基于VUE的在线音乐播放管理系统

MBIST --- PATR1.Memorybist测试原理 mem bist作为现在design设计中不可或缺的DFT设计内容,越发重要。本章节主要介绍mem bist组成部分,测试的原理以及注意事项。 阅读详情

👉文末查看项目功能视频演示+获取源码+sql脚本+视频导入教程视频

1 、功能描述

  基于VUE的在线音乐播放管理系统3是前后端分离项目,拥有两种角色

管理员:用户管理、收藏管理、歌手管理、歌曲管理、歌单管理、评论管理等

用户:登录注册、收藏、评论、搜索、播放等

1.1 背景描述

  在线音乐管理系统是一种用于管理音乐资源的网络应用程序。该系统提供了音乐上传、编辑、删除等管理功能,同时支持用户注册、登录、音乐播放、下载等操作。用户可以根据不同的音乐类型或者歌手进行检索和浏览,也可以创建个人播放列表,收藏喜爱的音乐。管理员可以管理音乐库中的内容,包括审核上传的音乐、管理用户信息等。系统还提供了评论和分享功能,用户可以在社交平台分享音乐或者与其他用户进行交流。基于SSM框架的在线音乐管理系统具有良好的性能和可扩展性,为音乐爱好者提供了便捷的音乐资源管理和交流平台。

2、项目技术

后端框架:springboot、Mybatis

前端技术:VUE3.0

2.1 springboot

  Spring Boot是由Pivotal团队提供的基于Spring的框架,该框架使用了特定的方式来进行配置,从而使开发人员不再需要定义样板化的配置。Spring Boot集成了绝大部分目前流行的开发框架,就像Maven集成了所有的JAR包一样,Spring Boot集成了几乎所有的框架,使得开发者能快速搭建Spring项目。

2.2 mysql

  MySQL是一款Relational Database Management System,直译过来的意思就是关系型数据库管理系统,MySQL有着它独特的特点,这些特点使他成为目前最流行的RDBMS之一,MySQL想比与其他数据库如ORACLE、DB2等,它属于一款体积小、速度快的数据库,重点是它符合本次毕业设计的真实租赁环境,拥有成本低,开发源码这些特点,这也是选择它的主要原因。

3、开发环境

  • JAVA版本:JDK1.8+
  • IDE类型:IDEA、Eclipse都可运行
  • tomcat版本:不需要
  • 数据库类型:MySql(5.5-5.7、8.x版本都可)
  • maven版本:无限制
  • *Node.*js版本:v14+
  • 硬件环境:Windows

4、功能截图+视频演示+文档目录

4.1 登录

管理员-登录

登录

4.2 前端模块

用户-个人设置

用户-个人收藏

用户-前端

用户-专辑

4.3 管理员模块

管理员-歌曲管理

管理员-歌手编辑

管理员-歌手管理

管理员-评论管理

管理员-首页

管理员-用户管理

管理员-用户收藏

管理员-歌单管理

5 、获取方式

👇 大家点赞、收藏、关注、评论啦 👇🏻获取联系方式,后台回复关键词:音乐👇🏻

请添加图片描述

《童虎学习笔记》5分钟用Keepalived搭建MySQL高可用实现虚ip自动漂移 1 阅读详情

相关推荐

风力发电机缺陷检测平台

风力发电机缺陷检测平台相关内容展示

weixin_39779415的博客 1111

基于python的在线音乐系统设计与实现【附源码】

本音乐系统借助了当前互联网的发展趋势,近几年,随着网络的快速发展,网络已经融入人们的生活中。互联网给人们的生活带来了许多便利,基本上可以达到足不出户就能完成许多事情。互联网的使用基本实现全覆盖,上至老人,下至小孩,人们在干活或者疲劳时,会不经意的打开一首歌,用音乐的力量来缓解疲劳,伴随着时间的流逝,音乐中的某一首歌会伴随着他们的成长而印在脑海深处,成为抹不掉的回忆。因此开发一款在线听音乐的平台是很有必要的。设计该音乐平台,音乐数据采集于网络,支持网上收听、下载、上传、删除,上传跟删除等功能只能由系统管理员登

小宝的博客 1万+

Ubuntu下为RK3568开发板搭建Qt交叉编译环境:手把手教你配置Qt Creator和远程调试

本文详细介绍了在Ubuntu系统下为RK3568开发板搭建Qt交叉编译环境的完整流程,包括工具链配置、Qt源码交叉编译、Qt Creator环境设置以及远程调试技巧。通过手把手教程,开发者可以快速掌握RK3568平台的Qt开发环境搭建方法,实现高效的应用开发和部署。

weixin_30776273的博客 376

Vue播放音频文件(声音)

Vue播放音频文件

publicman_的博客 1万+

Rockchip平台Android相机HAL3开发实战:从配置到调试全流程解析

本文深入解析了Rockchip平台Android相机HAL3的开发全流程。从理解AAL与PSL核心架构、解析关键配置文件(如camera3_profiles.xml和Tuning文件),到搭建编译环境、进行增量部署,并提供了系统日志分析、V4L2调试等高级问题排查技巧,为开发者提供了一套从配置到调试的实战指南。

docker7nomad的博客 844

TruckSim与Simulink联合仿真中的车轮转角精确控制策略

本文深入探讨了TruckSim与Simulink联合仿真中实现车轮转角精确控制的关键策略。针对多轴车辆路径跟踪时转角指令失灵的常见问题,核心在于正确配置TruckSim转向轴的外部输入模式(Advanced Settings),并确保仿真接口的稳定搭建。文章详细解析了从单轴到多轴协同转向的配置方法,并提供了提升MPC路径跟踪精度的实战技巧与调试经验。

weixin_29035147的博客 372

基于SSM的在线音乐管理系统

基于SSM的在线音乐管理系统1音乐录制角色 管理员:用户管理、新闻管理、类型管理、音乐管理、评价管理、留言管理等 用户:分类查询音乐、播放音乐、留言反馈、收藏音乐、登录注册

wangbuerCoder的博客 774

计算机视觉教程2-3:图解双线性插值算法&最近邻插值算法

提出此算法的背景是基于图片的缩放,在图片缩放的过程中,实质上就是将原图像像素矩阵像素值,填到目标图像像素矩阵中,目标图像像素矩阵可能比原图像像素矩阵大(图片放大),也可能小(图片缩小)。我们假设图片的宽(WidthWidthWidth)和高(HeightHeightHeight)是按同比例缩放的,那么 srcXsrcWidth=dstXdstWidth\frac{srcX}{srcWidth}= \frac{dstX}{dstWidth}srcWidthsrcX​=dstWidthdstX​ ...

FRIGIDWINTER的博客 7286

在线音乐系统设计与现实

在线音乐系统

qq_47112287的博客 1831

目前最强的价格行为技术分析AI!大A也能用!还免费!

有球友推荐了一个历史最强的价格行为技术分析AI工具,使用下来确实很惊艳,解决了 很多AI工具黑盒过程,难以回溯的问题,他的决策过程可解释,提供决策树、诊断结果、原始响应、调试信息和未来走势预期。用户能够看到模型为什么选择“做多、做空或不下单”。会检查置信度、入场条件、盈亏比、结构失效和冷却期。最大的优点不是“预测一定准确”,而是把主观的价格行为分析整理成了可重复、可解释、可校验、可持续跟踪的工程化流程。本文记录本项目在 Windows 上的实际部署与启动方法。

木头大左的博客 85

【完整梳理验证】企业微信第三方应用接入全流程java版

由企业内部的开发者自己开发部署,相当于是企业自己的资产,调用接口基本没有任何限制。由SaaS服务商的开发者开发并部署在服务商侧,面向所有企业。需要企业授权使用(先试用后付费),服务商仅可获取企业授权部分的权限,相当于白名单控制。由服务商的开发者开发,但部署在企业内部。一般是线下签约采购方式,因此权限几乎与自建应用无异,企业管理员只需要配置不对服务商开放的敏感权限,相当于黑名单控制。服务商后台地址:企业微信服务商官网企业管理后台地址:企业微信管理后台服务商,可以理解为 SAAS 中的运营端。企业管理端,可以理

Hello, New World! 2769

vue 音频播放功能

【代码】vue 音频播放功能。

湾流~ 的博客 2056

基于MATLAB/Simulink平台进行新能源微电网运行控制的建模与仿真

新能源微电网是现代电力系统的重要组成部分,能够有效整合分布式能源(如光伏、风力发电)和储能设备,实现局部区域内的能源高效利用。微电网的运行控制涉及多源能量管理、负荷平衡以及并网/孤岛模式切换等关键问题。基于MATLAB/Simulink平台进行新能源微电网运行控制的建模与仿真,可以帮助研究者验证控制策略的有效性,并优化系统的动态性能和经济性。本项目旨在构建一个完整的新能源微电网模型,包括电源模块、储能模块、负荷模块以及控制器模块,并通过仿真分析其运行特性。

xiaoheshang_123的博客 424

基于VUE的在线音乐播放管理系统3

基于VUE的在线音乐播放管理系统3是前后端分离项目,拥有两种角色 管理员:用户管理、收藏管理、歌手管理、歌曲管理、歌单管理、评论管理等 用户:登录注册、收藏、评论、搜索、播放等

wangbuerCoder的博客 227

Statistics and Machine Learning Toolbox

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

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

SpringBoot+Vue前后端分离在线音乐播放管理系统搭建与运行指南

前后端分离架构已成为现代Web应用开发的主流范式,后端提供REST接口,前端负责页面交互,彼此通过JSON数据通信。技术价值在于职责清晰、独立部署、协作高效,广泛应用于企业级系统与毕业设计项目,尤其适合Java岗位的技术考察。在线音乐播放与管理系统的开发正是该架构的典型实践:SpringBoot负责业务逻辑、数据库操作与文件上传映射,Vue结合Element UI实现播放器与后台管理界面,JWT机制保障接口安全,增删改查贯穿歌手、歌曲、歌单、用户、评论等核心模块。从环境对齐、数据库初始化到前后端联调,再到登

weixin_32430941的博客 160

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毕业设计-基于springboot+vue的在线音乐管理系统在线歌厅,基于java协同过滤算法热门音乐推荐系(附源码数据库文档资料)

java毕业设计-基于springboot+vue的在线音乐管理系统在线歌厅,基于java协同过滤算法热门音乐推荐系(附源码数据库文档资料)

我的个人博客:https://bishe666.top 518

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")

基于Python+Vue开发的在线音乐播放推荐管理系统源码+课程设计

该项目是一个基于Python+Vue开发的音乐推荐管理系统,采用前后端分离架构,适合作为大学生课程设计实践项目。系统包含音乐管理、用户管理、评论管理、热门推荐(协同过滤算法)、统计分析等核心功能模块,并提供门户浏览、用户中心、意见反馈等用户端功能。开发环境使用Python 3.8+Django 3.2后端和Vue前端技术栈,数据库采用MySQL 5.7。项目源码已开源,包含详细的运行部署指南,通过实际开发可帮助学习者掌握Python编程、Django框架和Vue.js等实用技能。系统还提供在线演示地址和常见

疯狂屌丝程序员 965

java毕业设计-基于springboot+vue的在线音乐管理系统在线歌厅流行音乐,基于java协同过滤算法热门音乐歌单推荐系统(附源码数据库文档资料)

java毕业设计-基于springboot+vue的在线音乐管理系统在线歌厅流行音乐,基于java协同过滤算法热门音乐歌单推荐系统(附源码数据库文档资料)

项目帮 960

SpringBoot在线音乐播放管理系统|1122(领完整源码)可做计算机毕业设计JAVA、PHP、爬虫、APP、小程序、C#、C++、python、数据可视化、全套文案

普通用户可以注册登录,浏览公告消息,对音乐歌曲进行点赞、收藏、评论和播放,查看音乐歌手和歌单信息,同时管理个人账户,包括个人资料、评论和收藏等。管理员则通过后台管理系统,实现对系统用户、歌曲类型、音乐歌曲、歌手、歌单、轮播图、留言和公告消息的全面管理,确保平台的正常运行和内容的及时更新。

2501_93596841的博客 1634

java毕业设计-基于springboot+vue的在线流行音乐系统,基于java协同过滤算法热门音乐推荐系(附源码数据库文档资料)

java毕业设计-基于springboot+vue的在线流行音乐系统,基于java协同过滤算法热门音乐推荐系(附源码数据库文档资料)

项目帮 826

计算机毕设 SpringBoot+Vue在线音乐系统 音乐推荐系统 音乐管理系统 音乐播放管理系统Java Vue MySQL数据库 远程调试 代码讲解

计算机毕设 SpringBoot+Vue在线音乐系统 音乐推荐系统 音乐管理系统 音乐播放管理系统

BYSJLG的博客 335

基于javaweb和mysql的ssm+maven在线音乐管理系统(java+ssm+elementui+vue+mysql)

5.是否Maven项目: 否;若包含,则为maven项目,否则为非maven项目 6.数据库:MySql 5.7/8.0等版本均可;基于javaweb的SSM+Maven在线音乐管理系统(java+ssm+elementui+vue+mysql)管理员可以对用户,音乐,分类,订单,咨询,资讯等信息进行管理;课程设计,大作业,毕业设计,项目练习,学习演示等。本系统分为用户和管理员两个角色,

欢迎私信 401

毕业设计:基于springboot+vue的在线音乐管理系统(前后端分离)

本文提出一个基于SpringBoot和Vue.js的在线音乐管理系统,旨在解决当前音乐平台面临的内容管理低效、版权管理复杂和用户体验不足等问题。系统采用B/S架构和MVC设计模式,后端使用Java/SpringBoot/MyBatis技术栈,前端采用Vue.js框架,通过RESTful API实现前后端分离。功能模块包括用户注册登录、音乐播放收藏、歌单推荐(基于协同过滤算法)等用户功能,以及用户管理、内容审核等管理员功能。该系统实现了音乐内容的全生命周期管理,提升运营效率的同时为用户提供个性化音乐体验。

鑫鑫源码工作室的博客 1347

SpringBoot+Vue前后端分离在线音乐播放系统搭建实战

前后端分离架构是现代Web应用开发的主流模式,后端通过RESTful API提供数据与业务逻辑,前端负责交互与展示,两者通过HTTP协议解耦协作。SpringBoot作为Java后端框架,能够快速构建稳定可维护的接口服务;Vue则以其组件化开发和高效率的界面构建能力,成为前端工程化的热门选择;配合MySQL进行数据持久化,三者组合构成了典型的全栈技术链路。这种架构不仅降低了前后端耦合度,也便于团队并行开发与独立部署,尤其适合教学实践、毕业设计和简历项目展示。本文围绕在线音乐播放与管理系统,完整介绍了环境准备

weixin_32821533的博客 237
上一篇: 基于SSM的文物管理系统(含源码+sql+视频导入教程+文档+PPT)
下一篇: 基于Java+springboot+mysql的医院体检预约管理系统的设计与实现 (含毕业设计论文和源码视频导入教程)
coderbu
博客等级 码龄2年 1217粉丝 84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