黑马程序员_正则表达式学习笔记

让 ABAP 程序天生可翻译:Text Symbols 与 Text Pool 从入门到工程化落地 ABAP 国际化实践:Text Symbols 的工程价值与落地方法 摘要: 本文系统阐述了 ABAP 开发中 Text Symbols 的核心价值与实践方法。通过解耦程序逻辑与语言文本,Text Symbols 实现了代码国际化,避免了硬编码带来的维护难题。文章详细介绍了 Text Pool 结构、两种引用方式(独立引用 TEXT-001 和附着式 '(001)'),以及 SE38 和 SE63 的翻译流程。特别强调最大长度预留、术语统一等工程实践,并提供了 READ TEXTPOOL 自动化检查方案。最 阅读详情

----------------------ASP.Net+Android+IOS开发.Net培训、期待与您交流! ----------------------   

package day25;
/*
 * 正则表达式:符合一定规则的表达式
 * 		作用:用于专门操作字符串
 * 		特点:用一些特定的符号来表示一些代码操作,这样就简化书写。
 * 		所以学习正则表达式就是在学习一些特殊符号的使用。
 * 		好处:可以简化对字符串的复杂操作。
 * 
 * 具体操作功能:
 * 1、匹配:
 * 		String  matches()方法。用规则匹配整个字符串,只要有一次不符合规则
 * 			就结束匹配。
 * 
 * 
 */
public class RegexDemoA {

	/**
	 * @param args
	 */
	public static void main(String[] args) {
		// TODO Auto-generated method stub
		checkTel();
		//checkQQ();
		//checkQQ_1();
	}
	//使用正则表达式匹配手机号 13xxxx,15xxxxx  18xxxxx
	public static void checkTel(){
		String tel="13862354521";
		String reg="[1][358][0-9]{9}";
		boolean b=tel.matches(reg);
		if(b){
			System.out.println("Tel="+tel);
		}
		else{
			System.out.println("电话号码格式错误!");
		}
	}
	//使用正则表达式校验qq号码
	public static void checkQQ(){
		String qq="54646515";
		String regex="[1-9][0-9]{4,14}";
		boolean flag=qq.matches(regex);
		if(flag){
			System.out.println("qq: "+qq);
		}
		else{
			System.out.println("qq格式错误!");
		}
	}
	
	/*
	 * 对QQ号码进行校验
	 * 要求:5~15   0不能开头   只能是数字
	 * 
	 */
	//这种方式,使用了String类中的方法,进行组合完成了需求,但是过程比较复杂
	public static void checkQQ_1(){
		String qq="123454574";
		int len=qq.length();
		if(len>=5 && len<=15){
			if(!qq.startsWith("0")){ //Integer.parseInt("123")
				//简单的校验非法字符串的方法
				try{
					long l=Long.parseLong(qq);
					System.out.println("qq "+qq);
				}catch(NumberFormatException e){
					System.out.println("出现非法字符!");
				}
				//复杂的校验非法字符串的方法
				/*
				char [] arr=qq.toCharArray();
				boolean flag=true;
				for(int x=0;x<arr.length;x++){
					if(!(arr[x]>='0' && arr[x]<='9')){
						flag=false;
						break;
					}
				}
				if(flag){
					System.out.println("qq: "+qq);
				}
				else{
					System.out.println("出现非法字符!");
				}
				*/
			}
			else{
				System.out.println("不能以0开头!");
			}
		}
		else{
			System.out.println("长度错误!");
		}
	}
}

---------------------- ASP.Net+Android+IOS开发.Net培训、期待与您交流!  ----------------------

数学建模算法案例精讲500篇-【深度强化学习】深度确定性策略梯度(DDPG)(附MATLAB和python代码实现) 它是一种学习连续动作的无模型策略算法。它结合了DPG(确定性策略梯度)和DQN(深度Q网络)的思想。它利用DQN中的经验重放和延迟更新的目标网络,并基于DPG,可以在连续的动作空间上运行。# 用于生成带有噪声的动作def __init__(self, action_space, mu=0.0, theta = 0.15, max_sigma = 0.3, min_sigma = 0.3, decay_period = 100000):#decay_period要根据迭代次数合理设置# 均值 mu。 阅读详情

相关推荐

中国 it 集成商 主要有哪些 主要做什么工作

既要懂技术(云计算/AI),又要吃透行业(金融/政务)。:用国产化方案(麒麟OS+达梦数据库)替换Oracle/Windows。:如为银行搭建数据中心(采购华为服务器+思科交换机)。:数据中心监控、故障处理(如华胜天成服务国家电网)。:核心交易系统(如中科软为保险公司开发精算平台)。:智慧城市(如太极股份承建“一网通办”政务平台)。:HIS医院信息系统(如东华软件的电子病历系统)。:硬件透明化(如服务器价格战)压缩集成毛利。:工厂设备联网(新华三的工业互联网平台)。

hxsln11的博客 3035

黑马程序员—正则表达式学习笔记

------- Windows Phone 7手机开发、.Net培训、期待与您交流! -------           最近在学习的过程中碰到了一些诸如:找出纯文本中的网址,并为其加上超链接(比如把http://www.test.com替换为 http://www.test.com);规定用户名只能由数字,字母,下划线组成,且不能由数字开头,等相当头疼的问题,直到我认识了正则表达式。用正

toochao的专栏 624

【卫星语音通信】神经网络语音编解码算法:AudioDec

最新研究表明,通过深度学习模型对语音信号进行智能压缩与重建,可在12 kbps码率下实现48 kHz采样率的高保真语音还原,其主观音质评分(MOS)可达3.9分(满分4.27分),远超传统参数编码技术。这意味着未来卫星电话的通话质量有望达到CD级水准,而蜂窝网络的语音业务带宽需求可降低60%以上,为蜂窝和卫星网络中的大规模物联网语音交互铺平道路。它的诞生为神经音频编解码技术带来了一次重要升级,有助于让未来实时语音交互更流畅、更清晰,也让我们进一步体验到人工智能与音频信号处理结合所带来的创新可能性。

u011376987的博客 1472

黑马程序员:正则表达式学习笔记

---------------------- android培训、java培训、期待与您交流! ---------------------- 正则表达式:符合一定规则的表达式。作用是用于专门操作字符串,可以简化对字符串的复杂操作。 特点:用一些特定的符号来表示一些代码操作,这样就可以简化书写。 好处:可以简化对字符串的复杂操作。 弊端:符号定义越多,正则越长,阅读性越差。 总结:到

黑马程序员-王睿学习博客 772

【C++】C++异常语法、使用、规范、异常安全及异常的优缺点

实际中我们可以可以去继承exception类实现自己的异常类。但是实际中很多公司像上面一样自己定义一套异常继承体系。因为C++标准库设计的不够好用。如果有一个块抛出一个异常,捕获异常的方法会使用 try 和 catch 关键字。try 块中放置可能抛出异常的代码,try 块中的代码被称为保护代码。C++ 提供了一系列标准的异常,定义在 中,我们可以在程序中使用这些标准的异常。异常是一种处理错误的方式,

weixin_51692487的博客 1524

学习海康VisionMaster之BLOB分析

6):软阈值(相对):是一种动态阈值分割方法,其核心思想是 基于图像局部特性(如背景或参考区域)自适应调整阈值范围,适用于光照变化明显、背景灰度不均的场景。3:拖入位置修正功能:这个非常重要,模版匹配成功后会得到新的匹配坐标,那和创建模版时候的原点坐标会组合成一个坐标变换矩阵,通过这个矩阵,那后续的blob分析窗口则可以实现精确定位来查找目标对象。(2):设定参数:这里阈值方式是blob的核心算法,根据不同的应用场景来选择不同的阈值方式。8:高级参数:是设定blob区域的特征范围,用于筛选出来特定的区域。

yuhouxiyang的专栏 3619

黑马程序员 java学习笔记——正则表达式

正则表达式的特点

PleaseCallMeWisely的专栏 592

海康安防平台接口调试指南:从签名生成到Vue项目集成

本文详细解析了海康安防平台接口认证规则,从签名生成到Vue项目集成的完整流程。通过核心机制解析、签名工具使用技巧及Vue项目中的优雅集成方案,帮助开发者高效完成接口调试,避免常见问题。特别适合需要将海康安防平台接口集成到Vue项目中的开发者参考。

weixin_42533120的博客 438

黑马程序员 JAVA学习笔记 —— 正则表达式

android培训、java培训、期待与您交流!  android培训、java培训、期待与您交流!

Dunamis的专栏 493

《ESP32单片机基础入门》第2章:开发环境搭建

【代码】《ESP32单片机基础入门》第2章:开发环境搭建。

2301_79143213的博客 581

海思SD3403,SS928/926,hi3519dv500,hi3516dv500移植yolov7,yolov8(1)

海思SS928,SS926以及Hi3519dv500,hi3516dv500下的yolov7模型部署推理系列

Littro Innovations 3084

【黑马程序员】 学习笔记 - Java正则表达式

----------------------android培训、java培训、期待与您交流!---------------------- Java正则表达式 一  概述: 1.概念: 正则表达式(英语:Regular Expression、regex或regexp,缩写为RE),也译为正规表示法、常规表示法,在计算机科学中,是指一个用来描述或者匹配一系列符合某个句法规则

一只彼尔德的专栏 811

ROSTEA软件下载及情感分析详细操作教程(附网盘链接)

原ROST虚拟团队出品的ROST系列文本内容挖掘分析平台,是辅助人文社会科学研究的免费计算平台。该软件可以实现文本预处理、分字、分词、词性识别、特殊名词抽取、词频统计、英文词频统计、情感计算、分类算法、聚类算法等一系列文本挖掘,是人文社科研究和论文写作的一把利器。该软件用户量超过一万人,遍布海内外100多所大学,包括剑桥大学、日本北海道大学、北京大学、清华大学、香港城市大学、澳门大学等众多高校。关于ROSTCM6的安装介绍可以参考之前的文章ROSTCM6软件下载及语义网络分析详细操作教程ROST EA。

m0_64336780的博客 1万+

黑马程序员——java学习笔记--正则表达式

正则表达式可以方便的对数据进行匹配,可以执行更加复杂的字符串验证、拆分、替换等操作。 例如:现在要去判断一个字符串是否由数字组成,则可以有以下的两种做法 不使用正则表达式 [java] view plaincopy public class T {       public static void main(String[] args) {

a121552497的博客 433

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

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

黑马程序员-java学习笔记-正则表达式

---------------------- android培训、java培训、期待与您交流! ---------------------- 正则表达式,就是用于专门操作字符串,用特定符号来表示一些代码操作,简化书写,提高编码效率。 所以我们学习正则表达式,就是要学习特定符号。 这里有个需求:对QQ号码进行校验,要取5~15位,0不能开头,只能是数字。 如果用传统方法的话,思路就是

u010024988的专栏 677

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

黑马程序员_学习笔记:17) 正则表达式

---------------------- ASP.Net+Unity开发、.Net培训、期待与您交流! ----------------------    正则表达式:★★★☆,其实是用来操作字符串的一些规则。 好处:正则的出现,对字符串的复杂操作变得更为简单。 特点:将对字符串操作的代码用一些符号来表示。只要使用了指定符号,就可以调用底层的代码对字符串进行操作。符号的出现,简化了代

awangk2的专栏 415

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")

黑马程序员---正则表达式学习笔记

正则表达式学习笔记 (一)正则表达式:符合一定规则的表达式。作用:用于专门操作字符串。 (二)匹配手机号: package cn.cx.regex.study; publicclass Demo01 {     publicstaticvoid main(String[] args) {         String str = "14823451230";         St

qq_27900399的博客 489

黑马程序员-正则表达式学习笔记

ASP.Net+Android+IO开发S、.Net培训、期待与您交流! 正则表达式:符合一定规则的表达式。        作用:用于专门操作字符串。        特点:用于一些特定的符号来表示一些代码操作。这样就简化书写。        所以学习正则表达式,就是在学习一些特殊符号的使用。        好处:可以简化对字符串的复杂操作。        弊端:符号定义越多,正则越长,

u010962965的专栏 658

黑马程序员java学习笔记——正则表达式、反射

正则表达式     正则表达式是一个用来描述或者匹配一系列符合某个句法规则的字符串的表达式,也就是符合一定规则的表达式,操作字符串有很多方法,但是这些方法操作起来太简单,组合起来操作复杂数据,代码过多,而对字符串进行操作既便捷又简单的方式就是正则表达式。     作用:用于操作字符串。     特点:用特定符号表示一些代码操作,这样可以简化书写。     好处:可以简化对字符串的复杂操作。

魏天翔的博客 860

黑马程序员--正则表达式学习笔记

---------------------- ASP.Net+Android+IO">http://edu.youkuaiyun.com"target="blank">ASP.Net+Android+IO开发S、.Net">http://edu.youkuaiyun.com"target="blank">.Net培训、期待与您交流! ---------------------- 正则表达式:符合一定规则的表达式。

u010741738的专栏 603

"黑马程序员"学习笔记之正则表达式

---------------------- Windows Phone 7手机开发、.Net培训、期待与您交流! ---------------------- c#正则表达式  注意:如果提示转义错误 在正则表达式前面加入@转义符号  如果获取正则表达式 方法1:软件RegexBuddy 方法2:.net自带验证控件RegularExpressionvalida

mengzhongfuoing的专栏 295

黑马程序员_Java正则表达式学习笔记

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- Java正则表达式常用总结 1。^\d+$  //匹配非负整数(正整数 + 0) 2。^[0-9]*[1-9][0-9]*$  //匹配正整数 3。^((-\d+) ?(0+))$  //匹配非正整数(负整数 + 0) 4。^-[0-9]*[1-9]

pupilguan的专栏 381

黑马程序员 java学习笔记--正则表达式

---------------------- android培训、java培训、期待与您交流! ----------------------package cn.oyb.ce; import java.util.regex.*; public class Test2 { /** * @param args */ public static void main(String[] ar

oybgood1988的专栏 710

黑马程序员_学习笔记第25天——正则表达式

1、正则表达式:符合一定规则的表达式 作用:用于专门操作字符串 特点:用于一些特定的符号来表示一些代码操作,这样就简化书写。 好处:可以简化对字符串的复杂操作。 弊端:符号定义越多,正则越长,阅读性越差 2、具体操作功能: 匹配:String  matches方法,用规则匹配整个字符串,只要有一处不符合规则,就匹配结束,返回false 切割:String  split() 替换:S

u012573336的专栏 743

黑马程序员_学习笔记第24天——正则表达式

---------------------- ASP.Net+Android+IOS开发、href="http://edu.youkuaiyun.com"target="blank">.Net培训、期待与您交流! ---------------------- 1、正则表达式:符合一定规则的表达式 作用:用于专门操作字符串 特点:用于一些特定的符号来表示一些代码操作,这样就简化书写。

u013662908的专栏 603

黑马程序员--学习笔记-正则表达式总结

正则表达式语法:

237
上一篇: jsp开发模式和web计算器
下一篇: 黑马程序员_经典死锁_学习笔记
escdelete
博客等级 码龄14年 37粉丝 69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