Oracle数据库中分页排序

华为无线WiFi实战:基于802.1x与NPS的企业级认证部署指南 本文提供了一份详尽的华为无线WiFi企业级认证部署实战指南。通过整合802.1x协议与Windows NPS服务器,构建基于AD域账号的安全认证体系,彻底解决传统WiFi密码共享带来的安全风险。文章详细拆解了从NPS服务器配置、证书部署到华为AC端RADIUS模板、AAA方案、认证域及VAP模板调用的全流程,并附有终端连接测试与常见故障排查方法,助力企业实现高效、安全的无线网络接入管理。 阅读详情

Oracle分页的实现

Oracle中分页是使用rownum实现的,可以根据页数和每页条数限制rownum的取值范围.

house_info表信息

有下面一个表,表名是house_info,表结构如下:
表结构

分页

计算rownum的取值范围

rownum的取值范围跟页数和每页条数有关,同时也跟SQL语句中运算符有关.

假设每页条数pagesize为5,取第2页的数据,则rownum的取值范围为:
startIndex=(2-1)*5;
endIndex=2*5;

实现分页
select tmp.* from
    (select h.*,rownum rn from house_info h where rownum <= 10) tmp
where tmp.rn >5;

查询到的数据为:
第2页分页数据
其中,第一列是查询到的rownum的值,最后一列是子查询中rownum的值.

排序

如果是单纯的排序可以用order by来实现,且默认排序规则为asc升序,可以使用desc来设置排序规则为降序.

假设我们要按照房屋面积降序排列,我们可以这么写:

select h.* from house_info h order by area desc;

结果是:
面积最大的10条信息

分页排序

假设我们要得到按照面积area降序排序之后第2页的房屋信息,我们该怎么写?
我们也许会这么写:

select tmp.* from
    (select h.*,rownum rn from house_info h where rownum <= 10 order by area desc) tmp
where tmp.rn >5;

但是,这样的结果是:

面积降序错误示范

这跟我们的预期不一样,我们预期的数据是:

预期数据

为什么会出现这样的情况?

分页排序这里有一个注意事项,就是order by 之后,并不改变查询到的数据的rownum的值.

所以,这么写我们得到的是先查询到第2页的数据,接着对第2页的数据进行排序.

而我们需要做的是先对数据进行排序,然后得到第2页的数据.
那么我们就要对语句进行更改:

select temp.* from 
    (select tmp.*,rownum rn from
        (select h.* from house_info h order by area desc) tmp
    )temp
where temp.rn >5 and temp.rn <=10;

正确分页数据
这样得到的数据才是正确的数据.

总结:
注意在Oracle数据库中,使用order by 语句时,rownum的值并不会变化.如果要分页排序,需要多嵌套一层查询语句.

避开SM30维护视图的坑:自动更新字段+日志记录的5个关键配置步骤 本文深入解析了SAP ABAP开发中SM30维护视图的深度定制,聚焦于实现自动更新字段与日志记录功能。文章详细阐述了从SE54配置起点到核心编码的5个关键步骤,重点讲解了如何利用事件驱动模型(如05创建事件和01保存前事件)安全操作动态数据结构,并提供了避免常见陷阱的实用技巧,帮助开发者构建稳定可靠的自动化维护机制。 阅读详情

相关推荐

Cadence Sigrity PowerSI实战:从.brd到S参数提取的完整避坑指南

本文详细介绍了使用Cadence Sigrity PowerSI进行信号完整性分析的完整流程,从.brd文件预处理到S参数提取的关键技巧。通过实战案例和避坑指南,帮助工程师高效解决高速PCB设计中的信号质量问题,提升仿真精度和设计效率。

carrot的博客 695

oracle(三)-分页排序

目录 排序分页sql 不排序只分页sql: 总结 oracle的分页不像Mysql有limit可以分页,oracle的分页需要用到oracle自带的rownum伪列进行分页。 在没有排序没分页的情况下:select user_id,user_name,rownumfrom sec_users;结果如下: 但如果加上了排序如根据user_id进行排序之后,rownum就会被...

u010825931的博客 4473

AI 大模型在电商精准营销中的应用

例如,对于用户 A 和用户 B,通过比较他们对共同评价过的商品的评分差异来确定相似度。其中,(Gain(D,a))表示特征(a)对数据集(D)的信息增益,(Ent(D))表示数据集(D)的信息熵,(V)表示特征(a)的取值个数,(D^{v})表示特征(a)取值为(v)的样本子集。其中,(sim(A,B))表示用户 A 和用户 B 的相似度,(I)表示用户 A 和用户 B 共同评价过的商品集合,(R_{A,i})和(R_{B,i})分别表示用户 A 和用户 B 对商品(i)的评分。(三)营销活动效果预测。

alittlehippo的博客 1627

Oracle 分页查询,排序分页

【代码】Oracle 分页查询,排序分页。

JAVA老司机,热爱代码,技术卓绝。 666

Hifiasm参数调优实战:当N50不理想时的7个排查方向与解决方案

本文详细解析了Hifiasm参数调优实战,针对基因组组装中N50不理想的7个排查方向与解决方案。通过调整--hom-cov、-D、-N等核心参数,结合HiFi数据和参考基因组分析,有效提升组装质量。文章以猪毛菜基因组为例,展示了从2.1MB到4.3MB的N50优化过程,为生物信息学研究者提供实用指南。

weixin_30642561的博客 426

ES快速入门,一篇就懂!

Elastic Search 入门前言什么是搜索为什么常用数据库不适合做搜索什么是Lucene什么是Elastic SearchES核心概念ES使用正常启动索引​增删改查ES增加常见问题:ES删除ES查询欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的

qq1592的博客 9311

oracle排序怎么分页,Oracle高性能排序分页的方法

Oracle数据库没有像MSSQL中的Top,所以分页需要使用rownum。如果需要按某个字段排序后再分页,常常会出现分页混乱问题,因为排序后的rownum已经因为排序而被打乱了。很多人会使用嵌套SQL语句的方法分页,效率极低,经笔者试验,只需在order by 的字段上加主键或索引即可让oracle先按该字段排序。下面是一个分页的例子,分别列举了使用子查询低效率分页和高效分页:select * ...

weixin_30822467的博客 2488

UFS Write Booster技术解析:原理、配置与故障排查实战

在存储技术领域,缓存机制是提升I/O性能的核心手段之一,其原理是通过高速存储介质暂存数据,减少对低速主存储的直接访问,从而降低延迟、提升吞吐。Write Booster正是这一原理在UFS(通用闪存存储)规范中的具体实现,它通过引入独立的易失性高速缓存区(Write Booster Buffer),将主机写入命令快速响应与后台数据持久化分离,技术价值在于显著改善随机写入性能,消除由垃圾回收等后台操作引发的写入卡顿。该技术广泛应用于智能手机应用安装、相机连拍、固件升级(OTA)等对写入流畅性要求高的场景。本文

weixin_42561143的博客 357

Oracle中进行分页查询的三种方法

前言: 在mysql数据库中,可以很简单的使用limit实现分页查询,不过limit不能在Oracle中使用,不过Oracle中有替代品rownum,接下来使用rownum去实现表emp(Oracle中的scott用户自带的表)分页查询的功能 方法1: select * from (select rownum no,a.* from emp a) where no between (pageNo-...

qq_42449963的博客 3万+

069、自动曝光(AE)测光策略:全局/中心/点测光与曝光时间增益分配

本文深入探讨了自动曝光(AE)测光策略的技术细节与实际应用。作者通过多个真实案例(手机前置摄像头、车载ADAS、安防监控等)分析了全局测光、中心测光和点测光的优缺点,指出不同场景应采用不同策略。重点剖析了曝光时间与增益分配的"跷跷板效应",提出要根据传感器特性选择最优分配方案。文章强调测光策略应动态调整,并给出5条实用建议:结合场景切换测光模式、关注传感器增益拐点、点测光需防抖处理、全局测光不宜迷信、调试要观察亮度直方图。最后指出AE调试需要结合具体硬件特性进行实测优化,没有通用解决方案。

zzfmlxs的博客 103

基于 Verilog 的经典数字电路设计(10)三态门

三态门(Triple-State Gate)亦称 “三态输出门”、“三态门输出电路”,是一种重要的总线接口电路,具有高电平、低电平和高阻抗三种输出状态的门电路,不过我们通常在设计中比较少见。   三态指其输出既可以是一般二值逻辑电路,即正常的高电平(逻辑 1)或低电平(逻辑 0),又可以保持特有的高阻抗状态,高阻态相当于隔断状态(电阻很大,相当于开路)。

新芯设计的博客 1万+

Oracle中ROWNUM的使用技巧

  ROWNUM是一种伪列,它会根据返回记录生成一个序列化的数字。利用ROWNUM,我们可以生产一些原先难以实现的结果输出,但因为它是伪列的这个特殊性,我们在使用时也需要注意一些事项,不要掉入“陷阱”。下面就介绍一下它的使用技巧及注意事项。1         特殊结果输出利用ROWNUM,我们可以做到一些特殊方式的输出。1.1     Top N结果输出我们如果希望取输出结果的

笑忘书 1815

气象水文资料预处理:缺测数据插补延长等

简介气象水文资料预处理

WW、forever的博客 3773

oracle数据库分页查询慢,对于Oracle中分页排序查询语句执行效率的比较分析

对于Oracle中分页排序查询语句执行效率的比较分析作者:lzgame在工作中我们经常遇到需要在Oracle中进行分页、排序、查询的组合SQL语句,举例来说,通常我们会这样写:(假定表test中id是主键,并且id从1开始没有间断顺序排列)1.SELECT*FROM(SELECTid,a1,a2,a3,a4,a5,a6,a7,a8,a9,ROWNUMASrnFROMtestWH...

weixin_39702483的博客 492

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

oracle中分页和排序,Oracle 分页和排序功能在数据库中如何实现?

你知道在Oracle数据库中如何正确的实现Oracle 分页与排序功能的具体查询语句吗?实现手法上其和MS SQL Server会有所不同,主要原因是因为两种Oracle数据库中对于结果行号的处理异同造成的。在MS SQL Server中,可以使用top和ROW_NUMBER()方法的结合来实现,一般写法比较简单,而Oracle则有很大的不同。只能通过ROWNUM来实现,我们这里主要说明一下,如何...

weixin_42237487的博客 644

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Oracle数据库中分页查询中排序及效率问题

<br />原始未分页查询Sql代码如下:selectROWNUM rn,t. id ID, o.name YYB, u.name XM,t. MC from tZDYSX <br />t, tuser u, lborganization o wheret. cjr= u. id and u. orgid= o. orgcode andt. gx = 1 <br />orderby ID<br /> 结果如下:RNIDYYBXMMC349某证券总

wonderful的专栏 947

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")

oracle数据库分页查询慢,Oracle数据库中分页查询中排序及效率问题

原始未分页查询Sql代码如下:select ROWNUM rn, t.id ID, o.name YYB,u.name XM, t.MC from tZDYSXt,tuser u,lborganization o where t.cjr=u.id and u.orgid=o.orgcode and t.gx = 1order by ID结果如下:RNIDYYBXMMC349某证券总部管理员测试49...

weixin_35190276的博客 561

oracle中分页排序出现重复数据问题

oracle中分页查询同时进行排序,但出现重复数据,原因是使用的排序字段的数据不是唯一的,这和oracle分页排序机制有关,不能按照分页前的顺序显示分页后的顺序,具体原理没有细看,知道的且能用大白话说明白的可以留言。 解决办法:oracle分页排序必须满足的2个条件:(1、sql语句中必须有排序条件;2、排序条件如果没有唯一性,那么必须在后边跟上一个唯一性的条件,比如主键) ...

kane0409的博客 2565

对于Oracle中分页排序查询语句执行效率的比较分析

对于Oracle中分页排序查询语句执行效率的比较分析作者:lzgame在工作中我们经常遇到需要在Oracle中进行分页、排序、查询的组合SQL语句,举例来说,通常我们会这样写:(假定表test中id是主键,并且id从1开始没有间断顺序排列)1.SELECT*FROM(SELECTid,a1,a2,a3,a4,a5,a6,a7,a8,a9,ROWNUM...

weixin_34291004的博客 122

ORACLE分页查询SQL语法——最高效的分页

--1:无ORDER BY排序的写法。(效率最高) --(经过测试,此方法成本最低,只嵌套一层,速度最快!即使查询的数据量再大,也几乎不受影响,速度依然!) SELECT *   FROM (SELECT ROWNUM AS rowno, t.*           FROM emp t          WHERE hire_date BETWEEN TO_DATE

Honey_Potter的博客 9万+

oracle分页顺序错乱,oracle分页查询数据重复问题、分页排序陷阱

select *from (select rownum as rn, ab.*from (SELECT t.id,e.ehr_id,nh_code,name,sex,id_card,(to_number(to_char(sysdate, 'yyyy')) -to_number(to_char(birthday, 'yyyy'))) age,home_address,telephone,t.enab...

weixin_36262567的博客 2614

oracle进行order by排序,分页数据重复

Oracle的分页查询是没有进行任何排序操作的,Oracle是顺序的从数据块中读取符合条件的数据返回到客户端。 而Oracle的排序算法不具有稳定性,也就是说,对于排序键值相等的数据,这种算法完成排序后,不能保证这些键值相等的数据保持排序前的顺序。 数据库order by排序不唯一,的确会导致最终的数据排序是不是稳定的,表现出来的结果,就是分页时会重复显示; 建议在 ...

苍穹尘的博客 2204

oracle——列表分页查询(原理)

oracle 分页sql语句分析与测试

专注写bug 1239

分页查询原理oracle,Oracle中的SQL分页查询原理和方法详解

转载请注明出处:http://blog.youkuaiyun.com/anxpp/article/details/51534006,谢谢!本文分析并介绍Oracle中的分页查找的方法。Oracle中的表,除我们建表时设计的各个字段,其实还有两个字段(此处只介绍2个),分别是ROWID(行标示符)和ROWNUM(行号),即便我们使用DESCRIBE命令查看表的结构,也是看不到这两个列的描写的,由于,他们实际上是...

weixin_39700063的博客 306

Oracle数据库order by排序查询分页比不分页还慢问题解决办法

Oracle数据库order by排序查询分页比不分页还慢问题解决办法

专注于Java技术、软件架构设计、数据分析 4138

oracle数据库分页字段,分页显示Oracle数据库记录的类之一

分页显示Oracle数据库记录的类之一更新时间:2006年10月09日 00:00:00 作者:<?php/*********************************************TOracleViewPagev 2.0日期:2000-9-23分页显示Oracle数据库记录的类更新日期:2000-10-19增加显示TopRecord的功能,允许第一页显示的记录数与其它页不同。...

weixin_30654137的博客 217
上一篇: 可变参数
github_34013496
博客等级 码龄11年 1粉丝 14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