js 中整数的安全范围是多少

js整数的安全范围是多少? 安全整数指的是,在这个范围内的整数转化为二进制存储的时候不会出现精度丢失, 能够被安全呈现的最大整数是 2^53-1,即9007199254740991,在ES6中被定义为 Number.MAX_SAFE_INTEGER,最小整数是Number.MIN_SAFE_INTERGER。 如果某次计算的结果得到一个超过javascript数值范围的值,那么这个值会被自动转 换为特殊的Infinity。如果某次计算返回了正或负的Infinity值,那么该值将无法 参加下一次的计算,判断一个数是不是又穷的,可以使用I 阅读详情

安全整数指的是,在这个范围内的整数转化为⼆进制存储的时候不会出现精度丢失,能够被“安全”呈现的最⼤整数是 2^53 - 1,即9007199254740991,在 ES6 中被定义为Number.MAX_SAFE_INTEGER。最⼩整数是-9007199254740991,在 ES6 中被定义Number.MIN_SAFE_INTEGER。


如果某次计算的结果得到了⼀个超过 JavaScript 数值范围的值,那么这个值会被⾃动转换为特殊的 Infinity 值。如果某次计算返回了正或负的 Infinity 值,那么该值将⽆法参与下⼀次的计算。判断⼀个数是不是有穷的,可以使⽤ isFinite 函数来判断。

在 JavaScript 中,整数的安全范围受到其内部表示的限制。JavaScript 使用 64 位浮点数来表示所有的数字,包括整数。但是,它提供了一个特殊的 Number 类型,称为 BigInt,用于表示任意大小的整数。

普通整数(Number 类型):

JavaScript 使用 IEEE 754 双精度浮点数来表示 Number 类型的值。这意味着它实际上有 53 位用于表示整数部分(1 位用于符号,11 位用于指数,52 位总共,但由于需要一位来表示整数和小数之间的界限,所以只有 53 位可用于整数)。

因此,对于普通的 Number 类型,最大的安全整数是 Number.MAX_SAFE_INTEGER,其值为 2^53 - 1,即 9007199254740991。最小的安全整数是 Number.MIN_SAFE_INTEGER,其值为 -(2^53 - 1),即 -9007199254740991。

超出这个范围的整数可能会导致精度丢失或不准确的结果。

BigInt:

BigInt 是一种可以表示任意大整数的内建对象。它提供了一种方法来表示大于 2^53 - 1 或小于 -(2^53 - 1) 的整数,而不会丢失精度。

BigInt 是通过在一个整数字面量后面附加 n 或调用 BigInt() 函数来创建的。例如:123n 或 BigInt("123")。

使用 BigInt 时,你需要注意它与其他 Number 类型的运算可能会有所不同,并且不是所有的 JavaScript 运算符或函数都直接支持 BigInt。

总的来说,如果你需要处理可能超出普通 Number 类型范围的整数,那么应该使用 BigInt。对于大多数日常编程任务,普通的 Number 类型应该就足够了,但了解它的限制是很重要的。

 

 

Revit二次开发之双事件:空闲事件与DocumentChanged事件 对以下文章所展示的代码进行了修改,当前展示的代码可直接复制使用。 由于本人初学,下列语言为个人理解,如有错误请指正。   《引用1》中: 使用模态对话框,或者尽量保证事件在ExternalCommand的Execute函数或者ExternalApplication的OnStartup函数里面注册。 如果一定要使用非模态对话框,那么请使用ExternalEvent事件的Raise函数,强迫... 阅读详情

相关推荐

深度解析中国支付清算体系

说起国之重器,不仅仅有 东风快递、渔16、渔17、渔18,还有另外一个国之重器-CNAPS2(中国支付清算体系)。 中国国内支付行业的发达水平、繁荣程度,不客气的讲,在全世界都是数一数二的,世界上最大的银行卡组织银联在中国,世界上交易量最大的网络零售支付清算体网联在中国。可以说现在我国经济的高速发展,离不开CNAPS2。

银行信息系统应用架构详解 2511

js中Numer类型最大值9007199254740991,精度丢失问题解决

js中Numer类型最大值9007199254740991,精度丢失问题解决

编程架构三分天下:分层、分治、分时序。 2642

手把手调试Android 14 ShellTransitions:用Log追踪ActiveTransition与Handler匹配过程

本文详细介绍了在Android 14中调试ShellTransitions机制的方法,重点通过Log追踪ActiveTransition与Handler的匹配过程。文章提供了关键日志点植入策略、Handler匹配机制解析及实战调试案例,帮助开发者解决窗口转场动画中的卡顿和错乱问题,提升系统动画性能。

weixin_42652674的博客 429

JS的最大安全整数

IEEE754 规定,双精度浮点数的有效数字是 52 位,如上图 sign(S): 符号位,0 是正数,1 是负数 exponent(E): 指数位 fraction(F): 有效数字 IEEE754 规定,在计算机内部保存有效数字时,默认第一位总是 1,所以可以舍去,只保留后面的部分。 比如保存 1.01,只存 01,等读取的时候再把第一位 1 加上去, 所以 52 位有效数字实际可以存储 53 位。 那 JS 中的最大安全整数是多少呢? 这里的安全 指的是能够 one-by-one 表示的整数,.

Hanyinh的博客 4093

halcon3D 点云拟合球体

halon3D 点云拟合球面

weixin_43213429的博客 1639

基于labview实现MYSQL数据库查询功能

基于labview实现MYSQL数据库查询功能 前言: labview是一款功能强大的图形化编程软件,也就是俗称的G语言。 本篇将介绍如何利用labview对MYSQL进行列表分页,范围查询及模糊查询等几个可广泛应用的简易功能,但事实上labview并不擅长处理数据库,下面详细代码可体现。 数据库的环境配置方面的问题这里就不赘述了。 我们直接进入主题。 1.以下为查询界面 2.分页实现细节: ...

qq470783138的博客 7557

JS 中的最大安全整数是多少?

详情参考:https://segmentfault.com/a/1190000002608050 JS 中所有的数字类型,实际存储都是通过 8 字节 double 浮点型 表示的。浮点数并不是能够精确表示范围内的所有数的, 虽然 double 浮点型的范围看上去很大: 2.23x10^(-308) ~ 1.79x10^308。 可以表示的最大整数可以很大,但能够精确表示,使用算数运算的并没有这...

weixin_43675244的博客 1万+

S7-1200g2运动控制实战:从轴组配置到程序调试

本文详细介绍了S7-1200g2运动控制功能的实战应用,从轴组配置到程序调试的全流程。通过TIA Portal中的工艺对象配置,实现单轴、同步轴组等运动控制模型,并分享常见问题排查与性能优化经验,帮助工程师快速掌握中小型自动化设备的运动控制技术。

weixin_28698059的博客 589

在js中整数的安全范围是多少?

或某些库),但这些数字可能无法在所有情况下都保持完全的精度和准确性。因此,在前端开发中,如果你需要处理非常大的整数,并且精度非常重要,那么可能需要考虑使用专门设计的库或数据类型来处理这些数字。在JavaScript中,所有的数字都是以64位浮点数形式存储的(即“双精度”),即使它们被声明为整数。当你尝试处理超出这个范围的整数时,JavaScript可能无法准确地表示这些数字,这可能导致精度丢失或其他不可预见的行为。对于整数,JavaScript能够安全表示的最大整数是。同样,最小的安全整数是。

王铁柱666的博客 416

学 Simulink——基于递推最小二乘法(RLS)的工业电机转动惯量 J在线辨识仿真

Te 估算 = 1.5·p·(ψ·iq + (Ld-Lq)·id·iq)回归量:φ(k)=−ω˙(k), y(k)=Te​(k), θ=J。仿真:电机加速 0→1500rpm,观测 J^(k)→Jnom​。(可选) Jtrue​切 0.04(双惯量负载)→ 看跟踪。电机机械运动方程:Te​−TL​=J⋅ω˙+B⋅ω。J^(0)=0.005→收敛至0.02kg⋅m2✔。Te​:电磁转矩(Nm),已知(来自电流环输出)仅需 Te​,ω(驱动器已有)→ 无额外传感 ✔。

amy_mhd的博客 45

基于YOLOv10的机器人抓取引导系统:从物体检测到精准抓取

python# 数据标注工具简化版import os"""启动标注工具""""""标注单张图像"""print(f"标注图像: {os.path.basename(img_path)}")print("请在图像上绘制抓取矩形框...")# 这里应该实现交互式标注界面# 简化版本直接返回示例标注# 示例标注数据"""保存标注结果"""# 保存为YOLO格式# 转换为YOLO格式。

YOLO 378

JavaScript数字类型全解析:精度、范围与安全整数,你了解多少?

在编程世界中,数字是最基础的数据类型之一,尤其在JavaScript中,数字类型扮演着核心角色。无论是简单的计算还是复杂的算法,理解数字类型的工作原理至关重要。

2509_93883384的博客 318

YOLOv8【第十章:多任务扩展深度篇·第1节】YOLOv8-Seg 实例分割:Mask原型生成与系数预测原理解析!

🏆 本文收录于 《YOLOv8实战:从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例(当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向),坚持持续更新 + 深度解析,质量分长期稳定在 97 分以上,可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。

**My Coding Family** 1811

JavaScript 中整数的安全范围

JavaScript 是一种广泛使用的编程语言,许多开发人员使用它来构建网页和应用程序。在 JavaScript 中,整数是一种常见的数据类型,但是对于整数的安全范围可能并不清楚。本文将探讨 JavaScript 中整数的安全范围是多少,并提供相应的代码示例。

TianXuab的博客 1572

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")

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,

解决超出JS的安全整数的限制范围

后端请求数据超出JS的安全整数限制范围的解决 JavaScript 能够准确表示的整数范围在-2^53到 2^53之间,超过这个范围,无法精确表示这个值。 Number.MIN_SAFE_INTEGER //-9007199254740991 Number.MAX_SAFE_INTEGER // 9007199254740991 此时用到 json-bigint将后端返回数据处理处理之后才能正常使用: 项目需要安装的依赖 > npm i json-bigint 引入json-bigint文件

weixin_42562086的博客 1583

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

处理后端返回数据超出 JS 安全整数范围问题

Number.MAX_SAFE_INTEGER // 9007199254740991 JSON.parse('{ "id": 9007199254740995 }') // { id: 9007199254740996 } 项目所使用的后端接口数据中包含超出 JavaScript 安全整数范围的数字,所以也需要PC 端项目一样使用json-bigint将后端返回数据处理一下才能正确使用...

sqLeiQ的博客 1820

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

JavaScript 安全整数问题

一、安全整数 前几天在用Extjs 做后台功能的时候 碰到了一个非常坑爹的问题。 有个值在控制器显示的是 但是一到页面渲染就会变成 垃圾的我一开始以为是溢出问题 但是如果是数据库的溢出不是应该在存数据的时候会有这个问题吗。 而不是在显示数据的时候。如果是Javasript的溢出那么返回的结果是无穷大才对。而且uuid字段在数据库存储的类型是bigint(21) bigin...

sinat_29193161的博客 903

在js中整数超出安全范围怎么办?

在JavaScript中,整数安全范围是由Number类型决定的,其遵循IEEE 754双精度浮点数标准。这意味着JavaScript中的"整数"实际上并不是纯粹的整数,而是浮点数的一种表现。: 如果你的前端应用程序确实需要处理大整数,但你不希望或不能在前端实现复杂的解决方案,你可以考虑将这部分逻辑移至后端。: 如果可能的话,尝试重新设计你的应用程序或算法,以避免使用超出安全范围的大整数。这可能需要一些创造性的思考,但有时可以通过将数据拆分成更小的部分或使用其他数据结构来解决问题。设计的运算符和方法。

王铁柱666的博客 272

在JavaScript中生成特定范围内的随机整数?

如何可以生成两个指定的变量之间的随机整数在JavaScript中,例如x = 4和y = 8将输出任何的4, 5, 6, 7, 8 ?

p15097962069的博客 3925

在 JavaScript 中生成特定范围内的随机整数

如何在 JavaScript 中的两个指定变量之间生成随机整数,例如 x = 4 和 y = 8 会输出 4, 5, 6, 7, 8 中的任何一个?

HuntsBot的博客 3190

js安全整数

js安全整数 JS中只有一种类型数,即64位(1bit 的符号位,11bits 的指数部分 ,以及52bits 的小数部分)双精度浮点数,当整数数值过大时,就会发生精度丢失。 所谓安全整数即能够唯一确定的数字,即能够使用64位二进制数唯一确定的整数。考虑253,转换成对应表示方式后其小数部分总共包括53位,发生了精度丢失,所以在JS中无法区别253与2^53+1 安全整数与JS是否能够...

菜菜鸟的博客 1288

超出JavaScript安全整数限制的数字计算-BigInt

JavaScript中的基本数据类Number是双精度浮点数,它可以表示的最大安全范围是正负9007199254740991,也就是2的53次方减一,在浏览器控制台分别输入Number.MAX_SAFE_INTEGER和Number.MIN_SAFE_INTEGER可查看对应的最大/小值 const max = Number.MAX_SAFE_INTEGER; // → ...

andrew1989121的博客 259

#你不知道的javascript中卷#(4)整数的安全范围 整数检测 NaN

1、数字的范围: 最大整数是:2^53 - 1, 即9007199254740991,在ES6中的定义是,Number.MAX_SAFE_INTEGER 最小整数是:-9007199254740991,在ES6中的定义是,Number.MIN_SAFE_INTEGER 2、检测一个值是不是整数,可以使用ES6中的Number.isInteger()方法 Number.isInteger(...

zhumizhumi的博客 410

超出JavaScript安全整数限制的数字计算——身份证数值转字符串出错

来源:https://www.cnblogs.com/wangmeijian/p/9217352.html JavaScript中的基本数据类Number是双精度浮点数,它可以表示的最大安全范围是正负9007199254740991,也就是2的53次方减一,在浏览器控制台分别输入Number.MAX_SAFE_INTEGER和Number.MIN_SAFE_INTEGER可查看对应的最大/小值 ...

心神沫沫的收藏 1220

数据中数字 JS 安全整数范围,js转换出问题,导致axios发送请求失败

解决:使用json-bigint 使用: 1、下载安装 npm i json-bigint 2、引入import JSONbig from 'json-bigint' 3、在axios中的tranformResponse属性中转换,transfromResponse属性是axios在自动解析JSON数据之前的data,可以在发送到服务器之前对请求的数据做出一些改动。 只适用于以下请求方式:put...

weixin_44704657的博客 628

BigInt:JavaScript 中的任意精度整数

BigInt:JavaScript 中的任意精度整数原文:https://developers.google.com/web/updates/2018/05/bigint...

justjavac的专栏 7052
上一篇: 如何阻止事件冒泡和默认事件
下一篇: js中什么是假值对象
codemami
博客等级 码龄3年 1369粉丝 137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