cxf配置环境提示文件名、目录不存在的问题

一个简单的cxf框架调用webservice接口天气预报例子 wsdl URL:http://www.webxml.com.cn/WebServices/WeatherWebService.asmx?wsdl cxf环境变量配置百度! 命令:wsdl2java http://www.webxml.com.cn/WebServices/WeatherWebService.asmx?wsdl,会在本目录生成java代码。 如果报错,s:schemal... 阅读详情

前几天,学习webService的一个框架的时候,CXF 。在配置CXF的环境变量完后,在cmd上 wsdl2java -h 测试总是提示文件名、目录不存在的问题

我的配置如下:

CXF_HOME D:\apache-cxf-3.1.10
path路径也配置了 %CXF_HOME%\bin


然后我就去网上搜索,但是就是解决不了这个问题,很多人都说是只要配置CXF_HOME  和path,jdk1.6以上就行了。我完全满足这些条件,我的jdk是1.8的。接着我就去优快云,百度知道发帖问。但没有人回答我。可以想象那时候的心情~~

不过,我想到一个方法,就是去虚拟机上看看,是不是这种情况。令我大跌眼镜。虚拟机上完全可以。后来我无意间看到jdk的配置和我虚拟机上的不太一样。我本机上的JAVA_HOME的值有两个在里面,所以我删了一个。然后再测试就行了




最后我才意识到,cxf要首先去找JAVA_HOME,所以我才会配置失败的





apache-cxf-3.2.1 Apache CXF 是一个开源的 Services 框架,可以在java webservice里使用 立即下载

相关推荐

HTTPS接口测试翻车实录:为什么浏览器能访问而curl报证书错误?

本文深入分析了HTTPS接口测试中浏览器访问正常而curl报证书错误的典型问题。通过对比浏览器、Postman和curl的工具行为差异,结合Nginx日志与Wireshark抓包,揭示了问题根源在于网络架构中HTTPS请求被意外“降级”为HTTP传输,导致SSL握手失败。文章重点探讨了curl工具严格验证机制暴露的`Peer's Certificate issuer is not recognized`错误,并提供了网络配置修正方案与标准化测试流程。

u9v0w的博客 279

CXF生成客户端遇到的问题

一、CXF环境配置路径错误 1、错误现象   在命令行中输入 wsdl2java -v 检查CXF安装是否正确。   出现错误=》 ERROR: Unable to find cxf-manifest.jar in cxf_home/lib 2、错误原因CXF环境路径配置错误   1.配置CXF_HOME的路径时加了bin。   2.由于运行wsdl2java会自动调取%CX...

weixin_30564785的博客 487

0x12B 蓝屏怎么查:内存单比特翻转与硬件排查记录

Windows 蓝屏停止代码是内核检测到不可继续运行的异常时触发的保护机制,0x12B(FAULTY_HARDWARE_CORRUPTED_PAGE)更指向内存页校验失败与单比特翻转。其原理是内存管理子系统发现页面内容与校验值不一致后,为避免坏数据扩散而停机。通过 WinDbg 分析 dump、事件日志对齐时间戳,再结合 MemTest86、TestMem5、逐条单插与关闭 XMP 做交叉验证,可把内存、显存、存储链路和第三方内核模块依次排除。对编译、游戏、Hyper-V 虚拟化等高负载场景,这套记录与验证

weixin_30899023的博客 347

关于cxf的环境配置问题

webservice cxf 环境变量搭配好后,将给一些操作带来很多的便利,设置步骤如下: 1.设置cxf_home: 设置cxf文件的根目录路径。 2.编辑path: 加入%cxf_home%/bin; 3.编辑classpaht:加入%cxf_home%/lib 4.如果用的jdk是1.6及1.6以下的,需要在jdk的根目录下创建一个文件夹,重命名为:endorsed    并将cx

u010790770的专栏 1308

具身大小脑全栈全网独家复现|LLM链式推理+边缘VLA感知+毫秒级运动小脑、优化人形步态僵硬运动滞后、打通思考-行走-操作全链路适配居家工业多场景落地

高层决策大脑(异步10Hz,GPU算力):轻量化机器人微调LLM+RhinoVLA边缘视觉大模型,负责自然语言链式工序拆解、全局环境语义感知、目标物体筛选、跨机器人动作适配,输出粗粒度运动目标,不介入底层伺服计算;依托View Registry实现异构机器人动作对齐,适配多形态机器人切换;中层调度小脑(硬实时1kHz,CPU算力)

qq_36130719的博客 262

车载网络测试实操源码_使用CAPL解析VBF文件

VBF(Versatile Binary Format)文件是一种二进制文件格式,被沃尔沃、福特、马自达、吉利等汽车制造商广泛采用。这种格式无法使用我们常规的烧录器进行刷写,通常需要进行解析转化。如果各位需要自己编写软件或脚本来刷写VBF文件,或者需要对刷写功能进行测试时,那么本篇文章就会对你非常有用。今天我们就来讲一下如何使用CAPL脚本对VBF文件进行数据解析。VBF文件包含三部分:VBF版本段、文件头段、数据段。前面的版本段和文件头段是ASCII码,包含版本、地址、校验码等信息

文章主要涉及嵌入式软件开发、测试、项目管理等,欢迎交流,共同进步。 3006

CXF配置环境变量

很久不用CXF了,今天在公司的电脑上试了一下,结果发现每一次使用 wsdl2java 命令的时候,都需要定位到CXF的bin目录,很麻烦。 记得好像可以配置环境变量,简单配了一下,发现不好用,后百度了一下,找到了。 在CLASSPATH中添加 D:\JavaApp\apache-cxf-2.7.5\lib 新建CXF_HOME D:\JavaApp\apache-cxf-2.7.

什么是江湖? 7813

基于STM32+ESP8266+手机APP的心率血氧温湿度监测报警系统设计(项目资料ID:18)

基于 STM32 微控制器、ESP8266 无线模块和 QT 手机 APP 的多参数监测报警系统。该系统可实时采集心率、血氧饱和度、环境温湿度等参数,通过 OLED 显示屏本地显示,并通过 WiFi 模块上传至手机 APP 实现远程监测与数据可视化。系统具备报警阈值自定义功能,当参数超出设定范围时,通过蜂鸣器和 LED 进行声光报警。系统以 STM32F103 为控制核心,采用 MAX30102 传感器采集心率和血氧,DHT20 采集温湿度,通过 ESP8266 实现无线通信,配合 QT 开发的手机 APP

以培养嵌入式工程师为己任 1万+

使用CXF的wsdl2java命令时发生系统找不到指定的路径

使用CXF的wsdl2java命令时发生“系统找不到指定的路径”这样的错误可能是没有正确配置java的环境变量,  需要检查JAVA_HOME环境变量配置是否正确,配置正确以后需要重新启动命令行运行程序...

soha_dong的博客 2689

RHCA III之路---EX436-1

由于ha这门课有大量命令需要在3个节点上同步执行.如果执行history会出现前面数字,复制多行会有些麻烦.lab环境是nodea,nodeb,nodec 考试环境是node1,node2,node3。就可以快速将历史命令实现可多行复制,当然也可以用awk进行分割,个人喜好随意。技巧只能加快答题速度,对考试得分帮助不大。确认3个红框内容一致,且没报错即可。再执行一个histrory。3个node节点上运行。这样就能1次复制3行。

Q先生 1012

Calibre :Standard Verification Rule Format(SVRF) Manual (1-2)

摘要:SVRF规则文件是用于Calibre和ICverify工具的脚本文件,包含层定义、规则检查、注释、预处理指令等元素。规则文件支持全局/局部层定义、隐式层操作,以及条件编译指令(#DEFINE/#IFDEF等)。宏功能(DMACRO/CMACRO)可实现代码复用,支持参数化层操作和嵌套调用。预处理指令支持版本控制(#IFDEFCALIBRE_VERSION)和环境变量默认值设置(#PRAGMAENV)。宏中的层名具有局部作用域,可通过特殊语法实现全局层名指定,LOCAL()修饰符可创建调用作用域内的唯一

u013620135的博客 1353

cxf webservice生成wsdl文件错误

                       cxf webservice服务端发布服务时,通过浏览器查看wsdl信息,发现生成文件错误,主要是没有types、messages等属性,跟了一下代码发现代码实现没有问题,找了一个小时才发现,service的定义和实现不在一个目录下,导致生成wsdl文件错误。随即将服务定义和实现放在同一目录下,验证下生成wsdl文件正确。问题解决。

小裁缝 614

【OpenClaw企业级智能体实战】第10篇:医疗行业OpenClaw实战:病历自动书写、医保智能审核与患者随访管理(附HIPAA合规配置+完整代码)

医疗行业正面临“效率提升需求”与“合规监管红线”的双重矛盾:病历书写占据医生30%-50%工作时间,医保审核效率低下,患者随访工作量巨大,但医疗数据“不出域”“责任不转移”的要求又限制了AI落地。本文基于华为云、腾讯云安全规范及中关村科金、复旦大学附属中山医院等真实实践,拆解OpenClaw在医疗场景的五大核心应用(病历自动书写、医保智能审核、患者随访管理、科研文献综述、医学影像预处理),提供私有化部署架构、HIPAA合规配置模板、完整实操流程及可直接运行的代码。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 442

java框架复习——cxf

目录概述环境搭建cxf示例wsdl2java(重要)JaxWsServerFactoryBeanJaxWsServerFactoryBean和ServerFactoryBean的区别使用JaxWsServerFactoryBean调用接口服务类拦截输入输出消息在web项目中创建类的cxf服务(重点)在web项目中创建接口的cxf服务修改cxf-servlet.xml的位置和文件名使用jquery调...

ww0peo的博客 848

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

CXF的环境配置(可与wsimport -s .方式反向生成实体类进行对比下)

一:CXF环境配置(这个环境配置的前提是已经安装了jdk) 步骤一: 下载CXF 网址:http://cxf.apache.org/download.html 步骤二: 创建CXF_HOME系统环境变量 创建系统环境变量CXF_HOME;它的值是你下载的CXF文件放的位置。 如:CXF_HOME=C:\apache-cxf-3.2.6 步骤三: 在path系统环境变量中加一句:下载的CX...

灵魂和肉体总要有一个在路上 437

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")

java cxf服务端代码_【JAVA】 cxf 生成 webservice 服务端代码

CXFApache CXF = Celtix + XFire。CXF 继承了 Celtix 和 XFire 两大开源项目的精华,提供了对 JAX-WS 全面的支持,并且提供了多种 Binding 、DataBinding、Transport 以及各种 Format 的支持,并且可以根据实际项目的需要,采用代码优先(Code First)或者 WSDL 优先(WSDL First)来轻松地实现 We...

weixin_34039159的博客 955

JAVA环境变量配置与cxf的wsdl2java命令生成客户端代码

JAVA_HOME---顾名其意该变量的含义就是java的安装路径,本机是D:\JDK,切记不要在后面加;分号写成D:\JDK; 以后要在别的任意地方用D:\JDK\bin就可以直接写成%JAVA_HOME%\bin,相当于给路径命名了,其 实不配置JAVA_HOME也行,但是比如你的JDK路径发生变化了,各个地方相应的改起来会麻烦,还有 一些第三方软件会约定用JAVA_HOME变量(比如:

u014476019的博客 2609

CXF Web Service的Hello World之一 搭建环境

本文介绍如何配置 Eclipse + Java EE + Apache CXF + Tomcat + JDK 的开发环境,用于开发CXF Web Service。

陈俞飞的专栏 9446

eclipse3.3+CXF2.1+STP配置webservice开发环境(

时间:2008-04-17 关键字: cxf stp webservice wsdl 教程 视频引用 我这个人向来比较懒,没有动手写点东西的习惯,呵呵 最近几天由于需要,在学习webservice,用惯了eclipse,也想搭建个eclipse下开发web service的平台,上网搜索了下,文章还不少,非常详细,但是配置总是出错误,最大的问题是不能生成wsdl.无奈之下,自己动手

childhooders的专栏 2684

【JAVA】 cxf 生成 webservice 服务端代码

CXF   Apache CXF = Celtix + XFire。CXF 继承了 Celtix 和 XFire 两大开源项目的精华,提供了对 JAX-WS 全面的支持,并且提供了多种 Binding 、DataBinding、Transport 以及各种 Format 的支持,并且可以根据实际项目的需要,采用代码优先(Code First)或者 WSDL 优先(WSDL First)来轻松地实...

写一封信 4824

根据wsdl接口,通过Apache cxf 生成wsdljava客户端代码,过程中出现的问题记录

首先说下有两种方式生成wsdl客户端代码: 1.通过Apache cxf 的wsdl2java生成 1).先下载apace cxf包,配置环境变量,和java 的环境变量的配置方式一样。 在环境变量中配置CXF_HOME 值为D:\cxf\apache-cxf-3.0.0,在PATH中加入%CXF_HOME%\bin 验证环境变量有无配置成功,cmd 窗口,输入  wsdl2java    2)....

博客 1万+

CXF系列之用CXF利用内置jetty发布ws

MAVEN导入这里要导入一个cxf的j包和cxf中内置jetty服务器的包<dependency> <groupId>org.apache.cxf</groupId> <artifactId>cxf-rt-frontend-jaxws</artifactId> <version>3.1.4</version> </dependency>

lizhao007 5026

使用CXF根据wsdl地址自动生成客户端 (java)

第一步:在官网下载:apache-cxf-2.7.8.zip   以及解压  官网地址:http://cxf.apache.org/ 第二步:配置环境变量: 新建一个系统变量名:CXF_HOME  值就是解压后cxf的路径:F:\cxf\apache-cxf-2.7.8(我自己的路径) 然后配置到path变量下,指到cxf的bin目录(%CXF_HOME%/bin) 第三步:执

huming_internet的专栏 2259

JAVA 用 Apache CXF 调用 .NET 服务端 WebService

Web Service涉及的相关概念和基础知识不赘述了,想了解的请看这篇文章:http://blog.youkuaiyun.com/shb_derek/article/details/8018287 下面从头开始介绍怎样编写JAVA代码来调用Web Service: 1、首先去官网(http://cxf.apache.org/download.html)下载Apache CXF,选择最新版本的 apach

千骑卷平冈的专栏 -- wqmain@163.com 9116

soapui和cxf的却别_根据wsdl文件用soapUi快速构建webService服务(有图有真相)

最近公司业务上使用webservice 频繁。由于之前都是自己建立webservice 自己定义提供帮对方服务,现在则相反需求都是根据人家提供的wsdl 文件来生成 我们系统必须提供的接口。刚起初不知道如何生成soapui调用wsdl需要安全验证,为了一个webservice 服务,而建立多种环境如: xfire,jaxws,axis,cxf , 几种都搭建出来,一种一种比较生成wsdl 的格式,...

weixin_39928461的博客 341

CXF 入门步骤 详解:HelloWorld接口发布

第一步:在myeclipse中新建一个web项目名为myWs, 并导入依赖的jar包(cxf,spring,apache-commons相关)   1、commons-logging-1.1.1.jar 2、cxf-2.4.1.jar 3、geronimo-activation_1.1_spec-1.1.jar 4、geronimo-annotation_1.0_s

洪文聊架构 3925
上一篇: Exception in thread "main" com.sun.xml.internal.ws.model.RuntimeModelerException:
下一篇: java实现文件上传及要考虑的问题
青鸟路过佳城
博客等级 码龄10年 137粉丝 49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