Linux上jmeter-server启动失败

JMeter启动报错“找不到Java”的完整排查与解决方案 Java环境变量配置是Java应用运行的基础,其原理是通过操作系统提供的路径查找机制,定位Java运行时环境(JRE)或开发工具包(JDK)。正确的环境变量设置对于保障基于Java开发的各类工具和应用的稳定启动至关重要,尤其在自动化测试、持续集成等工程实践场景中。Apache JMeter作为一款广泛使用的性能测试工具,其启动过程高度依赖JAVA_HOME和PATH等环境变量的正确配置。当出现“Not able to find Java executable or version”错误时,通常意味着环境变量 阅读详情

贴个广告

楼主的博客已全部搬迁至自己的博客,感兴趣的小伙伴请移步haifeiWu与他朋友们的博客专栏

Jmeter-server启动失败:Cannot start. Unable to get local host IP address. is a loopback address

在Windows下启动Jmeter非常顺利,转到Linux下居然启动失败。根据抛出的异常的信息来看,这个跟ip有关。
不出意料,果然是这个问题。

127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
::1 localhost localhost.localdomain localhost6 localhost6.localdomain6

根据异常的大意可知,应该是hostname与localhost不一致导致的,所以,使用hostname命令查看用户名,果然是不一致的我linux机器的hostname为v3因此将上述改为下面的就可以了。


127.0.0.1 localhost localhost.localdomain localhost4 localhost4.localdomain4
10.2.250.203 v3.rdev.tal.net v3
::1 localhost localhost.localdomain localhost6 localhost6.localdomain6

由/etc/hosts文件导致启动失败的错误有:

1,
Created remote object: UnicastServerRef [liveRef: [endpoint:[10.20.10.31:38796](local),objID:[-b0d822e:12794fee8b1:-7fff, 8314597152635832475]]]
Server failed to start: java.rmi.RemoteException: Cannot start. Unable to get local host IP address.
2,
Created remote object: UnicastServerRef [liveRef: [endpoint:[10.20.10.31:38796](local),objID:[-b0d822e:12794fee8b1:-7fff, 8314597152635832475]]]
Server failed to start: java.rmi.RemoteException: Cannot start. Unable to get local host IP address.
Jmeter启动报错找不到Java?三步排查与终极解决方案 Java环境配置是软件开发和性能测试的基础,其核心原理在于Java虚拟机(JVM)为应用程序提供跨平台的运行环境。在性能测试领域,JMeter作为主流的开源负载测试工具,完全基于Java开发,必须依赖正确的Java运行时环境才能启动。当系统环境变量配置不当、Java安装路径未被识别或存在多版本冲突时,就会出现经典的“Not able to find Java executable”错误,导致测试工作流中断。本文聚焦于**环境变量配置**与**版本兼容性**这两个关键热词,通过系统级验证、启动脚本解析和版本管 阅读详情

相关推荐

Jmeter启动报错“找不到Java”的完整解决方案与原理剖析

Java环境配置是运行众多Java应用的基础,其核心在于JAVA_HOME与PATH环境变量的正确设置。JAVA_HOME指向JDK安装根目录,为应用提供标准的Java运行时定位;PATH则确保系统能在任何位置通过命令行调用java等可执行文件。理解这一原理对于解决各类Java桌面应用的启动问题至关重要,尤其在自动化测试与性能压测领域。Apache JMeter作为一款广泛使用的纯Java性能测试工具,其启动过程完全依赖于此环境。当出现“Not able to find Java executable”报错

coolmsn8786的博客 366

JMeter混合分布式压测环境搭建:跨Linux/Windows实战指南

性能测试是软件质量保障的关键环节,其核心原理是通过模拟真实用户并发请求来评估系统在高负载下的表现。分布式压测技术通过多台机器协同工作,突破了单机资源瓶颈,能够生成更接近真实场景的海量负载,从而获得更准确的性能数据。这项技术在微服务、高并发Web应用等场景中具有重要价值。本文聚焦于JMeter这一主流开源压测工具,深入解析其基于RMI通信的分布式架构,并针对实际工作中常见的异构环境,详细演示如何搭建一个同时包含Linux和Windows节点的混合分布式压测集群,涵盖网络防火墙配置、关键参数调优以及常见问题排查

weixin_42522669的博客 270

移相变压器Simulink建模与HVDC系统仿真实践

移相变压器是电力电子领域实现精确相位调节的核心设备,其通过特殊绕组设计改变输出电压相位角,在解决环网潮流不均、阻尼功率振荡等场景具有关键作用。本文基于MATLAB/Simulink环境,详细解析移相变压器的建模原理与技术实现,包括磁路耦合特性模拟、参数计算方法和控制策略设计。针对HVDC高压直流输电和FACTS柔性交流输电系统等典型应用,提供仿真模型搭建技巧与问题排查指南,特别涵盖新能源并网场景下的相位调节优化方案。通过实测数据验证,所建模型在稳态精度和动态响应方面均满足工程要求,为电力系统稳定性分析提供有

weixin_28278377的博客 274

Linux环境下Jmeter 报错:Unable to get local host IP address

主要是没有在host中配置本机ip hostname查看本机名 [root@test task]# hostname test [root@test task]# 打开 [root@test task]# vim /etc/hosts 配置上本机名的IP 127.0.0.1 test 重试jmeter脚本,没有再报错。 转载于:https://www...

weixin_30418341的博客 971

C#实践项目1

需求: 在CAD内实现两个坐标系的转换。 转换方式为文件内的所有图形从一个坐标系下的坐标,转换到另一个坐标系下的坐标。 进行坐标转换后,仅仅是坐标发生改变,图层、样式等等不会发生变化。

weixin_51182789的博客 5331

5G 网络的移动性管理上下文对比介绍

5G 网络的移动性管理上下文对比介绍 4G/5G MM移动性管理机制对比 5G引入了新移动性管理状态,通过mobility pattern(移动方式)实现按需的移动性管理等。 MM的相关状态分为一下几种: RM状态(用户注册管理 注册态/非注册态)和CM状态(用户连接态/空闲态)独立;RM状态标识UE是否注册到网络,CM状态标识UE和核心网的信令连接是否存在。 RAN侧引入RRC-inactive state:UE(用户端)对于CN(核心网)而言处于连接态,对RAN(接入网)而言处于Ld..

m0_59032675的博客 4831

jmeter常见报错

Java.NET.BindException: Address already in use: connect 原因:短时间内new socket操作很多,而socket.close()操作并不能立即释放绑定的端口,而是把端口设置为TIMEWAIT 状态,过段时间(默认240s)才释放,(用netstat -na可以看到),最后系统资源耗尽(windows上是耗尽了pool of ephemeral ports ,这段区间在1024-5000之间) 解决方法:在运行JMeter agent的机器上,cm.

qq_33808440的博客 6533

3.3V-1.8V电平转换测试、以TXS0108E、NPN,NMOS方案为例

上述两个模块都测试过,测试结果相似。信号发生器产生3.3Vpp/10K Hz 方波测试1.8V信号输出结果模块出现顶部失真,原因是因为电平转换芯片需要转换的正电压,转换的方波如果没有设置偏置,会导致信号源的方波电平小于电平转换的所需的触发电平导致波形顶部失真。偏置设置为1.65V输出波形正常。但是模块接上负载后波形又出现顶部失真!!!TXS0108采用弱上拉设计(内部约4 kΩ上拉电阻),其驱动能力类似开漏输出,依赖外部负载完成电平转换。

weixin_56838517的博客 2783

解决问题:linux下运行jmeter.server提示is a loopback address

执行时加参数指定本机ip ./jmeter-server -Djava.rmi.server.hostname=xxx.xxx.xxx.xxx 转载于:https://www.cnblogs.com/loayi/p/7835627.html

weixin_33810006的博客 813

kemeas算法继续优化——elkan kmeas算法

题记:又是凌晨3点的夜 elkan kmeans算法 在我的上一篇博客《kmeans算法性能改进_kmeans++算法+kmeans++优化算法+距离计算优化》中,在一般kmeans算法的基础上,添加了对于初始条件和距离计算更上的一些优化技巧。这篇博客聊一聊elkan算法,其实也是对于kmeans运行速度的优化算法。主要作用与kmeans的距离计算过程。 原理 假如我们已经知道任意两个样本之间的距离,再假设我们已经知道了样本1与聚类中心1之间的距离,根据三角性两边之和大于第三边,c+d>a,所以如果

铁血军的小博客 7066

全能媒体工具深度测评(下篇一):AI图文生成+全能解压+图片去文字,一键搞定素材精修

解压50多种格式,文生图,图生图

cs821984831的博客 43

JMeter 远程启动报错:java.rmi.ConnectException: Connection refused to host: 127.0.0.1; nested exception is:

前提: 使用JMeter,来完成一台机器控制,多台远程机器,即实现1主多从来进行压测脚本。 过程: 1、主从机器上均安装相同版本的JMeter 和JDK。 2、配置主从机器,详见步骤: a、将主机器的JMeter/bin中的jmeter.properties文件,修改如下2处信息, 切记要修改:server.rmi.ssl.disable=true,否则会报如下的错误 b...

ljj123_的博客 2万+

YOLOv13改进:注意力机制 | 动态稀疏注意力的双层路由方法BiLevelRoutingAttention | CVPR2023

BiLevelRoutingAttention方法对小目标检测效果比较好。可能是因为BRA模块是基于稀疏采样而不是下采样,一来可以保留细粒度的细节信息,二来同样可以达到节省计算量的目的。

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1441

Linux环境下运行jmeter时报错:Connection refused to host: 127.0.0.1; nested exception is:

当在Linux环境下进行压测时,输入命令出现一下报错: 这时,通过ps -ef|grep jmeter,查看一下jmeter服务是否启动: 这种情况是jmeter没有启动才导致报以上的错。 接下来只需要将jmeter服务启动即可:输入命令:./jmeter-server & 然后再输入执行压测的命令。 ...

weixin_42464833的博客 5905

【MATLAB-app】csdn上第一套关于matlab appdesigner界面设计 系列“视频课”来啦~~

写作时间: 2020-12-10 标题: 01_为什么推荐你学习appdesigner? 目录: 1.什么是appdesigner? 2.appdesigner能干什么,有什么好处? 3.怎么学习?保证你一周内能够学会! 4.我的课程总目录 5.重磅来袭(如何获取学习资料代码+文档+视频) 正文: 1.什么是appdesigner? 2.appdesigner能干什么,有什么好处? 3.怎么学习?保证你一周内能够学会! 4.我的课程总目录 5.重磅来袭(如何获取学习资料代码+文档+视频) THE END

wind 2万+

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

linux下jmeter使用帮助

1、linux下jmeter使用方法 例:jmeter -n -t test1.jmx -l logfile1.jtl -H 192.168.1.1 -P 8080 -h帮助->打印出有用的信息并退出 -n非GUI模式->在非GUI模式下运行JMeter -t测试文件->要运行的JMeter测试脚本文件 -l日志文件-...

dianhengqu2002的博客 169

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")

linux运行jmeter连接本机失败_Linux下运行Jmeter

一、在Linux服务器先安装sdk1、先从客户端下载jdk1.8.0_144.tar.gz,再上传到服务器2、解压:tar -xzfjdk1.8.0_144.tar.gz,生成文件夹jdk1.8.0_1443、在/usr/local目录下创建java文件夹,再将jdk1.8.0_144目录移动到/usr/local/java中1)cd /usr/local2) mkdir java3)mv ...

weixin_39867142的博客 215

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

JMeter启动失败:Java环境配置全解析与解决方案

Java环境配置是运行Java应用程序的基础,其核心在于Java虚拟机(JVM)的调用机制。操作系统通过环境变量PATH和JAVA_HOME定位Java运行时环境(JRE)或Java开发工具包(JDK),这是Java生态工具链正常工作的前提。正确的环境配置能确保各类基于Java的性能测试工具、开发框架稳定运行,尤其在自动化测试和持续集成场景中至关重要。本文聚焦于JMeter启动时常见的“无法找到Java环境”问题,深入剖析其根源——环境变量配置不当或缺失,并提供从诊断、安装配置到验证的完整解决方案,涵盖JD

dingdi3021的博客 451

Jmeter分布式压测布署

Q../jmeter_server 在linux中出现 “Server failed to start: java.rmi.RemoteException:cannot start. linux-lizn is a loopback address. 或者出现 "Server failed to start: java.rmi.RemoteException:cannot start.unable

旁门左道 5418

centos下启动jmeter-server报错解决方法

当我们在linux机器上部署jmeter分布式测试的slave机时,启动jmeter-server.sh报如下错误: 提示是不能得到本地ip地址 我们解决办法: 1、vi /etc/hosts 添加一行本机ip跟主机名映射hosts,如下截图 然后重新启动jmeter-server即可运行

hqzxsc2006的专栏 2571

Jmeter性能测试环境搭建:从Java环境配置到实战启动指南

性能测试是软件质量保障的关键环节,通过模拟真实用户负载来评估系统的稳定性、扩展性和响应能力。其核心原理在于利用工具生成并发请求,收集并分析系统在压力下的各项指标。在众多开源性能测试工具中,Apache Jmeter因其跨平台、多协议支持和强大的可扩展性,成为测试工程师进行协议级压测的首选。要充分发挥Jmeter的价值,一个稳定且经过优化的基础环境至关重要,这涉及到Java运行环境(JRE/JDK)的正确配置、JVM内存参数的调优,以及针对不同操作系统的环境适配。本文将聚焦于Jmeter安装启动过程中的核心难

weixin_30896511的博客 371

linux运行jmeter连接本机失败_jmeter如何测试websocket接口

jmeter做接口测试,很多人都是做http协议的接口,就有很多人问websocket的接口怎么测试啊?首先,我们要明白,websocket接口是什么接口。然后,我们怎么用jmeter测试?jmeter要测试websocket接口,需要先下载安装一个websocket samplers by peter doornbosch 的插件,插件安装成功后,再次启动jmeter,会在jmeter取样器最下...

weixin_33987275的博客 400

JMeter性能测试:从环境配置到分布式压测的完整启动指南

性能测试是软件质量保障的关键环节,它通过模拟真实用户负载来评估系统的响应时间、吞吐量和稳定性。其核心原理在于利用工具生成并发请求,分析系统在压力下的行为表现,从而发现性能瓶颈。这项技术的价值在于能够在产品上线前预知容量极限,优化资源配置,保障用户体验。在Web服务、API接口和微服务架构等场景中,性能测试已成为持续交付流程的重要组成部分。JMeter作为一款开源的性能测试工具,因其支持多协议和可扩展性而被广泛采用。本文聚焦于JMeter的启动环节,深入解析环境配置、内存调优等关键步骤,并涵盖分布式压测和自动

axfcjwkbi259888707的博客 378
上一篇: 一路(16)走来,一起(17)依然同行
下一篇: HTTP协议详解
whfstudio
博客等级 码龄10年 12粉丝 46原创
评论 1
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