关于货币格式输入与读出“,”隔开

在做某房屋租赁系统时,曾遇到要求大笔额数字需要以###,###,###,##0.00呈现,并且以#########0.00存入。且看当时的解决方案:

1.货币输入验证:

文本框旁边放置一个正则表达式验证的控件,要求当输入的数字格式必须为: ###,###,###,##0.00或#########0.00

正则表达式控件的Validation属性只设置为:(?!^0*$)(?!^0*\.0*$)^\d{0,3}(,?\d{3})*(\.\d{1,3})?$

2.存入数据值类型:

decimal.Parse强制转换,以该类型存入数据库

model.AnnualMgtFee = decimal.Parse(this.txtAnnualMgtFee.Text);
model.AnnualRentCostall = decimal.Parse(this.txtAnnualRentCostall.Text);
model.Netareaman = decimal.Parse(this.txtNetareaman.Text);

3.取出数据值类型:

方法一:

this.txtAnnualRent.Text =Convert.ToDecimal( model.AnnualRent).ToString("N2");
this.txtAnnualMgtFee.Text = Convert.ToDecimal(model.AnnualMgtFee).ToString("N2");
this.txtAnnualRentCostall.Text = Convert.ToDecimal(model.AnnualRentCostall).ToString("N2");

方法二:

1)定义一个类AppConst.cs,在该类中定义一个常量DecimalFormat ,代码如下:

using System;
using System.Data;
using System.Configuration;
using System.Web;
using System.Web.Security;
using System.Web.UI;
using System.Web.UI.WebControls;
using System.Web.UI.WebControls.WebParts;
using System.Web.UI.HtmlControls;

/// <summary>
/// AppConst 的摘要说明
/// </summary>
public class AppConst
{
    /// <summary>
    /// 数字格式(###,###,###,##0.00)
    /// </summary>
    //public const string DecimalFormat = "###,###,###,##0.00";
    public const string DecimalFormat = "N2";

    /// <summary>
    /// 数字格式(#########0.00)
    /// </summary>
    public const string DecimalFormat2 = "#########0.00";
}

2)  界面后台代码中,如下引用AppConst.cs类中的常量DecimalFormat ,代码如下:     

        this.txtAnnualRent.Text =Convert.ToDecimal( model.AnnualRent).ToString(AppConst.DecimalFormat);
        this.txtAnnualMgtFee.Text = Convert.ToDecimal(model.AnnualMgtFee).ToString(AppConst.DecimalFormat);
        this.txtAnnualRentCostall.Text = Convert.ToDecimal(model.AnnualRentCostall).ToString(AppConst.DecimalFormat);

 3)如果是GridView或DataGrid这一类数据源控件取出数据,可以在字段绑定的表达式做这样控制: Text='<%# DataBinder.Eval(Container,"DataItem.Contract_Cost","{0:N2}") %>'

 

 

转载于:https://www.cnblogs.com/BritneyComeOn/archive/2009/07/06/1517700.html

支付安全核心:ARQC授权请求密文原理、实现与实战解析 在金融支付与交易安全领域,消息认证码和对称加密算法是保障数据完整性与身份真实性的基础技术。其核心原理在于,通过共享密钥对特定交易数据(如金额、时间戳)进行加密运算,生成唯一的密文摘要,接收方使用相同密钥和算法重新计算并比对,以此验证数据在传输过程中是否被篡改及请求来源是否合法。这一技术价值在于为线上交易、移动支付等场景构建了防伪造、防重放的安全基石。具体到EMV芯片卡标准中,该技术被具体实现为ARQC(授权请求密文),它作为联机交易中卡片向发卡行提交的动态“数字指纹”,其生成依赖于3DES或AES算法,并严 阅读详情

相关推荐

Angular ControlValueAccessor 原理与实战:打造可复用表单控件

ControlValueAccessor 是 Angular 表单系统的核心契约机制,它定义了自定义组件与 FormControl 之间值同步的标准接口。其原理在于解耦 UI 渲染与数据流控制,通过 writeValue、registerOnChange 等四个方法建立双向数据通道,实现响应式表单的底层支撑。该机制不仅支撑 formControlName 绑定,还为自定义校验、无障碍访问和 SSR 兼容提供基础能力。典型应用场景包括带格式化逻辑的货币输入框、带图标的搜索组件、实时校验的身份证输入框等需要深度

weixin_30617695的博客 366

mysql里记录货币用什么字段类型好?

开发中,货币在数据库中MySQL常用Decimal和Numric类型表示,这两种类型被MySQL实现为同样的类型。他们被用于保存值,该值的准确精度是极其重要的值,例如与金钱有关的数据。当声明一个类是这些类型之一时,精度和规模的能被(并且通常是)指定;例如: salary DECIMAL(9,2) 在这个例子中,9(precision)代表将被用于存储值的总的小数位数,而2(scale)代表将被...

相对静止 8289

5分钟搞定!用Keil MDK将STM32F103C8T6工程无缝迁移到ZET6开发板

本文详细介绍了如何在Keil MDK环境下快速将STM32F103C8T6工程迁移到ZET6开发板,涵盖硬件差异对比、工程配置调整、外设适配及编译排错等关键步骤,帮助开发者5分钟内完成工程移植,大幅提升开发效率。

weixin_30879169的博客 407

数字格式化为金额格式 (3位一个逗号隔开)

最近在写一个项目,项目中多次遇到金钱格式的问题,所以自己写了一个方法用于格式的转化- (NSString *)changeStringType:(NSInteger)price { CGFloat changePrice = price / 100; NSMutableString *priceString = [[NSMutableString alloc] initWithFor

雁过留声的博客 2334

鼎捷T100—二次开发:客制化联络对象维护作业 aooi350

鼎捷T100二次开发,客制化

weixin_52342654的博客 1132

IEPE加速度同步采集卡、振动信号同步模块、温震一体八路高速采集

WJ288产品是一种物联网和工业以太网采集模块,实现了传感器数据采集并发送到网络。IEPE是“Integrated Electronics Piezo-Electric”的缩写,即集成电路型压电式传感器。这种带内置电子器件的压电传感器已成为工业应用领域的标准。半导体电路将压电传感器的高阻抗信号转换为更容易传输的低阻抗电压信号。借助IEPE,只需一根任意长度的标准电缆即可实现电源供给和信号传输,不会因电缆移动而产生测量误差。

wayjun0903的博客 733

js数字的货币格式表示法(每三位一个逗号分隔)

要显示如下格式的数字,即数字的金钱表示法:小数部分保留两位小数,整数部分每隔三位使用一个“,”分隔 代码如下: //保留两位小数并且整数部分三位一个逗号分隔符的数字金钱标准表示法: //这里假设我们即不知道输入数字的整数位数,也不知道小数位数 var dealNumber = function(str){ //为防止浮点型数字在扩大倍数过程中出现n个9的浮动,将

YinghaoGuo的博客 1万+

处理SAP资产折旧AFAB 过账报错:“科目 8019010100 要求一个成本会计分配”

本文介绍如何处理资产折旧报错 ““科目XXXXXXX 要求一个成本会计分配””

IT小职员 2775

C/C++标准输入输出与文件输入输出

C语言输入输出函数有很多,标准I/O函数中包含了如下几个常用的函数: 标准输入输出: 1. scanf, printf int scanf(const char *format, arg_list) scanf主要从标准输入流中获取参数值,format为指定的参数格式及参数类型,如scanf("%s,%d",str,icount); 它要求在标准输入流中输入类似"son

Fly Follow the Heart 2万+

数据产品需求文档(PRD)怎么写?阿里P8分享的模板+5个避坑点

作用:记录文档的版本、作者、评审信息,避免“文档混乱”。填写规范字段说明示例文档名称清晰反映产品名称,如“用户行为分析平台PRD”用户行为分析平台PRD_V1.0文档版本用“版本号+日期”,如V1.0_20240301编写人数据产品经理姓名+联系方式张三(138-XXXX-XXXX)评审人员业务负责人、开发经理、数据分析师、运维负责人李四(业务)、王五(开发)、赵六(数据)、周七(运维)评审时间评审日期2024-03-05评审意见。

架构师的AI之路,分享AI应用开发架构的学习与实践。 1571

智能驾驶感知模块评测实战:如何用回灌测试提升BEV模型准确率(附数据集处理技巧)

本文深入探讨了如何通过诊断型回灌测试系统性地提升智能驾驶BEV感知模型的准确率与鲁棒性。文章详细拆解了从场景切片、时空对齐到多维指标分析的完整评测流水线,并针对BEV模型特有的深度估计、特征融合等环节提供了优化思路,旨在帮助工程师将海量路采数据转化为精准的模型迭代燃料。

weixin_29045585的博客 395

Vue货币输入实战:v-money精准控制金额格式与数据一致性

货币输入是金融、电商、财务类Web应用的基础交互环节,其本质是数字在用户输入、界面展示与后端传输三者间的无损映射。核心原理在于分离显示格式(如¥1,234.56)与原始数值(1234.56),避免字符串解析歧义和浮点精度污染。技术价值体现在实时拦截非法字符、动态千分位适配、双向绑定纯净数字等生产级保障。典型应用场景包括后台价格配置、多币种结算表单、高精度报销录入等。本文聚焦Vue生态下v-money指令的深度实践,覆盖参数契约设计、国际化格式处理、SSR协同及无障碍增强,解决‘输入即失真’这一高频工程痛点。

weixin_33692284的博客 418

CANoe如何实现TLS协议

TLS,Transport Layer Security,传输层安全协议。是在传输层和应用层之间,为了保证应用层数据能够安全可靠地通过传输层传输且不会泄露的安全防护。

jasonj333 1159

货币金额小写转大写

货币金额小写转大写: public class ConvertMoney { private String money; //转换之前的数字金额 private static String submoneyCN[]={"","拾","佰","仟"}; //表示数字位数的数组 private static String numberCNN[]={"零","壹","贰","叁","...

qq_34621658的博客 733

Go语言Gin框架项目:从零到一搭建一个用户管理系统

本文介绍了一个基于Go语言Gin框架开发的用户管理系统。系统采用MySQL数据库存储数据,使用Bootstrap 5构建现代化UI界面,实现了完整的CRUD功能。主要特点包括:RESTful API设计、前后端双重表单验证、实时搜索功能、SQL防注入措施以及响应式布局。项目结构清晰,包含数据库配置、用户模型、处理器和前端模板等模块。系统提供用户列表展示、新增/编辑表单、删除确认等功能,通过参数化查询确保安全性,并支持按姓名或邮箱搜索用户。

数据知道的博客 3994

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Ostrakon-VL-8B实际作品:价签文字识别+货币单位自动校验+价格区间标注

本文介绍了如何在星图GPU平台上自动化部署Ostrakon-VL-8B专为餐饮零售(FSRS)场景优化的开源多模态大模型。该平台简化了部署流程,用户可快速利用该模型实现零售价签的自动化识别与检查,例如通过拍摄货架照片,自动完成价签文字提取、货币单位校验及价格区间分析,显著提升门店巡检效率与准确性。

weixin_35433448的博客 725

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

GPT-SoVITS货币金额读法标准化

通过GPT-SoVITS技术,结合语义理解与音色克隆,实现中文金额的自然、准确语音播报。系统仅需一分钟录音即可复刻声音,并借助文本规范化确保‘198元’读作‘一百九十八元整’,广泛适用于电商、金融等高精度场景,显著提升用户体验与专业性。

weixin_35972981的博客 453

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

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")

ETL工具之Kettle开发教程第二节-输入控件

自定义常量数据步骤主要用于增加自定义字段和行集数据到流中,可增加多个字段并为每个字段赋予行集的值。步骤配置信息如图1所示。下文详细解释各控件的含义:1、转换步骤名称:步骤的名称,在单一转换中,名称必须唯一。2、元数据:用于设置字段的信息,若字段定义为date类型,则格式必须选择。如图1所示,定义了c_time、id、info三个字段。(1)名称:输入行集的字段名称。(2)类型:指定字段类型:字符串、日期、数字、布尔值、整数、BigNumber、可序列化或二进制。(3)格式:格式化字符串时需要。

追逐自己的目标,感受生活的乐趣。Elcker 1509

Oracle NLS参数详解:从字符集到日期格式的全局化数据管理

在数据库管理与应用开发中,字符集与本地化设置是保障数据正确存储与呈现的基石。Oracle数据库通过其国家语言支持(NLS)参数体系,系统性地定义了数据的存储编码、排序规则以及日期、数字、货币的显示格式。理解NLS参数的层次结构(数据库级、实例级、会话级、环境变量级)及其优先级,是解决乱码、格式不一致等常见问题的关键。从更基础的数据库字符集(如AL32UTF8)配置,到会话级的日期格式(NLS_DATE_FORMAT)和排序规则(NLS_SORT)调整,这套机制直接影响着数据的正确性、应用兼容性与全球化部署。

weixin_30471561的博客 341

python基本语法元素

前言 本文的文字及图片来源于网络,仅供学习、交流使用,不具有任何商业用途,如有问题请及时联系我们以作处理。 PS:如有需要Python学习资料的小伙伴可以加点击下方链接自行获取 python免费学习资料以及群交流解答点击即可加入 程序写作方式: -源代码采用某种编程语言编写的计算机程序,人类可读。 例如: result=2+3 -目标代码计算机可直接执行,人类不可读(专家除外)。 例如:1101001000111011 静态语言和脚本语言 根据执行方式不同,编程语言分为两类: ..

【优快云官方推荐】 246

数值转换:从底层原理到实战应用,解决数据处理的精度与格式难题

数值转换是数据处理与计算机科学中的基础概念,它涉及将数据在不同表示形式或存储格式间进行转换,以确保系统能正确识别、处理和计算。其核心原理基于计算机的底层存储机制,如二进制表示、IEEE 754浮点数标准,以及不同数据类型(整型、浮点型、字符串)间的映射规则。掌握数值转换的技术价值在于能够消除人机交互鸿沟,实现跨系统数据对接,并满足特定计算场景对精度与性能的需求。在实际应用中,它常见于数据清洗、ETL流程、API通信、财务计算及科学计算等场景,帮助开发者处理浮点数精度丢失、溢出解析、区域格式差异等典型问题。本

weixin_30776545的博客 339

ChatTTS中文数字输出问题解析与实战解决方案

通过主动进行文本预处理来“修正”ChatTTS的数字输出,本质上是在弥补当前模型在特定领域细节上的不足。这套方法不仅适用于数字问题,其思路可以扩展到处理特定行业术语、缩写、非标准标点等任何文本正则化相关的场景。实现一个鲁棒性强的文本预处理模块后,你会发现合成语音的准确性和专业度有了质的提升。尤其是在播报财务数据、科技资讯、产品参数等对数字读法要求严格的场景下,效果立竿见影。如果你也在使用ChatTTS时遇到了类似问题,不妨尝试一下本文的思路。欢迎大家在实践中探索更多有趣的规则,并分享你的经验和优化方案。

2600_94960034的博客 274

XML文件格式语法及DTD

转载地址http://www.cppblog.com/Lee7/archive/2009/06/28/88691.html XML文件格式语法及DTD  XML文件和HTML文件一样,实际上是一个文本文件。显然大家立刻就会明白,创建XML文件最普通的工具和HTML一样,就是“记事本”了。除了 “记事本”之外,当然还有一些更加方便的工具,如XML Notepad、XML Pr

dawnminghuang的专栏 1366

java 数字转换开发票大写格式_Java转化数字为大写人民币

/** 将小写的人民币转化成大写*/public static String convertToChineseNumber(double number){StringBuffer chineseNumber = new StringBuffer();String [] num={"零","壹","贰","叁","肆","伍","陆","柒","捌","玖"};String [] unit = {"...

weixin_36059241的博客 338
上一篇: VS2005快捷方式一览表
下一篇: Gridview中设置绑定字段的显示格式
denghai9921
博客等级 码龄11年 0粉丝 0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  | 博主筛选后可见
 
 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