软件测试人员必备工具介绍--如何滚屏抓取图片-SnagIt篇(图)

Snagit高清截图工具:屏幕捕获与视频录制全面解决方案 本文还有配套的精品资源,点击获取 简介:Snagit是一款专业屏幕捕获和视频录制工具,特别适用于创建高质量教程、演示文稿等。它具备高清截图、多样截图模式、视频录制、强大编辑美化功能、汉化版界面、快捷键自定义、文件管理与分享以及详尽的教程支持,是IT从业者的理想选择,有助于提高工作效率和质量。 1. Snagit高清截图工具的全面解析 Snagit 是一款广受... 阅读详情

在SnagIt中实现滚屏截图有二种方法,此处试以截取网页为例作说明。

第一种方式:自动滚屏截取(Auto Scroll)

1.在SnagIt主面板中点击[Image Capture];


图1

2.选[Input]菜单为[Windows];


图2

3.再次选择[Input]菜单,选中[Auto Scroll];


图3

4.打开某网页,按下热键Ctrl+Shift+P,一个红色的方框将罩住网页页面,此时鼠标变为。

5.点一下鼠标左键,这时鼠标变成漏斗状。稍等,运行中……页面开始自行滚动,一直到页面底端终止。

6.出现截图预览窗口,已成功截取。:-)

第二种方式:自定义滚动(Custom Scroll)

1.在SnagIt主面板中点击[Image Capture],如图1所示;

2.选[Input]菜单为[Advanced]-->[Custom Scroll],选后[Auto Scroll]变成灰色,不可用。


图4

3.打开页面,按下热键Ctrl+Shift+P后鼠标变成状,按住不动,在页面中将拖出一个截取区域后松开,其鼠标又变为状。

4.将鼠标移至如图所示的滚动条中,点击滚动按钮松开,页面自动往下方滚动。


图5

5.当滚至页面末端,截图预览窗口出现,截图成功。^_^

几个相关问题:

1.无论是第一种还是第二种方式,都是截取的垂直滚动的网页,如果要截取水平滚动的页面,该怎么办?其实很EASY,在菜单[Input]中有个选项[Properties],打开它,点击[Scrolling]标签,把[Scroll]设为[Horizontal]即可。


图6

2.第二种方式不仅可以用来截取网页,更多的却是用于截取对话窗口中的List列表,如图所示。


图7

3.若截图过程中出错,可以考虑设置滚屏延时,如图6所示,将[millisecond]前面的数值加大就OK了。加到多少才合适?嘿嘿,这可要视具体情况而定,自己动手试一试吧……

全面掌握SnagIt截屏软件的高级功能 SnagIt作为一款专业的截屏、视频录制和图像编辑软件,多年来一直受到IT专业人士和内容创作者的青睐。本章将概述SnagIt的基础功能和特点,为读者提供软件使用前的准备知识。在探讨SnagIt截图功能之前,我们先从最基本的屏幕截图开始。常规屏幕截图是SnagIt用户最为熟悉的截图方式之一。操作上,用户可以通过以下步骤完成基本的屏幕截图:启动SnagIt。选择“捕获”菜单下的“屏幕”选项。选择截图区域:可以是全屏截图,或是选定区域截图。 阅读详情

相关推荐

Snagit 9全面解析:强大的可滚动截屏工具

Snagit 9是一款广泛受到IT从业者喜爱的屏幕截图和视频录制软件,其具有强大的捕获功能和直观的编辑工具,特别适合进行技术交流、文档制作和问题反馈。该软件的主要特点包括:高效截图功能:支持全屏、滚动截图、区域识别等多种截图方式。内置编辑工具:拥有丰富的图像编辑和标注功能,用户可以快速对截取的内容进行编辑、注释。易于使用:简洁直观的用户界面,即使是没有技术背景的用户也可以轻松上手。Snagit 9的直观设计和强大的功能使其成为IT行业工作者不可或缺的工具之一。

weixin_42452924的博客 1006

SnagIt怎么使用 SnagIt使用教程

SnagIt是运行在Windows平台上的一个截屏软件,功能强大,能够捕捉、编辑、共享您计算机屏幕上的一切对象。5、截好的图片会自动用SnagIt编辑器打开,点击文件,在弹出的选择中选择【另存为】【标准格式】,输入要保存的文件名格式就行了。1、点击电脑右下角的SnagIt图标,在弹出的选项中选择【捕捉类型】,然后选择【滚动】选项。3、进入截取状态后,点击网页下方的向下的箭头就可滚动截图。2、打开您要截取的网页或长图片,点击中间的红色按钮。4、截图完成后,您需耐心等待截图一会儿。...

xitongzhijianet的博客 1万+

Snagit屏幕截图和视频录制工具:全面介绍与实用技巧

Snagit 是一款强大的屏幕捕捉和视频录制软件,由 TechSmith 公司开发。它允许用户截取屏幕上的任何部分,并提供多种图像和视频编辑工具以丰富内容。本章将概述Snagit的核心功能,为后续章节的深入探讨打下基础。直观的用户界面:Snagit提供了一个清晰且易于导航的界面,新用户可以快速上手。丰富的捕捉工具:包括但不限于全屏截图、区域截图、滚动截图等。强大的编辑功能:通过内置的编辑器,用户可以标注、涂抹、调整图像,并能够添加文本、箭头等。

weixin_28888459的博客 1415

截图工具 Snagit

相对其它截图工具而言,Snagit 的一大特色是: 滚动截图。 不管是 web页面,还是 window窗体,它都可以 滚动截图,每次滚动截图,需要选定一个方向:上下滚动, 左右滚动 或 斜对角滚动 。 不过,我们一般用得最多的可能是 上下滚动。 如图: (结束)

keenweiwei的专栏 3604

SnagIt+9.1.3(屏幕滚动截图).破解版

内含注册码。 SnagIt特别用法: (一)滚屏捕捉   在抓图过程中,经常遇到图片超过桌面尺寸的情况,想查看全部内容必须滚动窗口,要想把该对象全部捕捉下来就需要使用SnagIt来完成:单击“滚动窗口”,在主界面的右侧会看到“捕获”按钮已经准备好了,不过使用该按钮不太方便,下面已经提示了全局的快捷键Ctrl+Shift+P。当目标窗口为当前窗口时,只要按下此组合键就可激活捕捉功能。根据操作提示,用鼠标左键单击一下目标窗口,然后将鼠标移动到滚动条上,该滚动条会自动向下移动,当移动到最底端时会自动停止并直接将捕捉结果保存入“捕获预览”界面,此时就可或编辑或直接另存了。    (二)抓取文字   现在很多的网站为了防止被抄袭,都对网页进行了加密。尽管破解其加密的方法有多种,不过SnagIt所提供的捕捉文字功能可谓“所向披靡”:单击“窗口文字”,在右侧窗口中的“输入”中选择“自动滚动窗口”,然后切换到加密网页按下Ctrl+Shift+P组合键激活捕捉功能,单击一下鼠标左键后该窗口会自动滚动,滚动到最底端后自动将结果保存入“捕获预览”。现在就可以另存后使用EmEditor等文字处理软件将其中的空格清除后保存了。    (三)录制屏幕视频   前面我们接触的都是静态的图片,如果想把自己的操作过程做成录像而向他人进行演示怎么办呢?不用麻烦DV了,SnagIt就可办到:单击“录制一个屏幕视频”,在右侧窗口的“输入”中选择“屏幕”,然后将SnagIt最小化,按下Ctrl+Shift+P组合键激活捕捉功能,在弹出窗口中点击“开始”,接着进行想录制的具体操作,操作结束后双击任务栏的录像机图标暂停并呼出提示窗口,点击“结束”即完成此次操作的录制工作并保存成AVI文件,在“捕捉预览”的窗口中单击播放图标就可以使用Windows Media Player来进行播放了

(滚动屏幕截图工具)Snagit

(滚动屏幕截图工具)Snagit,可以定时截屏,滚动屏幕截屏,还可以截视频。

Snagit长截图或完整截图技巧

Snagit长截图或完整截图是一项较为实用的功能,在日常工作或生活中,当全屏截图无法满足需求时,总会需要一些长截图或完整截图,如网页长截图、表格长截图、文件资料长截图等。 由于Windows系统自带的截图工具不支持长截图或完整截图,许多浏览器(插件除外)也不自带长截图或完整截图功能。所以一款好用、强大且便捷的长截图工具就显得尤为重要了。 本文中,软发网将以Snagit 2020为基础,详细讲解Snagit长截图或完整截图技巧。 Snagit长截图或完整截图功能,可以通过滚动窗口(Scrolling W

wanna_dream的博客 5508

Snagit截图工具

一款很好用的截图工具,操作简单实用,方便,可以试试看

snagit 10.0.1.58和Patch_SnagIt.exe汉化补丁安装流程图

一.(该工具如有需要的请在我的资源下载) 首:先安装snagit.exe工具再安装Patch_SnagIt.exe汉化补丁 二.snagit.exe虚拟打印工具流程 1.双击snagit.exe文件 2.出现snagit 10.0.1.58 Setup,如图所示,点击下一步 3.选择通过使用数据改善故障,如图所示,点击下一步 4.选择有执照的,如图所示,点击下一步 5.选择高级用户使用,如图所示,点击下一步 6.安装Snafgit的路径,如图所示,点击下一步 7.如图所示,点击下一步 8.中间

qq_44858151的博客 2694

滚动截屏工具Snagit

Getting Started With SnagIt Welcome to SnagIt!

详解Unity中的粒子系统Particle System (五)

通过前几篇的学习,我们已经知道了粒子系统的几大基础模块的设置,有了这些模块的知识,我们足以做出惊艳的效果了。今天我们再学一个新的模块,叫做Noise模块,中文译为噪波、噪声、湍流模块等。这个模块的主要功能是让粒子随机化,有了随机化我们就可以模拟更自然的效果。如泡泡的空气中飘荡、一团苍蝇在嗡嗡乱撞,又或者是雪花飘飘、尘土飞扬等场景。下面我就来讲解一下何为Noise。

梦小天幼的博客 6107

【转载】SnagIt使用说明

二、图像抓取技巧1.直接输出至Studio  在SnagIt中,默认情况下是把图片输出到预览窗口中的,尽管可以单击“SnagIt捕获预览”窗口中的Studio按钮把当前抓取的图片送到Studio中再加工。但总觉得没有下面的技巧来得方便:先中“输出”菜单下的“图像编辑器”,而且不要选中“预览窗口”选项,以后按下抓取热键就可以把抓取下来的图片直接送至Studio,供你处理了。2.连续捕捉图片 

hitzqb的专栏 9734

Argoverse2数据集保姆级导入教程:从下载到预处理全流程解析

本文详细解析了Argoverse2数据集的完整导入流程,从环境配置、数据下载到预处理和高效加载策略。作为自动驾驶领域的标杆数据集,Argoverse2提供多模态传感器数据和高精地图信息,帮助研究者快速搭建数据处理流水线。文章包含实用代码示例和性能优化技巧,特别适合自动驾驶算法开发者参考。

weixin_29035405的博客 340

屏幕截图--Snagit

Snagit是一款优秀的屏幕、文本和视频捕获、编辑与转换软件。它不仅可以捕获静止的图像,还能获得动态的图像和声音。软件界面干净清爽,功能板块一目了然,为用户提供专业的屏幕录制方案。可以根据自己的需求调整录制视频的分辨率、帧数、输出格式等,满足用户的多元化使用需求。综上所述,Snagit是一款功能强大、易于使用的屏幕截图和图像编辑软件。它具有多合一捕获、丰富的编辑功能、强大的图像处理、自定义设置、屏幕录像功能、捕获文本功能、自动化功能等多项特色亮点,可以满足用户在屏幕截图和图像编辑方面的各种需求。

llhf688的博客 1822

三菱FX5U运动控制(步进)

三菱FX5U脉冲定位控制,原点回归,相对定位,绝对定位,运动控制案例。

weixin_55762091的博客 1万+

MATLABGUI读取文件并将路径显示在文本框中

MATLABGUI读取文件并将路径显示在文本框中

m0_50305149的博客 2651

Snagit for Mac 如何截取长图,滚动截图?

困扰我很久了,为了在mac上截取长图,今天终于成功了。 如下图: 第一步:选择image。 第二步:Selection选择Panoramic,就是选择滚动截图的意思。 第三步:到达你想要滚动截图,也就是长截图的地方,点击旁边的红色的Capture按钮,就好了。 ...

2119

电子元器件-接口电路篇:RS-232、RS485/422、I2C、SPI、USB、网口

以上规定说明了RS-232C 标准对逻辑电平的定义。对于数据(信息码):逻辑“1”的传输的电平为-3V~-15V,逻辑“0”传输的电平为+3V~+15V;对于控制信号;接通状态(ON)即信号有效的电平为+3V~+15V,断开状态(OFF)即信号无效的电平为-3V~-15V,也就是当传输电平的绝对值大于3V 时,电路可以有效地检查出来;

qq_60226558的博客 891

snagit截屏方案设置、快速截图

snagit截屏设置、快速截屏

shuzhiduxing的专栏 5033

《QGIS快速入门与应用基础》223:纸张大小与方向(A4/A3/自定义)

本文详细介绍了QGIS布局页面设置的核心操作,重点讲解了纸张大小与方向的设置方法。文章首先指出页面设置是地图排版的基础前提,强调合理设置可避免导出打印时出现尺寸不符等问题。随后详细说明了三种打开页面设置面板的方式,并重点解析了纸张设置的要点:标准预设纸张(A4/A3等)适用于大多数场景,提供国内常用规格对照表;自定义纸张则需谨慎使用,需注意单位选择和尺寸限制。通过界面标注图和操作步骤示意图,帮助用户掌握正确的设置方法,确保最终出图符合规范要求。文章特别提醒新手要优先使用标准预设纸张,避免常见错误,为后续地图

LuckyHanMo的博客 348

回声消除AEC初探

那段保留即可——在播放期间把麦克风关闭(软件层面的 mute),同样能根除回声,只是会失去“一句话期间仍能捕获背景噪声”的能力。如果还有更细节的需求(比如多语言 TTS、实时流式 ASR),欢迎继续交流。的完整示例,可直接拷贝、改造、集成到你现有的 LLM‑TTS 对话系统中。实际效果取决于用户设备的硬件与驱动,若仍有回声,可让用户佩戴。把扬声器信号(把播放音频拷贝给 AEC)从麦克风流中减去。:TTS 播放的声音被同一个麦克风再次捕获,导致声学回声。三种实现示例,帮助你快速落地。,几乎可以消除所有回声。

NLP与推荐算法 574

Snagit 2019 快速截图

下载地址 https://www.techsmith.com/screen-capture.html 先下载试用版,安装好后再去网上找破解码破解   1. 选择截图方式,按区域还是窗口,选择Image,在Selection对应的下拉菜单里选择,Region需要自己指定区域,Window截当前窗口(适合截web页面): 2. 将截后的图片,按设置的格式保存在指定的路径下 点击Shar...

DefectFinder的博客 4383

基于YOLOv8的违规抽烟/打电话检测系统:从数据集构建到部署实战

模型优点缺点精度高速度慢(5 FPS)SSD速度快小目标检测差YOLOv5平衡性好官方支持停止YOLOv8最新、最快、最准需要PyTorch环境YOLOv8相比前代:骨干网络升级(C2f模块)无锚框检测(Anchor-Free)动态任务对齐分配(TaskAlignedAssigner)支持分类/检测/分割/姿态估计。

YOLO 98

Snagit滚动截屏实现长pdf(长图)拆分

Snagit的自定义滚动截屏模式,可用来实现长pdf拆分。

Don't lost way 2055

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,

上一篇: Rita Hayworth and Shawshank Redemption
下一篇: 使用HttpUnit进行集成测试
coderzhou
博客等级 码龄24年 9粉丝 93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