kshq笔记需用第一天视频...

weixin_39569894的博客 1862

【AutoCAD中实现双击文本编辑功能】

例如:以下是官方博客例子浅析先加入相关的头文件和库文件。在AutoCAD中有一个很重要的功能,就是双击图形尺寸或文本后会出现一个文本编辑框,用户可在该编辑框中修改文字。本文介绍了如何使用AcEdInplaceTextEditor来实现该功能。实现cad的消息监听。创建一个消息监听的类并在cad中注册来实现消息监听。主要是监听键盘输入。提示:以下是本篇文章正文内容,下面案例可供参考提示:这里对文章进行总结:例如:以上就是今天要讲的内容,本文仅仅简单介绍了的函数和方法。

我的博客 1149

使用IGV软件可视化染色质可及性

染色质可及性(chromatin accessibility)是指DNA序列在植物细胞核中的可访问程度。染色质是由DNA和蛋白质组成的复杂结构,它紧密地包裹在细胞核中,并影响基因的表达和功能。染色质可及性研究着重于理解染色质是否容易被转录因子和其他调控蛋白访问,从而影响基因的表达。文献中,常常会有下面这种图片来表示基因组上的一些区域或基因的染色质开放性强弱。一般情况下,我们可以使用IGV软件或GSA-man软件进行可视化,两者的操作相似。这里,以IGV软件为例,演示如何对染色质可及性进行可视化。

沉香best的博客 3724

14.网络编程--黑马程序员

可以让设备中的程序与网络上其他设备中的程序进行数据交互(实现网络通信)

weixin_45336151的博客 216

通信算法之320:DJI无人机云哨--信息包类型

大疆DJI无人机的云哨信息包主要分为四种类型:1)含经纬度位置、型号及序列号的完整数据包;2)仅含序列号的简化数据包;3)完全加密的数据包;4)加密密钥包。这些信息包格式不同,解析方式和应用场景也各异。如需更详细的技术资料,可联系作者获取。

leegang12的专栏 760

黑马程序员_java语言_UDP

###20.01_网络编程(网络编程概述) * A:计算机网络     * 是指将地理位置不同的具有独立功能的多台计算机及其外部设备,通过通信线路连接起来,在网络操作系统,网络管理软件及网络通信协议的管理和协调下,实现资源共享和信息传递的计算机系统。 * B:网络编程     * 就是用来实现网络互连的不同计算机上运行的程序间可以进行数据交换。 * InetAddress:此类表示互联网

sjw798056265的博客 445

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

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

黑马程序员—网络编程

------- android培训、java培训、期待与您交流! --------- 1,本地回路的IP地址:127.0.0.1,可以在控制台中输入ping 127.0.0.1来检测本地计算机中的TCP/IP协议是否安装正确,这个IP并未与网卡绑定,可以利用这个IP地址来实现同一台计算机上的两个网络应用程序的通信。 2,Port(端口号),端口号的范围为0—65535之间,0—1023之间

Andy的乐园 623

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")

黑马程序员------第14天笔记(网络编程)

网络 一,通信的三要素 1,找到对方IP 2,数据要发送到对方指定的应用程序上。为了标识这些应用程序,所以给这些网络应用程序用数字进行标识为了方便称呼数字就叫做端口。(逻辑端口)。 3,定义通讯规则,这个通讯规则称为协议,国际组织定了一个通用的协议:TCP/IP协议àIP地址 二,网络模型        三,UDP(例子:去邮局邮寄东西,聊天,视频都是UDP)        特点

manxingwang的专栏 444

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

黑马程序员————Java基础日常笔记---网络编程

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 黑马程序员————Java基础日常笔记---网络编程 1.1 网络编程由来: 以前是单机版的, 现在是联机的, 唯一不同的涉及到了网络, 例如: 要和张三通讯, 需要先找到张三的那台主机, IP地址有四段,目的:为了不重复, 从我这里QQ发信息,先发到对方的IP中

shuizhi312的博客 849

Linux网络编程——黑马程序员笔记

01P-复习-Linux网络编程 02P-信号量生产者复习 03P-协议 协议: 一组规则。 04P-7层模型和4层模型及代表协议 分层模型结构: OSI七层模型: 物、数、网、传、会、表、应 TCP/IP 4层模型:网(链路层/网络接口层)、网、传、应 应用层:http、ftp、nfs、ssh、telnet。。。 传输层:TCP、UDP 网络层:IP、ICMP、IGMP 链路层:以太网帧协议、ARP 05P-网络传输数据封装流程 网络传输流程: 数据没有封装之前,是不能在网络中传递。

zhuguanlin121的博客 3413

黑马程序员---网络编程

---------------------- ASP.Net+Android+IO开发S、.Net培训、期待与您交流! ---------------------- 14、网络编程 14.1网络模型 1、OSI参考模型    2、TCP/IP参考模型    现在在网际层和传输层,javaweb在应用层。传输层常见的协议是TCP和UDP协议;网际层常见的协

u011045065的专栏 790

黑马程序员——java学习14(毕23-24)——网络编程

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 1、 UDP   将数据及源和目的封装成数据包,不需要建立连接   每个数据包的大小在限制在64k内   因无连接,是不可靠协议   不需要建立连接,速度快 TCP   建立连接,形成传输数据的通道   在连接中进行大数据量传输   通过三次握手完成连接,是可靠协议...

weixin_30319153的博客 214

黑马程序员——Java基础——网络编程未完待续

------- android培训、java培训、期待与您交流! ---------- ------- android培训、java培训、期待与您交流! ---------- 第一讲  网络编程概述 1、网络传输模型:OSI参考模型和TCP/IP参考模型 开发出一传输层和网际层,应用层为:FTP和HTTP协议;传输层:UDP和TCP;网际层为:IP 用户在应用层操作...

dianliaoken1633的博客 277

黑马程序员网络通信三要素

学习

qq_54478385的博客 337

黑马程序员Java零基础视频教程_下部(P135-P200)

黑马程序员Java零基础视频教程_下部(P135-P200)

这里有一只小马吖 2417

黑马程序员--【学习日记十一】——网络编程

知识列表 网络编程三要素网络参考模型获取IPTCP和UDP的区别SocketUDP发送端和接收端TCP客户端和服务端 1)网络编程三要素: Ip、 端口、 协议 ip:网络之间互连的协议(IP),Internet Protocol的缩写 端口:port,可以认为是计算机与外界通讯交流的出口,应用程序使用的数字标识。另外还有物理端口。 协议:网络中进行数据交换

u013587258的专栏 482

黑马程序员Java基础学习,涉及精细知识点复习【持续更新】

文章目录01java基础java基础面向对象1.类:2.成员变量:类中方法外的变量,不能赋值3.成员方法:4.java内存分配:5.成员变量有初始值,局部变量没有初始值。6.this关键字:7.封装:8.构造方法:9.标准的JavaBean组成10.JDK帮助文档使用流程:GUI1.java.awt包:2.javax.swing包:3.GUI组件:4.事件监听机制5.“”创建的字符串对象,在字符串常量池存储,如果内容一样的字符串,本质上是同一个对象。6.基本类型包装类7.比较字符串相等02java_进阶一、

IN year 3419

黑马JAVA+AI 加强14网络编程-IP-端口-协议-UDP-TCP-概念

黑马JAVA+AI 加强14网络编程-IP-端口-协议-UDP-TCP-概念

Tianwen55的博客 282
上一篇: 黑马程序员_12Tcp实例
下一篇: 黑马程序员_15静态导入
孔子云
博客等级 码龄15年 1粉丝 21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