react用hover操作animate.css

Animate.css:CSS动画标准化实践与工程化落地指南 CSS动画是现代Web界面体验的核心能力之一,其本质基于@keyframes规则与animation属性的协同工作。理解transform和opacity等合成层友好属性的渲染原理,是实现60fps流畅动效的技术基础。Animate.css并非简单动画集合,而是经过大规模项目验证的CSS动画工程化标准——它通过命名空间隔离、浏览器兼容性兜底、可组合链式触发等设计,将抽象动效转化为语义化class,显著提升团队协作效率与交付稳定性。本文聚焦于Animate.css在真实业务场景中的集成策略、性能优化要点及与H 阅读详情
import React from 'react'

class Index extends React.Component {
    constructor(props) {
        super(props);
        this.state = {
            itemHoverIndex:'',
            demo:[{},{},{}]
        };
    }


    addClass(index){
        this.setState({
            itemHoverIndex:index
        })
    }
    removeClass(index){
        this.setState({
            itemHoverIndex:''
        })
    }

    render() {
        return (
            <div className='Index__container'>
                {this.state.demo.map((item,index)=>(
                    <div onMouseEnter={this.addClass.bind(this,index)} onMouseLeave={this.removeClass.bind(this,index)}
                         className={`demo animated ${this.state.itemHoverIndex===index? 'pulse' : ''}`}>111
                    </div>
                ))}
            </div>
        );
    }
}


export default Index
别再只用:hover了!用这5个CSS动画库,让你的按钮和卡片瞬间高级起来 本文介绍了5个专业级CSS动画库,帮助开发者超越基础的:hover效果,实现更高级的按钮和卡片动画。从经典的Animate.css到高性能的Motion One,再到Tailwind CSS动画插件和GSAP专业版,这些库不仅提升视觉效果,还能优化开发效率。特别推荐Hover.css,专为交互设计,能显著提升用户点击率。 阅读详情

相关推荐

Animate.css 本质解析:CSS动画标准化接口与工程化实践

CSS动画是Web前端实现交互动效的基础技术,其核心原理基于W3C规范的@keyframes定义与animation属性控制。相较于JavaScript动画库(如GSAP),CSS动画具有原生性能优势和低主线程占用特性,但存在触发机制受限、时长/缓动难动态调整等工程痛点。Animate.css正是为解决这些共性问题而生——它并非运行时动画引擎,而是提供标准化class命名空间与预编译keyframes的CSS动画交付接口,通过animate__前缀规避冲突、默认cubic-bezier缓动统一体验、自动处理

weixin_30781775的博客 444

Vue3 + Animate.css 实现鼠标Hover动画

Vue3 + Animate.css 实现鼠标Hover动画

James_liPeng的博客 2797

React平滑滚动实战:从CSS失效到自研Hook的全链路方案

平滑滚动是现代Web应用的基础交互能力,其本质是浏览器原生滚动API与JavaScript时序控制的协同问题。原理上需兼顾DOM挂载时机、渲染管线隔离与用户意图响应,技术价值在于保障首屏体验一致性、提升Lighthouse性能评分并支撑SSR/微前端等复杂架构。典型应用场景包括单页导航锚点跳转、文档站点目录联动、营销页模块定位及固定头部避让等。本文聚焦React生态下`scrollIntoView`和`window.scrollTo`的实际落地难点,结合`react-scroll`局限性与自研`useSmo

weixin_30540691的博客 223

简单的css鼠标进入动画

简单的css鼠标进入动画 本篇讲述的动画效果均基于 2d转化–>transform 与 过渡–>transition相结合,简单且实用。 应用时注意div基础样式需自行定义。 文字和盒子共同旋转、放大 效果图: 注:为了使过渡效果更佳,我们应用了贝塞尔曲线 代码如下: <style> /* 2D转化效果1 */ .animate1 { /* 过渡时间为0.5s,使...

王红珠的博客 2376

unity制作交互视频/互动视频

unity制作交互视频/互动视频 思路 1.先让unity播放视频 2. 视频播放结束后,视频暂停,按钮出现 3.按钮跳转下一个视频 视频播放 先创建UI-Raw Iamge 在Raw Iamge 挂载组件 Video Player 接着挂载视频播放的脚本 using UnityEngine; using UnityEngine.UI; using UnityEngine.Video; publi...

weixin_45588911的博客 8430

MMCV安装后报错‘from mmcv import Config’?别慌,这是MMCV 2.0的锅!快速降级回退MMCV 1.x全指南

本文详细解析了MMCV 2.0版本升级导致的‘from mmcv import Config’报错问题,提供了从诊断到降级回退MMCV 1.x的完整解决方案。通过pip和OpenMIM工具链的实操指南,帮助开发者快速解决版本冲突,确保项目稳定运行。

weixin_29102619的博客 263

css3动画简介以及动画库animate.css的使用

过渡动画 第一种叫过渡(transition)动画,就是从初始状态过渡到结束状态这个过程中所产生的动画。所谓的状态就是指大小、位置、颜色、变形(transform)等等这些属性。css过渡只能定义首和尾两个状态,所以是最简单的一种动画。 要想使一个元素产生过渡动画,首先要在这个元素上用transition属性定义动画的各种参数。可定义的参数有 transition-property:规定对哪个属性...

岁末zzz的博客 1843

中国全国地面站点数据(1981-2010)、月平均气象、月平均降水、月平均相对湿度、月最大降水、月最高温度最低温度、月最高温平均值最低温平均值、高低温站点基础数据,气候数据

中国全国地面站点数据(1981-2010)、月平均气象、月平均降水、月平均相对湿度、月最大降水、月最高温度最低温度、月最高温平均值最低温平均值、高低温站点基础数据 b_china_mon_avg_data_pressure月平均气象 b_china_mon_avg_data_rain月平均降水 b_china_mon_avg_data_rhu月平均相对湿度 b_china_mon_max_data_rain月最大降水 b_china_mon_max_min_data_tem月最高温度最低温度 b_china

无极低码 2万+

React中的内联CSS样式:如何实现:hover? 鼠标放上去背景颜色变化

这里主要介绍的是通过onMouseEnter,onMouseLeave事件来改变状态 var Link = React.createClass({ getInitialState: function(){ return {hover: false} }, toggleHover: function(){ this.setState({hover: !th...

放飞梦想 9854

ESP32脑机接口开发板:EEG信号采集与应用开发指南

脑机接口(BCI)技术通过采集脑电图(EEG)信号实现人机交互,其核心在于高精度生物电信号采集与实时处理。基于ESP32微控制器的开发平台结合专业级ADS1299 ADC芯片,可构建8通道EEG信号采集系统,支持250SPS采样率与可编程增益。这种嵌入式解决方案在科研教育领域具有显著优势,既能满足信号质量要求,又大幅降低开发门槛。典型应用包括实时脑电波可视化、注意力检测等BCI场景,通过Python生态工具链(如BrainFlow、LSL)可快速实现数据处理。开发时需注意电极阻抗控制(<10kΩ)和50/6

weixin_42518874的博客 347

EMB电子机械制动系统和EHB电子液压制动系统控制功能的对比

EMB电子机械制动系统相比EHB液压制动系统具有显著优势:响应速度更快(<100ms)、控制精度更高(±2N·m)、能实现单轮独立控制,支持0.1%级制动力调节。在ABS、ESC等安全功能上表现更优,制动平顺性和NVH性能更好,同时提升能量回收效率15%-20%。特别适合智能驾驶需求,可使AEB等系统响应时间缩短50ms,紧急制动距离减少1米以上。EMB系统完美契合高阶自动驾驶对快速响应和精准控制的要求。

m0_59012156的博客 890

使用Animate鼠标悬浮时展示动画

将它设为与 partnersList 长度相同的数组,用于跟踪哪个图片被悬浮;,就是通过true或false来控制给当前图片加动画;为true或false来动态添加或移除 CSS 类名。:当鼠标移动到图片上时与当鼠标离开图片时,通过设置。:实现点击图片跳转到链接地址list.url;实现鼠标悬浮时展示动画,而不是直接进行动画;:鼠标悬停在当前图片上时有提示显示;

weixin_46011290的博客 824

微信支付接口「系统繁忙 SYSTEM_ERROR」/「文件不存在」报错分析与解决方案 接口开发实现SDK

微信支付的“平台证书模式”只有5年的有效期,过期后微信支付将不再签发新的平台证书,转而要求开发者使用“微信支付公钥”来处理敏感信息加密及回调签名验证。然而,由于以下几点原因,许多开发者在调用 获取平台证书。尽管微信支付在技术迭代上有其必要性,但报错设计过于不友好。诸如“系统繁忙”这样的提示很难直接关联到平台证书失效或公钥切换问题。这样的信息表达,开发者不仅看不懂,还需要花费大量时间分析排查,非常影响效率。

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 789

React Animate Height 实战案例:构建可折叠导航菜单和手风琴组件

React Animate Height 是一个轻量级的 React 组件,专门用于通过 CSS 过渡动画实现高度动画效果。这个无依赖的动画组件让开发者能够轻松实现元素的上下滑动动画,或者将元素动画到任何特定高度。在本终极指南中,我们将探索如何使用这个强大的动画库构建两个常见的 UI 组件:可折叠导航菜单和手风琴组件。 ## 🚀 React Animate Height 快速入门 首先,让我

gitblog_00613的博客 350

电子凸轮追剪算法深度解析:2500字图解+代码实战

工艺需求:在物料连续运动过程中完成精准切割核心矛盾:切割瞬间刀具与物料必须绝对同步传统方案:机械凸轮(结构复杂,调整困难)现代方案:电子凸轮(柔性可调,精度更高)

QQ_778132974的博客 1115

Oracle EBS AP 应付模块核心实现逻辑(极简骨架 + 分层拆解 + 业务流转 + 分录 + 核心表)

Oracle EBS AP应付模块采用四层逻辑架构:1)主数据层统一管控供应商基础信息;2)发票负债层通过三单匹配校验生成应付账款;3)付款核销层实现负债冲减;4)SLA层自动生成财务凭证。核心流程包括发票验证(匹配PO/收货单)、付款核销(全额/部分冲账)、会计分录自动生成(通过SLA引擎)。模块严格遵循"无匹配不负债、无验证不入账"原则,与采购、库存等模块深度集成,实现从供应商创建到付款核销的完整业务闭环,确保应付账款准确性和审计追溯能力。

金牌架构师 441

前端框架有哪些

目前最热门的前端框架 1、bootstrap 目前最流行的 HTML, CSS 和 JavaScript 框架,用于开发响应式,移动端先行的 web 项目 gethub:https://github.com/twbs/bootstrap 官网:http://getbootstrap.com/ 2、vue 一个用以创建用户接口的直观、快速、简洁的 MVVM 框架 gethub:https://github.com/vuejs/vue 官网:https://vuejs.org/ 3、angular.js Goo

a136447572的专栏 2万+

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

基于React与Tailwind CSS打造杂志级英语阅读网站全栈实战

在现代Web开发中,前端工程化与用户体验设计是构建高质量应用的核心。通过组件化架构和声明式编程,开发者能够高效构建可维护的交互界面。响应式设计原理确保网站在不同设备上提供一致的浏览体验,而性能优化技术则直接影响页面加载速度和用户留存。这些技术在实践中共同创造了沉浸式的数字内容平台,尤其适用于内容展示类网站。本文以英语阅读网站改造为例,深入探讨如何利用React、Tailwind CSS和Framer Motion等技术栈,实现类似杂志的视觉叙事和交互沉浸体验,涵盖从技术选型、核心功能模块实现到图片懒加载、路

weixin_33788244的博客 384

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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,

10个前端动画库让你的交互更加炫酷

Animate.css animate.css 是一个使用CSS3的animation制作的动画效果的CSS集合,里面预设了很多种常用的动画,且使用非常简单。 GitHub:github.com/animate-css… Hover.css Hover.css 是一套基于 CSS3 的鼠标悬停效果和动画,这些可以非常轻松的被应用到按钮、LOGO 以及图片等元素。所有这些效果都是只需要单一的标签,必要的时候使用 before 和 after 伪元素。因为使用了 CSS3 过渡、转换和动画效果,因此只支持 C

一直在水些技术小文 3970

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")

AtomCode 在前端开发中的实战体验:React + TypeScript 项目开发实录

AtomCode 在组件生成方面的核心能力是Props 类型推导。组件需求描述生成 Props 准确率代码质量Button支持 variant、size、disabled、loading、onClick98%⭐⭐⭐⭐⭐Modal支持 open、title、children、onClose、onConfirm95%⭐⭐⭐⭐⭐DataTable泛型数据类型、列定义、分页、排序、行选择92%⭐⭐⭐⭐Form表单验证、字段注册、提交处理、错误显示90%⭐⭐⭐⭐。

从事移动开发八年,csdn博客专家,阿里云特邀专家,华为云云享专家,高级网络信息安全工程师,大数据工程师(高级),python技术开发(高级),HarmonyOS 应用开发者高级认证,现在某学校任教。 1万+

如何用Framer Motion打造令人惊艳的React动画:从入门到精通的完整指南

Framer Motion是一个开源、生产级别的React动画和手势库,它让开发者能够轻松创建流畅、高性能的动画效果,为React应用带来生动的用户体验。无论是简单的过渡效果还是复杂的交互动画,Framer Motion都能提供直观且强大的API,帮助你快速实现创意。 ## 🎨 为什么选择Framer Motion? 在众多前端动画库中,Framer Motion脱颖而出的原因在于: -

gitblog_00074的博客 995

Web前端资料整理

前端资料整体

FreedomX20的博客 951

这几十个前端炫酷库你都知道吗?

茶已备好,只待君来!感谢关注 前端点线面 (>‿<),本号定期推荐原创深度好文,帮助每一位在前端领域打拼的伙伴们走向前列,此外关注我获取最前沿知识点、海量学习资料、《前端百题斩...

wang_yu_shun的博客 3846

前端动画库(种类多)

前端动画库

qq_43730595的博客 1166

React组件样式管理让你头疼?试试Class Variance Authority的优雅解法

作为一名前端开发者,你是否曾经面对这样的困境:随着项目规模扩大,组件的变体越来越多,按钮有primary、secondary、danger三种状态,每种状态又有small、medium、large三种尺寸,再加上disabled、loading等特殊状态。手动管理这些类名组合让你陷入无尽的`className`拼接地狱,TypeScript类型定义更是让人望而生畏。 Class Variance

gitblog_00892的博客 1002

10个前端动画库让你的交互更加炫酷,零基础入门到精通,收藏这篇就够了

animate.css 是一个使用CSS3的animation制作的动画效果的CSS集合,里面预设了很多种常用的动画,且使用非常简单。

Javachichi的博客 652
上一篇: react pc端下拉加载
下一篇: 手写each,以及个人对call的理解
chenxiang0708
博客等级 码龄8年 0粉丝 32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