pyautogui自动点击无敌版(含注释,按需修改)

Python GUI自动化实战:基于PyAutoGUI实现微信消息自动发送 GUI自动化是一种通过程序模拟用户界面操作的技术,其核心原理是控制鼠标、键盘等输入设备,并识别应用程序窗口元素。这项技术能够将重复性的人工操作转化为自动化流程,在提升工作效率、减少人为错误方面具有显著价值。在Python生态中,PyAutoGUI库提供了跨平台的GUI自动化能力,结合PyGetWindow进行窗口管理,可以稳定实现桌面应用的自动化操作。常见的应用场景包括自动化测试、数据录入、定时任务执行等。本文聚焦于使用PyAutoGUI和PyGetWindow,详细讲解如何安全合规地实现微信PC版的消息自 阅读详情

pyautogui自动点击无敌版(按键记录坐标,含注释,按需修改)

#在原代码上优化及改bug,原文链接已丢失,仅供分享
import pyautogui as pa
import keyboard
import ast

pos = []


def add(x):
    pos.append(x)
    print("{0} successfully added".format(x))


def add_pos():
    while True:
        # 按ctrl触发事件,保存位置,注意保存完后再按一下ctrl
        if keyboard.read_hotkey() == 'ctrl':
            add(pa.position())
        else:
            # 按其他任意键停止录入,将信息写入txt
            f = open("data.txt", 'w')
            for i in pos:
                f.write(str(i))
                if i != pos[-1]:
                    f.write('\n')
            f.close()
            break


def get_pos():
    f = open('data.txt', 'r')
    for i in f.read().split('\n'):
        pos.append(i)
    res = [ast.literal_eval(s) for s in pos]
    f.close()
    return res


def nclick():  # 顺序点击
    for i in pos:
        pa.click(eval(i), duration=0.2)


def mclick():  # 点击一次,循环中使用
    pa.click(eval(pos[-1]), duration=0.3)


def click():
    pos = get_pos()
    # 顺序点击
    nclick()
    # mclick点击次数
    count = 0
    # 循环点击
    while (pa.position() == pos[-1]):
        count = count + 1
        # 重复点击最后一个坐标,任意移动鼠标结束,俺用来给b站刷点赞
        mclick()
    print('exit successfully,count =', count)


if __name__ == '__main__':
# 第一次运行该函数,运行后鼠标移到正确位置后按ctrl记录信息写入txt文件
    add_pos()
# 第二次运行该函数,pos从文件中读位置,nclick顺序点击,mclick重复点击
#     click()


PyAutoGUI实战避坑指南:坐标偏移、图像识别与跨屏自动化 PyAutoGUI是一种基于屏幕坐标和图像识别的GUI自动化工具,其核心原理是绕过API限制,直接模拟鼠标键盘操作,适用于无法被Selenium或Requests接管的遗留系统、安全控件及桌面应用。技术价值在于填补‘最后一厘米’人机交互空白,实现UI层确定性操作;典型应用场景包括银行U盾弹窗处理、VB6老系统操作、Excel VBA审批流自动化等。但实际落地面临三大挑战:Windows DPI缩放导致的坐标系漂移、多显示器拼接引发的区域越界、以及图像匹配对像素一致性的严苛要求。本文聚焦PyAutoGUI在真 阅读详情

相关推荐

基于PyAutoGUI的Cursor IDE自动化:解放重复操作,提升编程效率

GUI自动化是软件工程中通过模拟用户界面交互实现任务自动化的关键技术,其核心原理是通过程序控制鼠标、键盘等输入设备,替代人工执行重复性操作。这项技术的价值在于将开发者从繁琐的界面操作中解放出来,显著提升工作效率和一致性。在AI编程辅助工具日益普及的背景下,将GUI自动化与IDE结合,能够实现从单次对话到批处理工作流的升级。本文以Cursor IDE为例,探讨如何利用PyAutoGUI库构建稳健的自动化脚本,通过图像识别、坐标相对化等技术解决跨平台适配和UI变化等工程挑战,适用于代码格式化、批量检查等常见开发

weixin_30681615的博客 399

用pyautogui进行鼠标移动和点击来解放懒狗的手吧!

今天测试的时候要反复打开某个软件,再关闭。这么机械的劳动当然不能我亲自去做!立刻找到了万能python库里面的pyautogui,美美解放双手,跑一百遍都没问题!资料参考来源:https://www.jb51.net/article/235352.htm。

Process finished with exit code 0 2359

如何解决 pyautogui 库中 scroll 函数无效的问题

解决 pyautogui 库中 scroll 函数无效的问题

green_jake的博客 1921

Python 中的自动点击器——2 种简单易行的方法

在本教程中,我们将了解Python 中的自动答题器。我们将首先了解它的含义以及如何在 Python 中实现它。那么,事不宜迟,让我们进入正题。是一种 Python 软件,允许用户以较短的时间间隔连续点击鼠标。它由用户定义的键控制,适用于所有环境——Windows、Mac 和 Linux。在 Python 中,我们将使用名为 PyAutoGUI 的包来执行此操作。这将使我们能够同时操作鼠标和监视键盘。

昔明日 7074

Python截屏实战:pyautogui、PyQt5与Pillow三种方案详解

屏幕截图是自动化测试、数据采集和日常开发中的基础功能,其核心原理是通过程序调用操作系统或图形界面的API捕获当前显示内容。在Python生态中,有多种技术方案可以实现这一功能,每种方案在跨平台性、性能和控制粒度上各有侧重。对于需要快速集成到自动化流程中的场景,如定时监控软件界面状态或为脚本添加调试快照,选择合适的截屏方法能显著提升开发效率。本文聚焦于三种主流方案:追求简单跨平台的pyautogui、提供高性能与精准控制的PyQt5/PySide6,以及灵活轻量的Pillow结合系统API方案,并深入探讨了多

weixin_33875564的博客 439

简单的界面用于控制自动点击器

delete_button`用于删除选中的行;`add_current_position()`方法隐藏了窗口,然后定义了一个鼠标监听器`on_click`,当用户左键按下时,记录下鼠标的位置,再显示窗口并将这些信息添加到`coords_treeview`中。`update_mouse_position()`方法创建了一个后台线程,每隔一段时间更新`position_label`的文本。`get_mouse_position()`方法用于获取当前鼠标的位置,并更新`position_label`的文本。

sinat_38424109的博客 935

使用python简单创建自动点击脚本,使用的是pyautogui

每一次遍历,点击需要的点,然后等待一定的时间,再次点击,即可自动点击。自己按照时间的间隔,调整位置,然后显示不同地方的坐标。将需要的坐标放入数组中。然后获取需要点击的坐标。

双鱼座boyy的博客 1万+

eNSP-交换机VLAN配置

VLAN

乌托托的博客 8804

使用python简单创建自动点击脚本,使用的是pyautogui_python鼠标点击脚本

不知道你们用的什么环境,我一般都是用的Python3.6环境和pycharm解释器,没有软件,或者没有资料,没人解答问题,都可以免费领取(包括今天的代码),过几天我还会做个视频教程出来,有需要也可以领取~给大家准备的学习资料包括但不限于:Python 环境、pycharm编辑器/永久激活/翻译插件python 零基础视频教程Python 界面开发实战教程Python 爬虫实战教程Python 数据分析实战教程python 游戏开发实战教程Python 电子书100本。

m0_60452141的博客 1246

Ubuntu22.04+Docker一键部署Autoware Universe避坑指南(附鱼香ROS配置)

本文详细介绍了在Ubuntu22.04系统中使用Docker一键部署Autoware Universe的完整流程,包括鱼香ROS工具链配置、Docker环境优化及VSCode开发环境集成。通过实战指南帮助开发者快速搭建自动驾驶开发环境,解决常见部署问题,提升开发效率。

weixin_29254673的博客 413

WSL2安装(详细过程)

适用于 Linux 的 windows 子系统允许开发人员直接在 Windows 上运行 GNU/Linux 环境 -- 包括大多数命令行工具、实用程序和应用程序,无需修改,而无需传统虚拟机或dualbot设置的开销。

qq_43636384的博客 3万+

用Python制作一个自动点击器,三种模块都可以

我们在本教程中讨论了自动点击器。前两种方法相对简单,因为我们使用for 循环执行了一个重复多次的函数来模仿鼠标的点击。最后一种方法是在Python中创建一个适当的自动点击器脚本,它可以根据键盘上的按键开始和停止点击。

Python热爱者的博客 1万+

Android开发者必看:F2FS文件系统如何优化你的手机存储性能(附实测数据对比)

本文深入解析了F2FS文件系统如何针对闪存特性优化Android设备存储性能。通过对比ext4,F2FS采用追加写和冷热数据分离策略,将随机写转化为顺序写,显著提升写入速度并减少GC卡顿。实测数据显示,其在随机写入和SQLite事务等场景下性能提升显著,为开发者提供了优化应用IO性能的关键思路。

weixin_29248313的博客 325

单独测试 pyautogui 的鼠标点击功能,确保它能够在当前环境中正常工作,鼠标自动点击的录制回放功能

【代码】【无标题】

sinat_38424109的博客 933

GNSS-RTK/INS紧组合里,那个‘杆臂改正’到底怎么算?一个公式讲清INS与天线位置的关系

本文深入解析GNSS-RTK/INS紧组合导航系统中的杆臂改正(Lever Arm Correction)原理与实现方法。详细介绍了杆臂效应的物理本质、数学建模及误差扰动分析,揭示了IMU与GNSS天线位置关系的核心公式,并提供了工程实现中的常见误区与验证方法。通过Python代码示例和紧组合量测模型处理流程,帮助开发者准确理解并应用这一关键技术。

weixin_33137081的博客 356

OpenClaw赚钱实录:从“养龙虾“到可持续变现的实践指南——OpenClaw的赚钱底层逻辑与“记忆”革命

AI 的商业价值不在于替代思考,而在于沉淀关系。当 Agent 记住你的偏好、你的历史、你的目标,它就不再是冷冰冰的软件,而是成为数字化的关系资产。这种资产的稀缺性不在于技术复杂度,而在于时间无法被压缩——你无法用更好的算法替代 3 个月的协作记忆。在这场“记忆革命”中,护城河不是模型参数,而是用户与 AI 共同书写的历史。OpenClaw 用一套优雅的文件系统架构,将这种历史转化为可积累、可复用、可变现的数字资产。从“计算即服务”(CaaS)到“记忆即服务”(MaaS)。

冯·诺依曼 1341

用AI自动生成PyAutoGUI脚本:解放双手的自动化开发

描述需求时要尽可能具体,比如说明"需要等待下载完成的判断条件"- 复杂操作可以拆分成多个子任务让AI分别生成- 一定要加足够的延迟和异常处理,实际运行环境总有意外- 平台提供的实时预览功能特别适合调试GUI自动化脚本现在这个脚本每天帮我节省2小时手工操作时间。最惊喜的是,当业务流程变更时,我只需要修改自然语言描述,AI就能快速调整脚本逻辑,维护成本极低。对于需要处理大量重复GUI操作的同学,强烈推荐试试这个组合方案。

EmeraldEagle36的博客 546

uniapp [全端兼容] - 实现接入集成高德地图搜索地址及选择位置功能,搜索框检索选择地点并返回经纬度及详细省市区县街道地址,用户搜索历史及清空历史记录,选择地址自动获取周边位置列表/地图移动选点

uni-app,高德地图,h5移动端网页,微信小程序,支付宝小程序,Android安卓,苹果ios,app,nvue,Uniapp高德地图,在地图上选择或搜索指定地点,打开地图选择位置,关联地址搜索,输入地址返回附近地址列表,uniApp高德地图地址搜索,搜索框历史记录,关键字搜索,周边查询,搜索位置,uniapp对接高德实现搜索出现地址以及保存搜索记录,集成高德地图,实现精准位置选点功能,获取当前定位城市,如何实现搜索功能,获取省份城市区街道详细地址经纬度,移动选点标记位置,在地图上进行选择位置选点、搜索

🏆 前端领域优质创作者 1万+

Python自动化办公:PyAutoGUI模拟鼠标键盘操作实战指南

GUI自动化是软件工程中实现人机交互模拟的重要技术,其核心原理是通过程序控制鼠标和键盘,模拟用户对图形界面的操作。这项技术的价值在于将重复性、规律性的手动任务转化为可编程、可调度的自动化流程,从而大幅提升工作效率并减少人为错误。在自动化办公、软件测试、数据录入等应用场景中,GUI自动化工具能够替代人工执行点击、输入、拖拽等操作。PyAutoGUI作为Python生态中轻量级、跨平台的GUI自动化库,通过模拟系统级输入事件,为开发者提供了简洁的API来实现鼠标键盘的自动化控制。结合python安装教程中的环境

aibi9196的博客 366

【Bug已解决】codex: debug 模式无输出 — CodeX CLI 调试模式不工作解决方案

CodeX CLI 开启 debug 模式后无输出/日志不打印的解决方案,含 debug 开关、日志级别、stderr 重定向与 IDE 日志面板。

一键难忘的博客 4164

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Python自动化实战:用PyAutoGUI打造Chrome恐龙游戏AI外挂

Python自动化是提升工作效率和探索智能控制的重要技术领域,其核心原理在于通过脚本模拟人类对计算机的交互操作。在工程实践中,图像识别与键盘模拟是实现自动化控制的两大关键技术,它们能赋予程序“视觉”和“操作”能力,广泛应用于软件测试、数据采集和游戏辅助等场景。本文以经典的Chrome离线恐龙游戏为具体应用对象,深入探讨如何利用PyAutoGUI库,结合屏幕截图、模板匹配等图像识别方法,实时检测游戏中的仙人掌与翼龙障碍物,并自动触发跳跃或下蹲指令,从而构建一个完整的、基于视觉反馈的自动化控制解决方案。通过这一

weixin_34348805的博客 366

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")

桌面自动化(PyAutoGUI+Excel):一键生成周报的实战教程

【摘要】职场人常被枯燥的周报撰写困扰,重复操作耗时易错。本文推荐使用PyAutoGUI+Excel实现自动化周报生成方案,5秒完成标准周报。该组合优势在于:PyAutoGUI模拟人工操作,兼容各种办公环境;Excel保持专业数据展示。教程提供完整代码,零基础可快速上手,通过自动打开模板、填写数据、调整格式、保存文件等步骤,解放每周1-2小时工作时间。方案特别适合行政、财务等固定报表岗位,只需提前准备模板、获取屏幕坐标,即可实现"双击脚本→自动生成→准时下班"的高效办公模式,是职场人提升效

2603_96171993的博客 151

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

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

原神剧情自动对话增强版

原神剧情自动对话增强版,全自动过剧情

weixin_44781267的博客 6503

Python自动化入门:从网页小游戏到RPA与自动化测试实践

自动化技术是现代软件开发与运维中的基础能力,其核心原理是通过程序模拟人类操作,实现重复性任务的自动执行。在技术实现上,通常涉及状态判断、流程抽象和操作序列控制等关键环节。这项技术的工程价值在于显著提升效率、减少人为错误,并解放开发者专注于更高价值的创造性工作。其应用场景广泛,从软件测试、数据采集到日常办公流程自动化(RPA)均有涉及。本文以Python自动化库pyautogui为例,通过一个自动玩网页小游戏的趣味项目,具体演示了如何实现屏幕控制、坐标定位与操作链设计。文中涉及的自动化测试和RPA(机器人流程

weixin_34025151的博客 384

翻转外语——自动化脚本100%正确率-基于paddleocr和opencv以及pyautogui自动化实现。

自动翻转卡包和拼写均已实现,剩下的点听力,阅读,语法,较为简单(如需要请自行补充代码)

2301_79424726的博客 4259

Python-阴阳师御魂副本自动挂机脚本-仅供个人学习交流

个人关于python的学习总结

进程撕裂者 6914
上一篇: anaconda创建环境及pycharm环境使用(注意24版pycharm先添加condabin文件中的conda.bat再添加解释器)
下一篇: 图片并列显示(个人笔记)
cab_bage
博客等级 码龄6年 744粉丝 13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