java中常用的反射

Java反射机制的应用场景 Java反射机制 阅读详情

java中常用的反射

public class User {

    private String name;
    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }
}

1、根据属性名称,利用反射射设置private属性的值

    //根据属性名称,利用反射射设置private属性的值
    public static void setPrivateValue(User user, String privateName, String privateValue) {
        try {
            Field privateStringField = user.getClass().getDeclaredField(privateName);
            privateStringField.setAccessible(true);
            privateStringField.set(user, privateValue);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
        User user = new User();
        setPrivateValue(user, "name", "hellworld");
         System.out.println(user.getName());//输出 hellworld

2、获取根据函数名调用函数,无参数

   //获取根据函数名调用函数,无参数
    public static Object callingMethod(User user, String methodName) {
        try {
            Method method = user.getClass().getDeclaredMethod(methodName);
            return method.invoke(user);
        } catch (Exception e) {
            e.printStackTrace();
        }
        return null;
    }
  User user = new User();
  setPrivateValue(user, "name", "hellworld");
   System.out.println(callingMethod(user, "getName"));//输出 hellworld

3、获取根据函数名调用函数,带参数

  //获取根据函数名调用函数,有参数
    public static Object callingMethod(User user, String methodName, Class<?>[] cls, Object[] objs) {
        try {
            Method method = user.getClass().getDeclaredMethod(methodName, cls);
            return method.invoke(user, objs);
        } catch (Exception e) {
            e.printStackTrace();
        }
        return null;
    }
    User user = new User();
    callingMethod(user, "setName", new Class[]{String.class}, new Object[]{"hellowrld"});
     System.out.println(callingMethod(user, "getName"));//输出 hellworld
【AI大模型:前沿】46、AI+无人机:智能飞行革命全景指南——从技术突破到行业应用与未来趋势 AI+无人机的融合不仅是技术迭代,更是“空间生产力”的革命——它将人类活动范围从地面拓展至低空,重构物流、农业、应急等行业的生产方式。当前,技术突破(如多模态感知、群体智能)与法规松绑(超视距飞行许可)正加速产业化,预计2030年全球低空经济市场规模将突破万亿美元。技术层:轻量化AI模型、边缘-云端协同、安全冗余系统;应用层:垂直领域解决方案(如电网AI巡检、精准农业);生态层:无人机巢建设、空管系统、数据服务平台。 阅读详情

相关推荐

基于LSTM的多变量温度预测(python从入门到入坑)

基于LSTM的多变量温度预测(python) ——我保证他能够运行,而且结果能够让你满意(如果你和我一样都是一个新手的话) 这里写目录标题基于LSTM的多变量温度预测(python)——我保证他能够运行,而且结果能够让你满意(如果你和我一样都是一个新手的话)一、我为什么要写这些?二、具体做了什么?三、源代码切块加注释,恳请批评指正(●’◡’●)ノ 一、我为什么要写这些? 因为让人抓狂的课程大作业,我小组选择了一个多变量预测方面的课题,在我这个大三基本上还没接触过Python数据处理,甚至对神经网络什么的都

代码之狐的博客 1万+

Java的9种常用反射操作详解

Java反射是Java编程语言的一种强大功能,它能够检查和修改运行时对象的行为。我们将详细探讨Java反射中的9个主要操作。

weixin_31188147的博客 1797

Golang面试(一)莉莉丝游戏-Golang后端开发-中台部门

莉莉丝游戏-Golang后端开发-中台部门 开场白,双方自我介绍,对方介绍这个岗位情况,erlang语言,全部转向go。 聊项目,介绍IM架构以及使用Go写的服务简介 动态扩容相关问题:平常30万,现在100万,你们现在是如何应对的? 如果让你调整架构实现动态扩容,你会怎么做?回答了kafka,是一种,应该还要使用docker和k8s以及微服务框架等 如果使用kafka,你是如何确保消息有序?回答了redis,好像没回答到那个点 消息发送失败的问题,如何做到消息不丢?回答持久化存储、拉消息和ACK 发送失

xmcy001122的专栏 3899

『Java面经』简述 Java 的反射机制及其应用场景

文章目录1、前言2、反射是什么?3、为什么要有反射?4、小试牛刀4.1 获取 Class 对象4.2 获取成员变量4.3 获取构造方法4.4 获取非构造方法5、实践出真知6、微信关注『方糖算法』 1、前言 反射(Reflection) 是 Java 的特征之一,它允许运行中的 Java 程序对自身进行检查,并能直接操作程序的内部属性和方法。 反射是所有注解的实现原理,尤其在框架设计中。 常见的面试考点如下: 获取 Class 对象 获取类中的所有字段 获取类中的所有构造方法 获取类中的所有非构造方法 现

方糖世界 2636

别再盲调PID了!手把手教你用VOFA+实时可视化电机速度曲线(附STM32F4源码)

本文详细介绍了如何使用VOFA+工具实现PID参数的可视化调试,帮助开发者从盲调转向精准调优。通过实时可视化电机速度曲线,结合STM32F4源码示例,展示了如何高效调试Kp、Ki、Kd参数,解决响应慢、超调等常见问题,大幅提升电机控制系统的性能。

weixin_28366475的博客 129

360可视门铃双摄版数据恢复实战:BIN文件解析与视频重组

本文详细解析了360可视门铃双摄版BIN文件的数据恢复过程,包括文件结构分析、双摄像头数据存储机制及视频重组技术。通过Python开发环境和FFmpeg工具链,成功实现了H.265视频流的解析与重组,为智能家居设备数据恢复提供了实用解决方案。

weixin_29196891的博客 914

常见Java反射的应用

一、what-什么是Java反射 JAVA反射机制是在运行状态中,对于任意一个类,都能够知道这个类的所有属性和方法;对于任意一个对象,都能够调用它的任意一个方法和属性;这种动态获 取的信息以及动态调用对象的方法的功能称为java语言的反射机制。 要想解剖一个类,必须先要获取到该类的字节码文件对象。而解剖使用的就是Class类中的方法, 所以先要获取到每一个字节码文件对应的Class类型的对象。 二、why-为什么需要Java反射 使用反射可以在运行时动态生成对象、获取对象属性以及调用对象方法。与编译期的静态

wzluestc的博客 1655

飞书多维表格+影刀RPA:我如何用3个指令搞定每周的销售数据自动汇总(附完整配置截图)

本文详细介绍了如何利用飞书多维表格和影刀RPA实现销售数据的自动化汇总,通过三个核心指令(建立链接、列出记录、更新记录)简化繁琐的手工操作。文章包含完整的配置截图和实战指南,帮助用户快速部署自动化流程,提升工作效率。

weixin_29273849的博客 286

Java反射在实际项目中有哪些应用场景?

java反射机制的应用场景

liurenbi的博客 2049

PCB设计必看:铜皮厚度与载流能力对照表(附Excel计算工具)

本文深入解析了PCB设计中铜皮厚度与载流能力的核心关系,提供了基于IPC-2152标准的动态计算逻辑与实用Excel工具。文章不仅分享了载流对照表,更重点剖析了影响载流能力的关键因素(如铜厚、线宽、温升、布线层),并给出了高电流设计的实战技巧与测试验证方法,帮助工程师规避常见陷阱,实现从理论到实践的闭环设计。

weixin_29228781的博客 725

Android14 Qcom 从Framework到Driver带你打开WIFI(二)

上篇文章讲到了UI打开WIFI以后,逐步调用到加载底层驱动以及通知等相关流程。这篇接着上文继续往下看WIFI ON的后续动作。

IAYLBL的博客 767

java 反射常用类_Java反射机制-Class类常用方法

Class类的常用方法如下:Class.forName();动态加载类。newInstance() :根据对象的class新建一个对象getSuperclass() 获取继承的父类getInterfaces() 获取继承的接口getDeclaredFields() 获取字段名字getDeclaredMethods();获取当前类的所有方法。getConstructors() :获得所有的构造函数。...

weixin_30039755的博客 427

系统架构设计(以飞控系统、航电系统、机电管理系统、电子电气架构为例)

系统架构涉及对系统的结构和行为进行高层次的描述。它包括系统的组成部分、这些部分之间的关系、与外部环境的交互方式,以及满足特定功能和非功能性需求的方法。系统架构定义了系统的总体设计蓝图,指导系统的开发、集成、部署和维护。系统架构设计的目的是通过合理的结构和设计原则,确保系统能够高效、稳定、安全地运行,满足当前和未来的需求,同时具备良好的维护性、扩展性和可持续性。良好的系统架构不仅能够提高系统的开发效率和运行性能,还能降低长期的维护和运营成本,支持系统的持续演进和技术更新。

qq_41854911的博客 3056

Java 反射与Java反射的常用方法总结

RTIT(Run-time type identification) 运行时类型识别。 在运行时识别我们对象的类型和信息。在Java中一般通过反射在运行时发现对象的类型已经使用对象的类型信息。 反射就是把Java类的各个部分映射成为一个个Java对象 例如:一个类有成员变量,构造方法,包,接口,方法等信息,利用反射可以把这些部分映射成一个个Java对象。 Class 类,Class 类的实例表示Java应用运行时类或者接口的类型信息对象(可通过类目.class或队长.getClass(), Cla

qq_36510642的博客 1180

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

java 反射 常用函数_Java中反射与常用方法

packagereflect;importjava.lang.reflect.Constructor;importjava.lang.reflect.Field;importjava.lang.reflect.Method;importjava.lang.reflect.Modifier;importorg.omg.CORBA.PUBLIC_MEMBER;/*** 五个函数:(public sta...

weixin_39710003的博客 139

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Java反射和常用操作

每天进步一点点一、什么是反射1.1 类对象1.2 类的对象二、获取类对象的三种方法2.1 Object类中的getClass()方法2.2 类.class2.3 通过Class类的forName()方法三、使用反射进行类的实例化操作3.1 调用无参构造方法进行实例化3.2 调用有参构造方法进程实例化四、反射的常用操作4.1 使用反射获取类名、包名、父类、接口4.2 使用反射获取类的属性4.3 使用反射获取类的构造方法4.4 使用反射获取类中的方法并调用 一、什么是反射 Java反射机制是在运行状态中,对于

来了点个赞再走... 955

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")

java反射中常用的API

`invoke(Object obj, Object... args)`:调用方法,第一个参数是方法所属的对象,后面的参数是方法的参数。`Method`类:用于表示方法的元数据信息,包括方法的名称、参数类型、返回类型等。- `getDeclaredMethods()`:获取类中定义的所有方法,包括私有方法。`Class`类:用于表示类的元数据信息,包括类的名称、方法、字段等。`Field`类:用于表示字段的元数据信息,包括字段的名称、类型等。- `getReturnType()`:获取方法的返回类型。

m0_62381101的博客 654

介绍Java中的反射并举例至少5个反射中常用的API-----Java基础相关面试题分享

反射(Reflection)是编程语言中的一种特性,它允许程序在运行时检查和操作自身的结构和行为。反射在许多高级编程任务中非常有用,如依赖注入、序列化、动态代理等。以下是 Java 中反射 API 的一些常用方法及其示例。以上是一些常用的 Java 反射 API 及其示例。反射提供了强大的功能,但使用时需要注意性能开销和安全性问题。反射通常用于框架开发、测试工具和其他需要动态访问或修改类结构的场景。

Yluciud的博客 1092

JAVA-反射常用方法

JAVA-反射常用方法 //获取实体类的所有属性 Field[] fields = clazz.getDeclaredFields(); //开启可访问私有变量 field.setAccessible(true); //获取属性类型 String type = field.getGenericType().toString(); //将来属性名首字母大写 String methodName = field.getName().replaceFirst(field.getName().substring

JolyouLu的博客 224

java反射常用方法

Java反射指的是一个机制,这种机制可以在Java程序(动态)实例化对象、读写属性、调用方法。一般在我们开发程序时,都知道自己具体用的什么类,直接创建即可。但是当写一些通用的功能时,就不能在编译时把具体类的类型写死,因为程序运行起来后可能会有多种类型的可能,此时就需要在运行时动态的去调用某个类的属性和方法,这就必须通过反射来实现。第一种做法:是知道参数类型有哪几种情况,可以使用instanceof运算符进行判断,再利用强制类型转换将其转换成其运行时类型的变量即可。// 学生。

祁_z 584

java 反射 常用函数_Java 反射详解

什么是反射?反射(Reflection)能够让运行于 JVM 中的程序检测和修改运行时的行为。Class 类在程序运行期间,Java运行时系统始终为所有的对象维护一个被称为运行时的类型标识。虚拟机利用运行时信息选择相应的方法执行。可以通过专门的Java类访问这些信息,保存这些信息的类被称为Class。将Class类中的forName和newInstance配合使用,可以根据存储在字符串中的类名创建...

weixin_30227565的博客 372

Java中反射的三种常用方式

Java中反射的三种常用方式 package com.xiaohao.test; public class Test{ public static void main(String[] args) throws ClassNotFoundException, InstantiationException, IllegalAccessException {// Class&lt;?&gt; ...

weixin_34405557的博客 555

java 反射常用类_java反射机制中常见操作涉及到的类

该楼层疑似违规已被系统折叠隐藏此楼查看此楼Class类 代表类的结构信息Method类代表方法的结构信息Field类代表属性的结构信息Construction类代表构造器的结构信息Annotation类代表注解的结构信息一、Class类常用方法1.getClassLoader() 返回类的类加载器。2.getName() 返回class对象表示的实体的名称(包含包名)3.getSimpleNam...

weixin_35943736的博客 906

JAVA 反射常用代码

/ 方式3:Class.forName(全类名) 需处理 ClassNotFoundException。setNameMethod.invoke(obj, "王五");// 获取有参构造(参数类型为 String, int)// 获取 private 成员变量,需设置可访问。// 获取有参方法(参数类型为 String)// 获取 public 成员变量。// 方式1:对象.getClass()// 方式2:类名.class。Java 反射常用代码。3. 获取成员变量并操作。// 获取实现的接口。

lyllyylllyyy_的博客 241

【Java】 反射(作用、常用API、框架中用到的反射、反射获取注解信息等)

Java反射是一种强大的工具,它允许程序在运行时检查或反射自身,并操作内部属性、构造器、方法和字段。通过反射,可以在运行时动态地创建对象,调用对象的方法,访问和修改对象的字段。

阿羊ing努力提供更好的Java日记〜 1224

Java反射常用API

Java反射机制 1、什么是Java反射机制 JAVA反射机制是在运行状态中,对于任意一个实体类,都能够知道这个类的所有属性和方法;对于任意一个对象,都能够调用它的任意方法和属性;这种动态获取信息以及动态调用对象方法的功能称为java语言的反射机制。 Java的反射机制允许编程人员在对类未知的情况下,获取类相关信息的方式变得更加多样灵活,调用类中相应方法,是Java增加其灵活性与动态性的一种机制。 2、反射的源头 反射是通过什么为源头来取得一个实体类的所有属性和方法的呢?反射是通过对一个类的Cl

wenpan的博客 3026
上一篇: 万能的ItemView
下一篇: android最容易集成带title的viewpager
codbking
博客等级 码龄10年 18粉丝 5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