axios 预配置

本地调试线上环境遇到 https 协议过期 阅读详情

大家都知道,axios预配置不外乎三件事

  • 第一处理post请求,以及参数为数组的处理
  • 第二增加loading配置
  • 第三异常情况处理,公共参数处理

下边我一一细说下

post处理,业界 公认三种方式

  • 使用axios自带的 transformRequest,在请求发送前将请求数据进行转换
 // global set axios
  axios.defaults.headers = {
    'Content-Type': 'application/x-www-form-urlencoded',
  };
  // eslint-disable-next-line
  axios.defaults.transformRequest = [function (data) {
    // 对post传参进行处理,Object,Array 会被 JSON.stringify 处理
    let newData = '';
    // eslint-disable-next-line
    for (let k in data) {
      newData += `&${encodeURIComponent(k)}=${encodeURIComponent((typeOf(data[k]) === 'object') ? JSON.stringify(data[k]) : data[k])}`;
    }
    if (newData.indexOf('&') === 0) {
      newData = newData.substring(1);
    }
    return newData;
  }];

这个需要手动处理对象数组,否则后端不识别

  • 如果使用模块化开发,可以使用qs模块进行转换
if (config.method === 'post') {
	config.data = qs.stringify(config.data)
 }
  • new URLSearchParams()
var params = new URLSearchParams();
params.append('a', 'value1');
params.append('b', 'value2');
axios.post('/url', params);

loading配置

axios.interceptors.request.use(config => {
    if (!config.noloading) {//考虑到有些情况不需要loading,自定义loading配置
      Indicator.open()
    }
 }
axios.interceptors.response.use(response => {
    Indicator.close()
}
  • 异常处理
axios.interceptors.response.use(response => {
    Indicator.close()
    if (response.data.errno === 0 || response.data.errno === 140002) {
      return response
    } else {
      Toast(response.data.errmsg)
    }
  }, error => {
    Toast('系统错误')
    return Promise.resolve(error.response)
  })
  • 公共处理
	let commonParams = {}
    let datas = config.data || {}
    Object.assign(datas, commonParams)
    config.data = datas
  • 完整代码
import qs from 'qs'
import {Toast, Indicator} from 'mint-ui'
const plugin = {}

plugin.install = (Vue, axios) => {
  if (plugin.installed || !axios) {
    return
  }
  plugin.installed = true
  // bind axios to Vue
  Vue.axios = axios
  Object.defineProperties(Vue.prototype, {
    axios: {
      get () {
        return axios
      }
    },
    $http: {
      get () {
        return axios
      }
    }
  })

  axios.interceptors.request.use(config => {
    if (!config.noloading) {
      Indicator.open()
    }
    let commonParams = {}
    let datas = config.data || {}
    Object.assign(datas, commonParams)
    config.data = datas
    if (config.method === 'post') {
      config.data = qs.stringify(config.data)
    }
    return config
  }, error => {
    return Promise.reject(error)
  })

  axios.interceptors.response.use(response => {
    Indicator.close()
    if (response.data.errno === 0) {
      return response
    } else {
      Toast(response.data.errmsg)
    }
  }, error => {
    Toast('系统错误')
    return Promise.resolve(error.response)
  })
}
export default plugin

参考地址:https://github.com/axios/axios#using-applicationx-www-form-urlencoded-format

Headless模式树莓派烧录:WiFi预配置操作指南 无需显示器即可完成树莓派系统烧录与网络配置,通过Headless模式预先设置WiFi,实现远程接入与管理,极大提升部署效率,适合嵌入式开发与物联网项目应用。 阅读详情

相关推荐

16、融合应用事务数据库创建与环境预配置全解析

本文详细解析了Oracle融合应用中事务数据库的创建和环境预配置过程。内容涵盖存储库创建工具(RCU)生成的架构与表空间、预配置框架的安装、JDK的安装、WebGate库的配置、响应文件的创建以及拓扑结构的选择。通过详细的步骤说明和配置建议,帮助读者完成融合应用环境的部署准备,同时提供了配置检查、性能优化和故障排除的思路,为融合应用的稳定运行奠定基础。

food6的博客 157

显示的是预配标头

如图,可能是浏览器广告拦截插件(如adblock),把数据拦截了(好蠢),关闭后(或者将域名加入白名单)即可请求成功。

lgldl的博客 1万+

Tomcat 7预配置版:一键部署Java Web应用

Tomcat 7预配置版本通过预先配置的标准,省去了初次安装和配置的繁琐步骤。它通常包括基础的服务器安装,连同默认的配置文件和结构,允许开发者快速搭建Java Web应用的运行环境。

weixin_30995917的博客 806

【web】HTTP头信息解读

文章目录概述消息头1、Genaral headers2、Request headers3、Response Headers4、Entity Headers 概述 HTTP的头域包括通用头、请求头、响应头和实体头四个部分。每个头域由一个域名,冒号(:)和域值三部分组成。 通用头部:指的是可以应用于请求和响应中,但是不能应用于消息内容自身的 HTTP 首部 。 取决于应用的上下文环境,通用首部可以是响应头部或者请求头部。但是不可以是实体头部。 最常见的通用首部包括:Date、Cache-Control或

m0_45406092的博客 4853

跨域访问-需要设置HTTP响应标头设置

解决跨域访问-需要设置HTTP响应标头设置

accept:HTTP Accept- *标头解析

@ hapi /接受 HTTP Accept- *标头解析。 accept是hapi生态系统的一部分,旨在与及其其他组件无缝(但可以或与其他框架配合使用)。 如果您使用其他Web框架并且发现此模块有用,请查看 –它们可以更好地协同工作。 访问开发人员门户以获取教程,文档和支持。 有用的资源 (内部版本,依赖项,节点版本,许可证,EOL)

TDengine 运维——巡检工具(安装前预配置)

TDengine 的安装部署对环境系统有一定的依赖和要求,安装部署前需要进行环境预配置操作,本文档旨在说明安装前预配置工具在安装 TDengine 前对环境的预配置内容和工具的使用方法。安装前预配置工具运行后会在工具运行当前目录下生成 preset_report.md 文件,其中包含了预配置工具修改的具体项目。以 SSH 模式在所有节点执行安装前预配置并关闭 Kylin Security 服务。指定配置文件并以 SSH 模式在所有节点执行安装前预配置。在工具所在节点以 local 模式执行安装前预配置。

TDengine(老段)专注时序数据库领域 1364

hapi-api-key:通过查询字符串或请求标头的API密钥的Hapi身份验证插件

hapi-api-key Hapi身份验证方案,允许用户根据他们是否具有作为查询或标头显示的有效api密钥来访问路由。 将hapi-api-key注册为插件,以使'api-key'方案可用于server.auth.strategy(...)。 安装 npm install hapi-api-key 用法 const hapiApiKeyPlugin = require ( 'hapi-api-key' ) ; await server . register ( { plugin : hapiApiKeyPlugin , options : { } } ) ; server . auth . strategy ( 'api-key' , 'api-key' , { apiKeys : { 1234 : { name :

Docker 启动时 预配置 RabbitMQ

在 Docker 环境中运行 RabbitMQ 时,许多场合希望预定义一些用户/vhost/queue。官方的教程都是通过 GUI 或者命令行来实现,民间也有通过自定义 RabbitMQ 镜像的方法,但操作性都比较繁杂。本文提供一种更简便的方法。

sqlchen的专栏 921

axios 作用 axios主要是用于向后台发起请求的 常用的请求有哪些?

axios的介绍

django-cors-headers:Django应用程序,用于处理跨域资源共享(CORS)所需的服务器头

django-cors-headers Django应用程序,它向响应添加跨域资源共享(CORS)标头。 这允许浏览器从其他来源向您的Django应用程序发出请求。 关于CORS 添加CORS标头可让您在其他域上访问资源。 在添加标题之前,了解其含义很重要,因为您可能无意间向其他人开放了站点的私有数据。 有关此主题的一些不错的资源是: Julia·埃文斯(Julia Evans)的和。 要求 支持Python 3.6至3.9。 支持Django 2.2到3.2。 你的考试慢吗? 查看我的《一书,其中涵盖了许多最佳实践,因此您可以编写更快,更准确的测试。 设置 从pip安装: python -m pip install django-cors-headers 然后将其添加到已安装的应用程序中: INSTALLED_APPS = [ ... ' corshe

模型微调指南:基于预配置环境的物体识别定制

在models目录下创建新的模型定义文件修改配置文件指向你的新模型从预训练权重中加载兼容的部分通过这篇指南,你应该已经掌握了在预配置环境中进行物体识别模型微调的基本流程。从准备数据到调优参数,再到最后的模型导出,整个过程都可以在这个集成的环境中完成。实验不同的数据增强组合调整网络结构以适应特定场景尝试知识蒸馏等技术进一步优化模型将模型集成到实际应用中记住,模型微调是一个迭代过程,需要多次实验才能获得最佳结果。现在就开始你的微调之旅吧!

IndigoNight21的博客 939

Orbbec-Gemini-335 深度相机 Python SDK 编译与配置全记录(Windows 环境)

本篇博客将围绕 Windows 系统下 Orbbec SDK 的 Python 配置与编译过程进行详细说明,主要使用的是官方提供的 pyorbbecsdk Python wrapper 项目以及 Orbbec SDK V2 Python Wrapper 配置指南,并记录了安装与配置过程中遇到的若干问题及解决办法。

Junseer的博客 1965

模型微调实战:基于预配置环境的中文识别优化

通过本文,你已经学会了如何在预配置环境中快速启动中文识别模型的微调任务。这种方法可以让你跳过繁琐的环境配置步骤,直接进入模型优化的核心工作。在自己的数据集上复现本文流程尝试不同的预训练模型(如 YOLOv5、EfficientDet 等)探索更高级的微调技巧(如知识蒸馏、模型剪枝)将优化后的模型部署到实际应用中记住,模型微调是一个迭代的过程,需要不断尝试和调整。现在就开始你的微调之旅吧!

MoonbeamRaven28的博客 854

如何解决ipa包上传App Store Connect时出现的无效二进制文件问题

本文详细解析了ipa包上传App Store Connect时出现无效二进制文件问题的常见原因及解决方案。从Scheme配置、架构支持到权限声明,提供了全面的检查步骤和实用技巧,帮助开发者快速定位并解决上传问题,确保应用顺利通过审核。

weixin_28833069的博客 315

Monorepo与pnpm:前端项目管理的完美搭档

pnpm又称 performant npm,翻译过来就是高性能的npm。Monorepo是一种项目开发与管理的策略模式,它代表"单一代码仓库"(Monolithic Repository)。在Monorepo模式中,所有相关的项目和组件都被存储在一个统一的代码仓库中,而不是分散在多个独立的代码仓库中,这些项目之间还可能会有依赖关系。

m0_68271787的博客 2562

中文多标签识别:基于预配置环境的快速实现

准备数据集,格式建议为:"text": "产品使用方便,但售后服务响应慢","labels": ["正面评价", "服务批评"]},...创建训练脚本train.py# 加载数据集# 预处理函数# 评估函数preds = pred.predictions > 0.5 # 阈值设为0.5return {# 主训练流程# 数据集预处理# 训练参数# 创建Trainer# 开始训练运行训练:注意:根据你的数据集大小和GPU显存,可能需要调整batch_size等参数。

RubyLion28的博客 893

【Claude】Not logged in · Please run /login 报错已解决

意味着 Claude Code 没有找到任何有效凭证。直接/login——交互式首选;检查——排查环境变量污染;CI 用——自动化场景标准方案;macOS Keychain 异常——/logout/login重置;时钟偏差——校准系统时间。参考:Claude Code 官方《错误参考》"身份验证"章节、官方认证优先级文档、社区 Token 过期排查记录。

博客 9981

【SCI一区复现】基于配电网韧性提升的应急移动电源预配置和动态调度(上)—MPS预配置(Matlab代码实现)

💥💥💞💞❤️❤️💥💥博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。⛳️行百里者,半于九十。

F_Matlab的博客 1116

泛微OA与泛微OA之间打通实现统一待办配置

问题:学校OA与集团OA均为泛微Ecology8.0 ,由于流程审批互通的需要,要将两套OA系统打通,实现跨系统的流程流转。

symstandsun的博客 2269

基于截图详解:SAP GUI for Java 如何设置登录链接,以及 conn= 连接字符串该怎么写

摘要:SAP GUI for Java 的连接属性配置关键是在"高级"页签的"conn="后填写连接字符串。连接字符串格式取决于网络拓扑:直连应用服务器使用"/H/主机/S/端口";通过消息服务器负载均衡使用"/M/消息服务器/S/端口/G/组名";经SAProuter访问则需添加路由器前缀。配置时需注意专家模式会覆盖其他页签设置,且连接字符串还支持附加参数如客户端、语言和默认事务码。具体填写内容应根据Basis团队提供的系统信

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 251

AI识别极速开发:预配置镜像使用技巧

将模型文件(.pt/.h5)放入/models目录启动时指定模型路径:通过预配置镜像,前端工程师可以快速获得AI识别能力,无需深入Python技术栈。本文介绍了从服务启动到前端集成的完整流程,以及常见问题的解决方案。接入更多类型的识别模型(如OCR、姿态估计等)开发更复杂的前端交互界面探索批处理模式提高吞吐量结合WebSocket实现实时识别现在就可以选择一个预配置镜像开始你的AI功能开发之旅,快速验证产品创意,让前端开发也能轻松驾驭AI能力。

WhiteTiger78的博客 800

从代码仓库到知识库:自动化构建与RAG技术实践

在软件工程领域,代码库的规模与复杂性日益增长,如何高效管理和利用其中的知识成为关键挑战。传统文档工具主要依赖注释提取API信息,而现代知识构建技术则通过抽象语法树(AST)解析、自然语言处理等手段,深入理解代码结构、调用关系和业务逻辑。其核心价值在于将非结构化代码转化为机器可理解、可检索的结构化知识,显著提升代码资产的可维护性和团队协作效率。这一过程通常涉及代码解析、信息提取、向量化表示和存储索引四个关键阶段,其中向量化技术将代码语义转化为高维向量,为语义搜索奠定基础。结合检索增强生成(RAG)架构,开发者

weixin_42545292的博客 415

LLaMA-Factory高效微调秘籍:云端预配置镜像实战

通过LLaMA-Factory预配置镜像,我们能够快速搭建微调环境,将更多精力投入到模型效果优化而非环境调试上。本文介绍的方法已经帮助我在一周内完成了十余个不同参数的对比实验。建议下一步尝试:- 组合使用LoRA与各种优化器(AdamW、Lion等)- 探索不同cutoff_len对长文本任务的影响- 测试QLoRA在低资源环境下的极限表现现在就可以拉取镜像开始你的第一个微调实验,记得从小的batch_size和cutoff_len开始逐步调优。

SapphireFox89的博客 1038

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

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")

揭秘Llama Factory微调:如何用预配置镜像快速启动

作为一名数据科学家,你是否曾对大语言模型微调跃跃欲试,却被繁琐的环境配置劝退?本文将带你使用预配置的Llama Factory镜像,跳过环境搭建的坑,直接进入模型微调实战。这类任务通常需要GPU环境,目前优快云算力平台提供了包含该镜像的预置环境,可快速部署验证。Llama Factory是一个高效的大语言模型微调框架,但手动搭建其运行环境可能面临以下挑战:预配置镜像已经解决了这些问题: 准备微调数据(示例使用内置数据集): 关键参数说明: | 参数 | 说明 | 典型值 | |------|--

GoldenleafRaven13的博客 803

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

上一篇: 从输入 URL到用户看到页面都经历了哪些
下一篇: 代码小tip echarts折线点击
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