Zerox:gpt-4o-mini 加持的零配置高效 OCR 神器

Zerox:AI驱动的万能OCR工具,精准识别复杂布局并输出Markdown格式,支持PDF、DOCX、图片等多种文件格式 Zerox 是一款开源的本地化高精度OCR工具,基于GPT-4o-mini模型,支持PDF、DOCX、图片等多种格式文件,能够零样本识别复杂布局文档,输出Markdown格式结果。 阅读详情

Zerox 是一款非常简单的通过OCR将各种文档输入给AI处理的方式。Zerox通过将各种文档(文档的布局、表格、图表、文字等)先通过OCR技术转换成图片,然后再将图片输入给AI,让AI将图片转换成Markdown格式输出。



Stars 数7651
Forks 数455

主要特点

  • ‌零样本OCR处理能力‌:Zerox OCR支持零样本OCR,意味着它无需针对特定任务进行大量的预先训练数据准备,就可以直接对各种文档进行处理。

  • ‌支持多种文件格式‌:Zerox OCR支持多种常见的文件格式,如PDF、DOCX、图片(包括常见的图片格式如JPEG、PNG等)。

  • ‌高精度识别‌:借助大型语言模型的优势,Zerox OCR能够对复杂的文本进行精准识别。无论是手写体、艺术字还是带有各种干扰因素的文字,它都能准确地提取其中的信息,大大减少了错误识别的概率,为用户提供高质量的识别结果。

  • ‌Markdown格式输出‌:处理后的文本以Markdown格式返回。Markdown格式简洁明了,既保留了文本的基本格式,又便于后续的编辑和使用。用户可以轻松地对输出的文本进行进一步的整理、分析和排版,满足不同的需求。

  • ‌强大的开发接口‌:特别是对于开发者来说,Zerox OCR提供了Node.js和Python的SDK。这使得开发者能够轻松地将Zerox OCR集成到现有的应用程序中,扩展应用的功能,实现自动化的OCR处理,提高工作效率和流程的自动化程度。

官网:OmniAI. Automate document workflows

GitHub:https://github.com/getomni-ai/zerox

zerox ocr工具PDF转markdown PDF转markdown工具 阅读详情

相关推荐

Zerox:AI时代的文档处理利器——让AI“看懂“人类文档的开源OCR工具

Zerox为AI时代的文档处理提供了一个简洁而强大的解决方案。它巧妙地利用了现代AI视觉模型的能力,将人类可读的文档转换为机器可理解的结构化数据,为企业数字化转型和自动化流程提供了关键支持。随着AI技术的不断进步,我们可以期待Zerox在未来提供更高的精确度、更快的处理速度和更智能的数据提取能力。对于开发者和企业而言,Zerox不仅是一个工具,更是连接人类知识与AI系统的重要桥梁。

探索云原生与智能化驱动下的安全运维新范式。关注DevSecOps、可观测性、AIOps等前沿领域,与您共赴技术前沿。 384

Zerox:最佳GPT OCR工具,轻松将PDF、DOCX转换为Markdown格式的文档处理利器

Zerox是一款基于先进的GPT技术的OCR工具。它不仅仅是一个普通的OCR识别软件,更是目前市场上最受欢迎的文档转换工具之一。对于那些需要将PDF、DOCX文件转换为Markdown格式的用户来说,Zerox无疑是一个理想的解决方案。其强大的功能和友好的用户界面,让无论是技术小白还是资深开发者,都能在短时间内掌握并上手使用。作为一款结合了GPT技术的OCR工具,Zerox在文档转换领域展现了巨大的潜力。

更多:qianchilang.com 5927

Unity Spine动画控制全攻略:播放、回调与停止的实战技巧

本文深入解析Unity中Spine动画的核心控制技巧,涵盖动画播放、轨道分层、事件回调与平滑停止等实战方法。通过封装SpineAnimationController,详细讲解了如何利用动画播放结束回调实现精准的游戏逻辑同步,并提供了避免内存泄漏和动画卡顿的避坑指南,助力开发者打造流畅专业的2D游戏动画系统。

weixin_29021291的博客 381

超越传统:Zerox OCR开启光学字符识别新篇章

Zerox OCR 作为一款创新的光学字符识别工具,以其独特的原理、丰富的特点和广泛的应用场景,为用户在数字化时代处理文字信息提供了强大的支持。它的出现不仅提高了 OCR 技术的效率和准确性,还为各个行业的数字化转型和发展带来了新的机遇。。相信在未来,随着技术的不断进步和完善,Zerox OCR 将在更多的领域发挥重要作用,为我们的生活和工作带来更多的便利和创新。

寻道AI,探索AI无限可能! 1498

Xilinx Vitis arm-xilinx-eabi-gcc.exe: error: *.c: Invalid argument

This problem may be a bugof version 2021.1 only. Unfortunately, I'm just currently using this version. After Build Project: Find where this Makefile is through "make: Leaving directory" information. For me, it is located atZynq_CPU_wrapper_hw_platfo...

Ayka的博客 6663

基于级联H桥的储能变流器仿真与性能优化

本文深入探讨了基于级联H桥的储能变流器,通过仿真建模与性能优化,详细解析了其模块化结构、载波移相SPWM控制策略及核心性能指标。重点攻克了电池SOC均衡难题,介绍了利用零序电压注入实现相内均衡及功率调节实现相间均衡的实战策略,为提升储能系统效率与电池寿命提供了关键技术路径。

gpu4optimizer的博客 372

OCR识别颠覆者!Zerox:一键将PDF/图片转Markdown,复杂表格、手写体精准还原

在处理文档转换时,尤其是将 PDF 转换为可编辑的 Markdown 格式,我们常常会遇到各种难题,比如复杂的布局、表格、图表等元素难以准确识别和转换。今天给大家介绍一个强大的开源项目——Zerox,它利用视觉模型技术,能够轻松解决这些问题,让你的文档转换工作变得高效而准确。

2501_91980039的博客 988

【PT+Arduino+OneNET基础教程1】PacketTracer中MCU芯片编程教程(零基础入门)

PacketTracer软件内MCU芯片编程入门 零基础

ChloeMax_的博客 9457

zerox:一款智能OCR文档处理工具

zerox 是一款功能强大的OCR(光学字符识别)工具,旨在将文档内容转换为机器可读的格式,以便于AI系统进一步处理和分析。这款工具支持多种文件格式,包括PDF、DOCX和图像文件,能够将它们转换为图像,然后通过集成的高级语言模型(如GPT)提取其中的文本内容,并以Markdown格式返回。 zerox 的设计理念是简化文档处理流程,它不仅能够识别文档中的文本,还能处理复杂的布局,包括表格、图表...

gitblog_00658的博客 1101

雷电模拟器+Auto.js避坑指南:用桥接模式解决PC与模拟器连接超时问题

本文详细解析了雷电模拟器与Auto.js联调中的桥接模式应用,解决PC与模拟器连接超时问题。通过桥接模式配置、高频故障排查及多开环境下的高阶配置,提升开发效率与稳定性,特别适合需要稳定网络连接的Auto.js开发者。

weixin_28836989的博客 636

【DDR5 PCB走线SI/PI仿真调试】详细全攻略

问题场景发现症状优化措施过孔Stub效应TDR波形尖峰,信号反射严重使用盲孔,背钻减少Stub,降低Via数量串扰过大眼图闭合,误码率增加增加走线间距,插入地线隔离,减少平行长度电源阻抗过高PDN谐振导致纹波大多频率去耦,靠近电源引脚布置多档电容,合理分层信号时序失配优化走线长度匹配,避免信号走线跨层跳变DDR5设计不仅是硬件的挑战,更是仿真能力的考验。掌握SI/PI仿真,理解信号背后的物理本质,才能真正把握高速接口的“灵魂”!

weixin_43199439的博客 989

MLMs之PDF:Omni-Zerox(基于多模态大模型将各种格式的PDF文档转换为Markdown)的简介、安装和使用方法、案例应用之详细攻略

​ MLMs之PDF:Omni-Zerox(基于多模态大模型将各种格式的PDF文档转换为Markdown)的简介、安装和使用方法、案例应用之详细攻略 目录 zeroX的简介 zeroX的安装和使用方法 zeroX的案例应用 zeroX的简介 Zerox 是一个简单易用的 PDF 到 Markdown 转换工具,它利用视觉模型(例如 OpenAI 的 GPT 模型)来处理文档的 OCR(光学字符识别)并将其转换为 Markdown 格式。 它能够处理各种复杂的文档布局,包括表

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 4365

Linux C/C++ or 嵌入式面试之《C/C++笔面试系列》(10) C++ 前置后置增减运算符重载形式与比较

C语言的++、–运算符在此不讨论。 文章目录1、前置后置增减运算符重载的形式2、前置和后置运算符的性能比较 1、前置后置增减运算符重载的形式 自增运算符“++”和自减运算符“–”分别包含两个版本。即运算符前置形式(如 ++x)和运算符后置形式(如 x++),这两者进行的操作是不一样的。因此,当我们在对这两个运算符进行重载时,就必须区分前置和后置形式。C++根据参数的个数来区分前置和后置形式。如果按照通常的方法来重载 ++ 运算符(即作为成员函数重载时不带参数,或者作为非成员函数重载时带有一个参数),那么重载

二进制君 5834

GitHub开源项目Zerox:AI驱动的OCR革命

GitHub开源项目Zerox:AI驱动的OCR革命

世界那么大,我想去看看~【随心更新,看世界去了😄】 1379

基于ESP32 蓝牙游戏手柄设计

介绍使用 ESP32 并通过 BLE 通信的 设计手持游戏手柄,包含原理图与代码

DT程序员的博客 2165

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

终极指南:Zerox混合OCR方案如何实现精度与性能的完美平衡

Zerox是一个革命性的OCR文档提取工具,它巧妙地将Tesseract OCR与先进的视觉AI模型相结合,为用户提供了前所未有的文档处理体验。这个开源项目通过**混合OCR方案**在保持高精度的同时实现了卓越的性能平衡,特别适合处理复杂布局的文档。 ## 🎯 混合OCR架构的核心优势 Zerox采用了创新的双引擎架构,结合了传统OCR工具Tesseract和现代视觉AI模型的优势: **

gitblog_00938的博客 522

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

TensorFlow相关组件的安装

TensorFlow相关组件的安装

AAI666666的博客 3942

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

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")

zerox - 使用视觉模型将 PDF 转换为 Markdown

zerox基于视觉模型 API 服务,提供了将 PDF 文档转化为 Markdown 的功能。其原理是先将原文件(如 pdf、docx)转换为图片,然后把图片发给视觉模型处理,最后汇总所有结果生成完整的 Markdown 文件。

1871

如何用Zerox实现高效OCR文本提取:完整指南

Zerox是一款基于视觉模型的OCR与文档提取工具,能轻松将图片、PDF中的文字转换为可编辑文本。本文将详细介绍Zerox的安装步骤、核心功能及实际应用场景,帮助新手快速掌握这一强大工具。 ## 🌟 Zerox核心功能介绍 Zerox支持多类型文档处理,包括扫描件、截图、PDF文件等,通过先进的视觉模型实现高精度文字识别。其核心优势在于: - 支持多语言识别,包括中文、英文、日文等 - 保留

gitblog_00888的博客 533

如何快速提取发票数据:zerox OCR文档提取工具完整指南

在数字化办公时代,从发票、报表等文档中快速提取关键信息是提高工作效率的重要环节。zerox作为一款基于视觉模型的OCR与文档提取工具,能够帮助用户轻松实现各类文档的信息识别与提取,尤其适用于发票、表单等结构化数据的处理。本文将详细介绍zerox的核心功能、使用方法及实际应用场景,帮助新手用户快速上手这款强大的文档处理工具。 ## 什么是zerox? zerox是一个开源的OCR与文档提取项目,

gitblog_00410的博客 452

Zerox OCR文档对比工具:Markdown输出与原始文档的差异分析

在数字化办公环境中,文档信息的准确提取与高效转换至关重要。Zerox作为一款基于视觉模型的OCR(Optical Character Recognition,光学字符识别)与文档提取工具,能够将图片、PDF等非文本格式的文档转换为结构化的Markdown文本,极大提升了文档处理效率。本文将深入对比Zerox处理后的Markdown输出与原始文档的差异,分析其识别精度、格式转换效果及潜在优化方向,为...

gitblog_00983的博客 955

Zerox OCR简历解析:人才信息提取与自动筛选系统设计

在现代招聘流程中,HR每天需处理数百份格式各异的简历,从PDF到图片扫描件,从复杂表格到不规则排版,传统文本提取工具往往束手无策。 Zerox凭借视觉模型(Vision Models)技术,实现了对简历文档的精准解析,将非结构化信息转化为结构化数据,为人才筛选提供高效解决方案。 ## 系统架构与核心流程 Zerox简历解析系统采用模块化设计,分为文档处理、OCR识别、数据提取三大核心模块。其工...

gitblog_00221的博客 772

Zerox OCR企业级部署终极指南:Docker容器化与K8s编排最佳实践

Zerox OCR是一个基于视觉模型的智能文档提取工具,能够将PDF、DOCX、图像等多种格式的文档通过AI视觉模型转换为Markdown格式。在企业级部署中,Docker容器化和Kubernetes编排是确保高可用性、可扩展性和稳定性的关键技术。 [![Zerox OCR架构](https://raw.gitcode.com/GitHub_Trending/ze/zerox/raw/91bbb

gitblog_00969的博客 469

Omni-Zero:零样本风格化肖像创作的革命性工具

Omni-Zero:零样本风格化肖像创作的革命性工具 项目介绍 Omni-Zero 是一款基于扩散模型的开源项目,专注于零样本风格化肖像的创作。通过先进的AI技术,Omni-Zero能够将普通照片转化为具有各种艺术风格的肖像,无需任何额外的训练数据。项目目前支持单人肖像的生成,并计划在未来扩展到多人肖像的创作。Omni-Zero不仅提供了丰富的在线演示平台,还支持多种部署方式,包括HuggingF...

gitblog_00188的博客 603

DeepSeek全面使用指南:手把手教你从零基础小白进阶AI大神

DeepSeek每周更新迭代模型参数,用户可通过“设置-版本说明”查看最新升级功能。建议定期体验实验室功能,参与用户反馈计划,共同塑造更强大的智能助手。掌握这些技巧,您将获得:• 工作效率提升300%的智能流水线• 覆盖200+专业领域的数字智库• 7×24小时在线的全能型顾问。

m0_48891301的博客 1万+

本地高精度OCR!由GPT-4o-mini驱动的开源OCR!

Zerox OCR是一款功能强大的本地开源工具,基于 GPT-4o-mini,能够高效处理复杂文档,并以 Markdown 格式输出,适合需要精确 OCR 处理的用户。无论你是开发者,还是需要处理大量文档的专业人士,Zerox OCR 都是一个值得一试的解决方案。赶快下载试用,或体验在线版本,解锁文档处理的更多可能吧!项目地址:https://github.com/getomni-ai/zerox在线体验:https://getomni.ai/ocr-demo。

z_ipython的博客 2736
上一篇: Openai_clip,一个厉害的多模态Python库!
下一篇: OpenAI Whisper:开源界的语音识别神器
开源项目精选
博客等级 码龄6年 2011粉丝 227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