vue组件通讯$parent和$children获取单签组件的⽗组件和当前组件的⼦组件的例子

C#串口通讯实战:如何用SerialPort类搞定工业传感器数据采集(附完整代码) 本文详细介绍了如何使用C#的SerialPort类实现工业级传感器数据采集,涵盖串口通讯基础配置、数据帧处理、异常恢复机制及性能优化策略。通过实战代码示例,帮助开发者构建稳定可靠的工业数据采集系统,特别适合需要处理高频数据采集和复杂工业环境的场景。 阅读详情

在 Vue 中,$parent 和 $children 是实例属性,允许你访问组件的父组件和子组件。但是,请注意,这些属性主要用于在开发过程中进行调试和临时访问,并不推荐在正常的组件通信中使用,因为它们破坏了组件的封装性和可重用性。

不过,为了满足你的要求,我将提供一个简单的例子来说明如何使用 $parent 和 $children。

父组件 (ParentComponent.vue)

vue

<template>

  <div>

    <h2>父组件</h2>

    <button @click="accessChild">访问子组件</button>

    <ChildComponent />

  </div>

</template>

<script>

import ChildComponent from './ChildComponent.vue';

export default {

  components: {

    ChildComponent

  },

  methods: {

    accessChild() {

      // 在这里我们可以访问 $children 数组中的子组件

      // 但通常我们不会这样做,因为这违反了组件的封装性

      if (this.$children.length > 0) {

        console.log('第一个子组件:', this.$children[0]);

      }

    }

  }

}

</script>

 

子组件 (ChildComponent.vue)

vue

<template>

  <div>

    <h3>子组件</h3>

    <button @click="accessParent">访问父组件</button>

  </div>

</template>

 

<script>

export default {

  methods: {

    accessParent() {

      // 在这里我们可以直接访问 $parent

      // 但同样,我们不会这样做,因为它破坏了组件的封装性

      console.log('父组件:', this.$parent);

    }

  }

}

</script>

 

在这个例子中,父组件通过 $children 数组可以访问到它的子组件(尽管我们只知道第一个子组件),而子组件则可以直接通过 $parent 访问到它的父组件。

然而,更好的做法是使用 Vue 的 props 和 events(即 $emit)进行父子组件间的通信。对于更复杂的场景,可以使用 Vuex 进行状态管理,或者使用 provide 和 inject API 在祖先和后代组件之间传递数据。

如果你需要访问特定的子组件,并且不想依赖 $children 数组(因为数组中的组件顺序可能不固定),那么可以考虑使用命名插槽(slot)结合 ref 来进行引用。这样你可以在父组件中通过 $refs 直接访问子组件实例。

 

AI使用指南:6个超实用的Prompt提示词模板 最近越来越多人开始接触AI,但其实想要让AI更懂你,关键是掌握对的提示词模板!今天就给大家分享6种超实用的Prompt提示词模板,不管你是小白还是老手都能用 阅读详情

相关推荐

PHP证书图片生成

$realname = "姓名"; $schoolname = "学校"; $idcard = "身份证号"; $image = imagecreatefrompng('certification.png'); // 证书模版图片文件的路径 $red = imagecolorallocate($image,00,00,00); // 字体颜色

4037

vue的$parent属性

1.首先 一般默认的来说,我们带 $ 符号的我们基本默认是vue实例对象身上的也就是 vue中的 this,我们可以console一下this, 这上面有很多的属性,我们比较常用的 有$refs , $attrs, tips: 我们绑定的时候应该是单数形式比如: $ref 获取时候应该是复数形式。 2. $refs 让我们可以在父组件中进行操作子组件的数据以及方法。 $parents 让我们可以在子组件中对父组件的data和方法操作。 ...

qq_41629522的博客 1万+

200_matlab处理NCEP数据并画全球彩色的风场图

200_matlab处理NCEP数据并画全球彩色的风场图。

miaobo0的博客 1241

vue父子组件传值之$parent、$children、$refs

vue父子组件传值之$parent、$children、$refs

djh052900的博客 5773

CloudCompare横截面工具实战:从点云切片到轮廓提取的完整流程

本文详细介绍了CloudCompare软件中Cross Section工具的核心功能与实战流程。从交互式裁剪框的精准操控,到包络线提取的参数设置与优化,再到内部轮廓提取及批量处理技巧,完整解析了如何从三维点云中高效提取建筑立面、隧道断面等关键轮廓信息,是点云数据处理与分析的实用指南。

weixin_29290963的博客 286

vue中的$parent和$child

而父组件可以通过 $children 来获取子组件的实例,从而访问子组件的属性或调用子组件的方法。例如在子组件的方法中,可以使用 this.$parent.xxx 来获取父组件的属性或调用父组件的方法。在 Vue 中, $parent 表示当前组件的父组件实例,而 $children 表示当前组件的直接子组件实例集合(是一个无序的数组)。在上述示例中,子组件通过 this.$parent 获取到父组件实例,进而访问父组件的 msg 属性和 fun 方法。// 获取到所有的子组件。// 调用子组件的方法。

m0_57836225的博客 1991

西门子Industrial Copilot实战:5个工业场景下的AI效率提升案例

本文通过五个工业场景实战案例,深入解析西门子Industrial Copilot如何将工业智能转化为实际生产力。从自动化配置、预测性维护到能源优化与人机交互,这位AI助手显著缩短工程周期、提升设备可用率并降低运营成本,展示了其在工业领域系统化、工程化的落地价值。

3c4x5z6v7b的博客 930

vue组件间传值

组件间传值 1.父传子 子组件中用prop获得 2.子传父 子组件中的方法中用this.$emit(“getData”, msg) 3.子传子 父亲为中介,子传父 --> 父传子 1.父查找孩子元素 this.$children查找当前组件的直接子组件可以遍历全部子组件,子组件不保证顺序 2.孩子元素查找父亲 this.$parent查找当前组件的父组件 3.查找根组件,可以配合$children遍历查找全部组件 使用 this.root查找根组件,并可以配合root查找根组件,并可以配合r

weixin_43960044的博客 629

论文阅读--射频电源在半导体领域的应用

射频电源(RF Power Supply)是能够输出300kHz~300GHz正弦波电压的高频交流电源,在半导体制造领域,射频电源的典型工作频率范围为400kHz∼60 MHz,主要由射频发生器(功率源)、匹配器及配套控制电路组件构成,其关键组件包括变压器与电抗器、晶闸管、绝缘栅双极型晶体管(IGBT)、钣金件、铜材及各种电子元器件。射频电源是刻蚀和薄膜沉积工艺的核心,主要用于产生等离子体,以增强气体反应活性,其性能直接影响反应腔体内等离子体的浓度、均匀性和稳定性。

伊丽莎白的学习之路 2344

数据分析案例-基于红米和华为手机的用户评论分析

在智能手机市场日益繁荣的今天,红米与华为手机作为国产手机品牌的佼佼者,凭借其各自独特的品牌魅力和技术实力,赢得了广泛的用户群体和高度关注。随着技术的不断进步和消费者需求的日益多样化,用户对手机的期望已不仅限于基本的通讯功能,更涵盖了性能、拍照、续航、用户体验等多个方面。因此,深入探究红米与华为手机在用户长期使用过程中的实际表现,尤其是用户评论中所反映出的真实反馈,对于理解市场需求、优化产品设计及提升用户体验具有重要意义。本实验的背景正是基于这样的市场环境和技术发展趋势。我们旨在通过收集并分析红米与华为手机的

m0_64336780的博客 1万+

vue中的this.$parent

需要注意的是,使用this.$parent来访问父组件的数据和方法并不是一个好的做法,因为它会使子组件和父组件耦合在一起,使得代码难以维护和复用。使用provide和inject可以让父组件向子组件传递数据和方法,而不需要使用this.$parent来访问父组件。如果子组件需要调用父组件的方法,可以使用this.$parent.someMethod()来调用方法。可以用来获取组件的父实例,可以在子组件中使用它来访问父组件的数据和方法。例如,如果子组件需要访问父组件的数据,可以使用。

科技向善 2978

Pinocchio 快速详细入门教程 —— 开源机器人运动学动力学库

本文介绍了机器人学中的数字机器人学、正逆运动学、动力学仿真与控制、最优控制等核心主题,以及Pinocchio库的应用。内容包括: 数字机器人学:通过UR5机器人模型演示了构型空间采样、碰撞检测、路径规划等基础操作,使用优化方法在约束条件下寻找有效构型。 运动学:详细讲解了二维和三维机器人的正运动学(构型到末端位置)和逆运动学(目标位置到构型),包括串联机械臂和并联机器人的处理。 动力学与控制:介绍了动力学仿真(如自由落体、摩擦效应)、PD控制、计算扭矩控制,以及接触仿真(碰撞检测与处理)。 最优控制:以独轮

机器人控制与仿真应用 2883

Vue组件通讯⽗组件中通过 provide 来提供变量,然后在⼦组件中通过 inject 来注⼊变量例子

从父组件注入的变量: {{ foo }}

codemami的博客 427

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

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")

关于组件通讯一些自己理解

关于组件通信你必须要理解一件事:事件派发者与监听者是同一个。也就是说谁派发的就由谁监听。 一,事件总线 任意两个组件之间传值常⽤事件总线 或 vuex的⽅式。 1,局部事件总线 main.js: exportvar$burVue=newVue() childA: import{$burVue}from'../main' $parent.$emit('change...

qq_40106513的博客 295

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。

vue的组件通信方法(9种)

主要是祖孙之间传值 父组件下面有子组件a 子组件a下面又有 子组件b 在父组件里还是用自定义属性和自定义事件传 在子组件a下面绑定v-bind="$attrs" v-on="$listeners" 在子组件b下面通过$attrs 拿数据 通过 $emit 调用方法。⼦组件通过this.$emit("⾃定义的事件的名字",要传给⽗组件的数据), ⽗组件通过⼦组件的标签监听⾃定义的时间,最后在父组件接收使用就可以了 子传父的使用场景:在子组件中有删除等方法的时候要在子组件把下标传到父组件操作数据。

qq_66552805的博客 1371

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

浅谈对vue组件通讯的理解

1、组件的通讯方式有很多种 而我们常用的有四种,分别是: 父传子、子传父、兄弟组件通讯、vuex 1.1、父传子 ⽗传⼦ 在⼦组件的标签上定义属性 ⼦组件通过props来进⾏接受,可以通过数组的⽅式进⾏接受,也可以通过对象的⽅式来进 ⾏接收,如果⽗组件没有传递属性,⼦组件可以default来设置默认值 1.2、子传父 首先在使用子组件的标签上定义一个自定义事件 在子组件里通过 this.$emit 去调用这个自定义事件 $emit 方法的第一个参数是自定义事件的名字 第二个参数是就是子.

xinshoudandan的博客 380

vue 组件通信

1.⽗传⼦: 在⼦组件的标签上定义属性 ⼦组件通过props来进⾏接受,可以通过数组的⽅式进⾏接受,也可以通过对象的⽅式来接收。如果⽗组件没有传递属性,⼦组件可以default来设置默认值,如果父组件中中传的数据是对象或数组的话,子组件对象形式的default 要写成工厂函数形式。2.⼦传⽗:⼦组件通过this.$emit("⾃定义的事件",要传给⽗组件的数据), ⽗组件通过⼦组件的标签监听⾃定义的时间,通过⽅法来接收传递的数据。事件,可以父传子,可以获取传过来的数据,也可以像父组件传递数据。

djjdjdjdjddjjdjd的博客 410

最近常问的70道vue相关面试题

vue常见面试题

Amouzy的博客 1421

Vue.js Vue3

vue3。vue3脚手架。创建vue3项目。vue3的setup。ref。reactive。computed。watch。watchEffect。toRef。toRefs。Vue3中的生命周期函数。Vue3多层嵌套组件之间的通讯

原名又逢乱世。不要放下学习的脚步,毕竟比天天打牌、钓鱼、打游戏更能从内在充实自己。 1084

2021React面试精选——持续更新

目录 React的请求应该放在哪个⽣命周期中 jsx的本质是什么 React组件通信如何实现 React最新的⽣命周期是怎样的 setState到底是异步还是同步 React中keys的作用是什么 受控组件和非受控组件区别是啥 如何避免组件的重新渲染 谈一下你对fiber的理解 什么是高阶组件 虚拟DOM是什么 讲下redux的⼯作流程 react-redux是如何⼯作的 redux与mobx的区别 redux中如何进⾏异步操作 redux异步中间件之间的优劣 1、React的请求应该放在哪个⽣命周期中

uperficialyu的博客 4608

铜九银十react考察点梳理

JSX 是一个 JavaScript 的语法扩展,结构类似 XML。JSX 主要用于声明 React 元素,但 React 中并不强制使用 JSX。即使使用了 JSX,也会在构建过程中,通过 Babel 插件编译为 React.createElement。所以 JSX 更像是 React.createElement 的一种语法糖。React 团队并不想引入 JavaScript 本身以外的开发体系。而是希望通过合理的关注点分离保持组件开发的纯粹性。

beifeng11996的博客 187

前端面试题(二)

1.vue项目是打包成一个js文件,一个css文件,还是多个文件 根据vue-cli脚手架规范,一个js文件,一个cs文件 2.简述ajax原理 AJAX全称(Async Javascript and XML),即异步的JavaScript 和XML是一种创建交互式网页应用的网页开发技术,可以在不重新加载整个网页的情况下,与服务器交换数据,并且更新部分网页 Ajax的原理简单来说通过XmlHttpRequest对象来向服务器发异步请求,从服务器获得数据,然后用JavaScript来操作DOM而更新页面

xu_xu_0924的博客 986

React面试题汇总 --2

1. 何为 redux ,解决什么问题 操作流程 使用场景 优缺点 ?

DOM曼珠沙华的博客 882

【Vue】Vue3.0(二十四)Vue3.0中$refs 、$parent 的概念和使用场景

在这个新例子里面呢,通过$refs实现了父组件对子组件方法的调用呀,这样就完成了计数器的增加和减少操作啦;同时呢,子组件通过defineExpose把内部方法暴露给父组件,这也是遵循了Vue 3.0组件间交互的规范哦。// 当点击增加按钮时,调用子组件的增加方法并更新计数。// 当点击减少按钮时,调用子组件的减少方法并更新计数。// 这里可以添加一些额外的逻辑,比如发送通知等。// 向外部暴露增加计数的方法。// 向外部暴露减少计数的方法。// 定义增加计数的方法。// 定义减少计数的方法。

qq_39666711的博客 2296

vue中 $parent 的含义

$parent指向调用该组件的直接组件(父组件)实例, 通过 $parent 获取到 父组件 中的 props 、 data或者方法, 比如table-body.vue单文件组件中有一个handleMouseIn方法,而table.vue单文件组件在<template>中调用了<table-body />组件 //table-body.vue,代码借鉴iview h...

Sarahhoney12_的博客 1万+
上一篇: vue组件通讯props和$emit的例子
下一篇: vue组件通讯vuex状态管理例子
codedadi
博客等级 码龄3年 1330粉丝 141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