C++ Builder VCL库函数简介(1)

用C++Builder 6编写VCL控件 用C++Builder 6编写VCL控件warton 2002.12西安   如今天使用Borland的开发工具的程序员越来越多了,许多程序员开始从VC++,BC++等工具转向C++Builder(以下简称BCB  即Borland C++Builder) 和 Delphi。要使用这两种开发工具,你就要用到VCL(Visual Component Library 可视化控件库)。关 阅读详情

一.BORLAND C++ BUILDER VCL的内存管理函数

  1. AllocMem
  在队中分配指定字节的内存块,并将分配的每一个字节初始化为 0.函数原型如下:
  void * __fastcall AllocMem(Cardinal Size);

  2. SysFreeMem
  释放所指定的内存块.函数原型如下:
  int __fastcall SysFreeMem(void * P);

  3. SysReallocMem
  要求重新分配参数Size所指定的内存.函数原型如下:
  void * __fastcall SysReallocMem(void * P , int Size);

  二.Borland C++ Builder VCL的文件操作函数

  1. FileOpen
  打开指定的文件,如果返回为正数,表示操作成功,返回值为文件句柄:如果返回值为-1,表示操作失败,函数原型如下:
  int __fastcall FileOpen(const System::AnsiString FileName,int Mode);

  2. FileCreate
  以指定的文件名称创建一个新的文件,如果返回为正数,表示操作成功,返回值为文件句柄,如果返回值为-1,表示操作失败.函数原型如下:
  int __fastcall FileCreate(const System ::AnsiString FileName);

  3. FileRead
  从文件中读取指定字节的数据到缓冲区中,函数返回实际读取的字节数,函数原型如下;
  int __fastcall FileRead(int Handle,void *Buffer,int Count);

  4. FileWrite
  将缓冲区的数据写入到指定的文件的当前位置中去如果操作成功,函数返回实际写入的字节数,如果返回为-1,则表示操作产生错误,函数原型如下:
  int __fastcall FileWrite(int Handle,const void *Buffer,int Count);

  5. FileSeek
  调整文件指针到新的位置,如果操作成功,则返回新的文件位置,如果操作失败,则函数返回-1,函数原型如下:
  int __fastcall FileSeek(int Handle,int Offset,int Origin);

  6. FileClose
  关闭指定的文件,函数原型如下:
  void __fastcall FileClose(int Handle);

  7. FileAge
  返回指定文件的时间标签,如果操作失败,则返回-1,函数原型如下:
  int __fastcall FileAge(const System::AnsiString FileName);

  8. FileExists
  用于测试指定的文件是否存在,如果存在返回真,否则返回假,函数原型如下:
  bool __fastcall FileExists(const System::AnsiString FileName);

  9. FileGetDate
  返回指定文件的DOS时间标签,如果操作失败,则近回-1,函数原型如下:
  int __fastcall FileGetDate(int Handle);

  10.FileSetDate
  更改指定文件的DOS时间标签,如果操作成功,返回0,否则返回错误代码,函数原型如下:
  int __fastcall FileSetDate(int Handle,int Age);

  11.FileGetAttr
  返回指定文件的属性,如果操作失败,则函数返回-1,函数原型如下;
  int __fastcall FileGetAttr(const System::AnsiString FileName);

  12.FileSetAttr
  更改指定文件的属性参数,如果操作成功,则返回0,函数原型如下;
  int __fastcall FileSetAttr(const System::AnsiString FileName,int Attr);

  13.FindFirst
  在指定的文件目录内,搜寻符合特定属性参数的文件,如果成功地查找到符合条件的文件,
  则函数返回0,否则函数返回一个错误代码,函数原型如下:
  int __fastcall FindFirst(const System::AnsiString Path,int Attr,TSearchRec &;F);

  14.FindNext
  继续搜寻FindFirst所指定属性参数的文件,如果成功地查找到符合条件的文件,则函数返回0,否则函数返回一个错误代码,函数原型如下:
  int __fastcall FindNext(TSearchRec &;F);

  15.FindClose
  释放FindFirst操作所申请的内存资源,函数原型如下:
  void __fastcall FindClose(TSearchRec &;F);

  16.DeleteFile
  在计算机磁盘中删除指定的文件,如果操作成功,则函数返回真,函数原型如下:
  bool __fastcall DeleteFile(const AnsiString FileName);

  17.RenameFile
  更改指定文件的名称,如果操作成功,则函数返回真,函数原型如下:
  bool __fastcall RenameFile(const AnsiString OldName, const AnsiString NewName);

  18.ChangeFileExt
  更改指定文件的扩展名,函数原型如下:
  AnsiString __fastcall ChangeFileExt(const AnsiString FileName,const AnsiString Extension);

  19.ExtractFilePath
  返回指定文件的工作路径,函数原型如下:
  AnsiString __fastcall ExtractFilePath(const AnsiString FileName);

  20.ExtractFileDir
  返回指定文件的工作目录,函数原型如下:
  AnsiString __fastcall ExtractFileDir(const AnsiString FileName);

  21.ExtractFileDrive
  返回指定文件的驱动器,函数原型如下:
  AnsiString __fastcall ExtractFileDrive(const AnsiString FileName);

  22.ExtractFileName
  返回指定文件的文件名及扩展名,函数原型如下:
  AnsiString __fastcall ExtractFileName(const AnsiString FileName);

  23.ExtractFileExt
  返回指定文件的扩展名,函数原型如下:
  AnsiString __fastcall ExtractFileExt(const AnsiString FileName);

C++Builder组件大全深入解析:GUI组件详解与应用 本文还有配套的精品资源,点击获取 简介:《C++Builder组件大全》详细介绍了VCL组件库,这是C++Builder中用于构建GUI桌面应用的核心资源。本书分步骤讲解了VCL的基本概念、主要组件类型及其属性、方法和事件。从TObject基类开始,书中探讨了包括按钮、编辑框、表格、菜单等多种预定义组件的定制和事件处理。更深入地,它还涉及到了树形视图、列表视图、菜单系统和定... 阅读详情

相关推荐

c++builder 2010 atl库 头文件和lib

c++builder 2010 后 atl库都不带,只用使用本资源才能使用 ATL库 使用COM或 CComPtr 必备头文件和lib

c++ cpp和hpp

 首先,我们可以将所有东西都放在一个.cpp文件内,编译器会将这个.cpp编译成.obj,即编译单元。一个程序可以由一个编译单元组成,也可以由多个编译单元组成。一个.cpp对应一个.obj,然后将所有的.obj链接起来(通过一个叫链接器的程序),组成一个.exe,即程序。如果一个.cpp要用到另一个.cpp定义的函数怎么办,只需在这个.cpp中写上它的函数声明。 链接器将所有的obj链接起来,但是...

weixin_34362790的博客 927

Geant4 学习笔记(一):实现multi-thread多线程

简单修改实现Geant4多线程

weixin_52417815的博客 6087

c++学习笔记

一、关于调试(工具c++ builder) 1.f8单步调试,f5设置断点2.如果无法通过编译,单步调试也无法进行。3.f4可以直接调试到光标处,可以跳着调试,比一直按着f8调试要快些,看个人需求二、c++ builder开始最简单的cpp程序new-console wizard,然后把源代码写在#pragma argsused后(把int main()那几行删除),在main()最后

oywoywoyw的专栏 857

ESP32蓝牙配网实战:微信小程序中的blufi协议实现与优化

本文详细介绍了在微信小程序中实现ESP32蓝牙配网的实战经验,重点解析了blufi协议的应用与优化。内容涵盖从开发环境配置、协议帧格式解析,到小程序端蓝牙通信、数据转换的核心步骤,并提供了配网状态机设计、错误处理及性能调优等进阶方案,旨在帮助开发者高效、稳定地完成物联网设备配网功能开发。

weixin_29159613的博客 460

scanpy单细胞转录组python教程(四):单样本数据分析之降维聚类及细胞注释

本文介绍了使用scanpy进行单细胞转录组分析的降维聚类和细胞注释流程。首先通过PCA降维并可视化主成分贡献,然后使用不同分辨率参数(0.2-1.0)进行Leiden聚类。通过Wilcoxon检验鉴定marker基因,并基于经典marker基因手动注释细胞类型。最后对低质量细胞群进行过滤,并重新计算邻居图和UMAP可视化。流程中包含PCA方差分析、多分辨率聚类比较、marker基因筛选和基于UMAP的细胞类型可视化等关键步骤,为后续分析奠定基础。

qq_42090739的博客 944

通过预编译头文件来提高C++ Builder的编译速度

C++ Builder是最快的C++编译器之一,从编译速度来说也可以说是最快的win32C++编译器了。除了速度之外,C++builder的性能也在其它C++编译器的之上,但许多Delphi程序员仍受不了C++builder工程的编译速度。的确,delphi的速度要比任和c++的编译器都要快好多。Delphi在编译一个小工程的时候可能不到一秒,大的工程一般也在5秒钟这内编译完成了。   为什

xiexievv的专栏 2113

高德地图+Three.js实战:手把手教你打造数字农场3D可视化大屏(附完整源码)

本文详细介绍了如何利用高德地图JS API与Three.js技术栈,构建一个功能强大的数字农场3D可视化大屏。文章从技术选型、架构设计出发,深入讲解了坐标对齐、图层管理、性能优化等核心工程实践,并提供了完整的模块化代码示例,旨在为智慧农业及类似场景的3D地理可视化项目提供一套可复用的解决方案。

k8s6orchestrator的博客 890

C++ Builder VCL库函数简介(1) 选择自 extcsdn 的 Blog

C++ Builder VCL库函数简介(1) 选择自 extcsdn 的 Blog 关键字 C++ Builder VCL库函数简介(1) 出处 一.BORLAND C++ BUILDER VCL的内存管理函数  1. AllocMem  在队中分配指定字节的内存块,并将分配的每一个字节初始化为 0.函数原型如下:  ...

weixin_30508309的博客 107

ARCGIS绘制全国各省PM2.5浓度图操作步骤

ArcGIS新手小白一枚,经常需要帮助老师绘制一些简单的空间图,利用ArcGIS绘制全国各省的pm2.5浓度图,简单又方便,不记下来会忘记~

weixin_43458484的博客 1万+

手把手教你学PCIE(2.1.23)--PCIe基本概念:链路速率协商

链路速率协商是一个多步骤的过程,确保发送端和接收端之间的链路速率设置一致。通过初始化链路速率寄存器、发送和接收 TS2 序列、检测链路对端的存在、交换链路速率信息、确定最大链路速率和配置链路速率,可以确保 PCIe 设备之间的数据传输速度最大化,从而提高数据传输效率。初始化链路速率寄存器:设置支持的最大链路速率。发送和接收 TS2 序列:检测链路对端的存在。交换链路速率信息:发送和支持的最大链路速率。确定最大链路速率:选择最小值作为最终链路速率。配置链路速率:更新链路速率寄存器。

MHD0815的博客 1817

C++ Builder VCL库函数简介

一.BORLAND C++ BUILDER VCL的内存管理函数  1. AllocMem  在队中分配指定字节的内存块,并将分配的每一个字节初始化为 0.函数原型如下:  void * __fastcall AllocMem(Cardinal Size);  2. SysFreeMem  释放所指定的内存块.函数原型如下:  int __fastcall SysFreeMem(void * P)

键者天行 7355

2、实时DSP编程技术及其应用

本文详细介绍了实时数字信号处理(DSP)技术及其应用,涵盖三种流行的浮点DSP处理器系列的特点、开发工具和优化方法。通过具体的应用实例,如语音压缩、音乐信号处理和雷达信号处理,展示了如何在实际项目中应用这些技术,帮助工程师提高系统的性能和可靠性。

cicd6pipeline的博客 840

C++ Builder VCL库函数简介(3)

       五.Borland C++ Builder VCL的数值转换函数  1. IntToStr  将整数转换为AnsiString字符串,函数原型如下:  AnsiString __fastcall IntToStr(int Value);  2. IntToHex  将整数转换为十六进制字符串,函数原型如下:  AnsiString __fastcall IntToHex(int Va

游乐园 1233

Android OTA 更新面试题及参考答案

OTA 更新即空中下载技术(Over-the-Air Technology)更新,是一种通过无线网络对移动设备的系统软件或应用程序进行远程更新的技术手段。其原理是设备通过移动网络或 Wi-Fi 连接到服务器,服务器检测设备上可更新的软件版本,当有新的版本时,将更新包发送到设备上。设备接收后,在后台自动完成更新包的下载、安装等一系列操作,无需用户手动下载完整的系统镜像或应用安装包并通过数据线等方式进行安装。例如,当手机厂商推出新的安卓系统版本或安全补丁时,就会通过 OTA 方式推送给用户。

大模型大数据攻城狮的专栏 1631

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

C++ Builder VCL库函数简介(2)

四.Borland C++ Builder VCL的字符串函数  1. UpperCase  将指定的AnsiString字符串转换为大写形式,函数原型如下:  AnsiString __fastcall UpperCase(const AnsiString S);  2. LowerCase  将指定的AnsiString字符串转换为小写形式,函数原型如下:  AnsiString __fast

御风而翔 725

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

[原创]“C++ Builder 12 VCL“与“VC++ 2022 MFC“界面开发的细节极致拉扯, 最终“C++ Builder 12 VCL“击败对手.

C++ Builder 12的界面开发效率毫无人性的碾压VC++ 2022 MFC. C++ Builder 12只需一个拉控件步骤, 就自动完成对控件ID的命名和类绑定, 根本不需要像VC++ 2022 MFC这样愚蠢的手动方式去初始化一个控件的绑定信息. 另外代码更是非常的简练, 直接"="赋值, 就完成了char*的复杂转换. 但是VC++ 2022 MFC完全做不到, 需要显式的一层层转换.

其实我不是代码教父,我只是猪头三 1555

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")

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

C++Builder的基本功能

C++Builder的基本功能 我们用高级语言写程序,我们很得意,因为高级语言比较接近人类的语言,使我们用起来得心应手,所以我们当然得意。但我们更得意的一定是让程序代码赶快变成可执行文件。 无论是在写代码的过程,还是最后要编译成可执行文件,都需要有一个工具存在。这一工具一般称为编程集成环境(IDE)。...

huang714的专栏 1万+

深入C++ Builder之编写自己的元件-深入分析VCL继承、消息机制(1)

这篇文章提及内容可能大家已经在很多地方看到过了,作者也是如此,只不过还看了很多VCL源代码,加上自己实际编写元件的经验,拼凑了这么一篇文章。所以所有言论都是个人观点、经验的描述,仅供参考。你可转载,拷贝,但必须加入作者署名Aweay,如果用于商业目的,必须经过作者同意。系统要求如果你想一起跟着做的话,那么你应该看看这里,否则你可以直接跳过。C++ Builder6 + updata4 

Siney的BlOG http://www.sineysoft.com 2621

vcl库函数

vcl库函数 作者: ---------- ,如转载请保证本文档的完整性,并注明出处。欢迎光临 C++ Builder 研究,http://www.ccrun.com/doc/go.asp?id=114//----------------------------- Suntenghe 整理--------------------1.内存分配2.文件操作3.磁盘目录管理4.字符串操作5.类型转换6

Victor's Blog 1158
上一篇: BCB之Socket通信
下一篇: C++ Builder VCL库函数简介(3)
Rex_love_Burger
博客等级 码龄23年 13粉丝 47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