日常开发事项-本地数据保存工具类PreferenceUtil

SharedPreferencesUtil http://blog.youkuaiyun.com/two_water/article/details/51597531 博客demo! 立即下载

1、PreferenceUtil

import { preferences } from '@kit.ArkData'
import { JSONUtil } from '@pura/harmony-utils'
import { UserModel } from '../mvi/data/UserModel'
import { Constants } from './Constants'


/**
 * @author J.query
 * @date 2024/10/12 8:48
 * @email j-query@foxmail.com
 * Description:
 */

class PreferenceUtil {
  // 首选项实例
  private pref: preferences.Preferences | null = null

  /*
    * 初始化preferences实例
    * @context  应用上下文
   */
  async loadPreference(context: Context) {
    try {
      this.pref = await preferences.getPreferences(context, Constants.SPSETCOOKIE)
      console.log(`preferences[${Constants.SPSETCOOKIE}]初始化成功`)
    } catch (err) {
      console.error(`preferences[${Constants.SPSETCOOKIE}]初始化失败`)
      console.error('err: ', JSON.stringify(err))
    }
  }

  /*
    * 销毁preferences实例 - 缓存、持久化文件一并销毁
    * @context  应用上下文
   */
  async delPreference(context: Context) {
    try {
      await preferences.deletePreferences(context, Constants.SPSETCOOKIE)
      console.log(`preferences[${Constants.SPSETCOOKIE}]销毁成功`)
    } catch (err) {
      console.error(`preferences[${Constants.SPSETCOOKIE}]销毁失败`)
      console.error('err: ', JSON.stringify(err))
    }
  }

  /*
    * 从preferences实例中获取键对应的值
    * @key            健
    * @defaultValue   获取失败时,返回的值
   */
  async getPreferenceValue(key: string, defaultValue: preferences.ValueType): Promise<preferences.ValueType> {

    let value: preferences.ValueType = defaultValue

    // 获取对应的值之前,先判断preferences是否初始化完成
    if (!this.pref) {
      console.error(`preferences[${Constants.SPSETCOOKIE}]尚未初始化!`)
      return value
    }

    try {
      value = await this.pref.get(key, defaultValue)
      console.log(`读取preferences[${key} = ${value}]成功`)
    } catch (err) {
      console.error(`读取preferences[${key}]失败 `, JSON.stringify(err))
    }

    return value
  }
  /**
   * 保存用户信息
   * @param mUserModel
   * @param isSave
   */

  saveUser(mUserModel: UserModel, isSave: boolean) {
    if (mUserModel && isSave) {
      this.pref?.putSync(Constants.KEY_USER_INFO, JSON.stringify(mUserModel, undefined, undefined));
    } else {
      this.pref?.deleteSync(Constants.KEY_USER_INFO);
    }
    this.pref?.flush();
  }

  // @State myUser: UserModel = null

  getUser(): UserModel | undefined {
    try {
      if (!this.pref) {
        return undefined;
      }
      let  json = this.pref.getSync(Constants.KEY_USER_INFO, "");
      if (json === null || json === undefined) {
        return undefined;
      }
      // 尝试将 json 转换为 UserModel
     // const user: UserModel = json as UserModel;
      const user = JSON.parse(json.toString()) as UserModel;

      // const user = JSONUtil.jsonToBean(UserModel, json);
      // 额外检查 user 是否符合 UserModel 的结构
      if (typeof user !== 'object' || user === null) {
        return undefined;
      }
      return user;
    } catch (error) {
      console.error('Error in getUser:', error);
      return undefined;
    }
  }

  /**
   * 保存记住密码状态
   * @param isSave
   * @returns
   */
  setRememberPswStatusToFile(isSave: boolean) {
    return this.pref?.putSync(Constants.SpRememberPswStatus, isSave)
  }

  /**
   * 获取记住密码状态
   * @return Boolean
   */
  getRememberPswStatusToFile(): boolean {
    return this.pref?.getSync(Constants.SpRememberPswStatus, []) as boolean
  }

  /*
  * 从Preferences实例中写入数据
  * @key        健
  * @value      值
 */
  async putPreferenceValue(key: string, value: preferences.ValueType) {

    // 写入数据之前,先判断preferences是否初始化完成
    if (!this.pref) {
      console.error(`preferences[${Constants.SPSETCOOKIE}]尚未初始化!`)
      return
    }

    try {
      await this.pref.put(key, value)
      // 持久化
      await this.pref.flush()
      console.log(`保存preferences[${key} = ${value}]成功`)
    } catch (err) {
      console.error(`保存preferences[${key} = ${value}]失败`, JSON.stringify(err))
    }

  }
  /**
   * 保存用户信息
   * @param user
   */
  putUser(user?: UserModel) {
    if (user) {
      this.pref?.putSync(Constants.KEY_USER_INFO, JSON.stringify(user, undefined, undefined));
    } else {
      this.pref?.deleteSync(Constants.KEY_USER_INFO);
    }
    this.pref?.flush();
  }
/**
 * 获取搜索历史
 * @returns
 */
  getSearchHistory(): string[] {
    return this.pref?.getSync(Constants.KEY_SEARCH_HISTORY, []) as string[];
  }
/**
 * 保存搜索历史
 * @param historyKeys
 */
  putSearchHistory(historyKeys: string[]) {
    this.pref?.putSync(Constants.KEY_SEARCH_HISTORY, historyKeys)
    this.pref?.flush()
  }
}

2、使用示例


const preferenceUtil = new PreferenceUtil()

export default preferenceUtil as PreferenceUtil

PreferencesUtils PreferencesUtils 总结,慢慢成长,慢慢总结,可能又比我还菜鸟的人不会总结,总结好了你们看看 立即下载

相关推荐

sharepreference工具类

很好用的工具类,使用sharepreference存储数据,节省程序员开发时间

鸿蒙:PrefereneceUtil

在EntryAbility.ets中初始化。

baidu_24743861的博客 820

从零到一:YOLOv8在边缘设备上的轻量化部署实战

本文详细介绍了YOLOv8在边缘设备上的轻量化部署实战,涵盖模型优化、TensorRT加速、剪枝与知识蒸馏等关键技术。通过工业质检和智能门禁项目案例,展示了如何将YOLOv8高效部署到树莓派、Jetson Nano等资源受限设备,显著提升推理速度和降低内存占用。文章还提供了动态分辨率调整、多模型级联部署等实用技巧,助力开发者实现边缘AI应用的高效落地。

weixin_29040367的博客 382

鸿蒙PreferenceUtil

【代码】鸿蒙PreferenceUtil。

u011404611的专栏 443

Cesium中GLB模型加载

Cesium中GLB模型加载全解析:Primitive与Entities方法详解

m0_72030584的博客 3474

RISC-V嵌入式开发实战:手把手教你读懂并修改CH32V103的链接脚本(.ld)

本文深入解析RISC-V嵌入式开发中CH32V103链接脚本(.ld)的编写与优化技巧。从内存布局、段分配到实战调试,详细讲解如何解决程序跑飞、变量异常等典型问题,特别针对RISC-V架构的gp寄存器优化、中断向量表处理等特性提供专业指导,帮助开发者充分利用64KB Flash和20KB RAM资源。

weixin_33704234的博客 177

HarmonyOS 5.0开发,使用Promise异步回调方式封装用户首选项(preferences)

本文主要讲解用户首选项的封装。在鸿蒙应用开发中,用户首选项为应用提供Key-Value键值型的数据处理能力,支持应用持久化轻量级数据,并对其修改和查询。简单来说,就是可以存储数字类型、布尔类型、字符串类型及其对应的数组。Key要求非空,长度不超过80字节;Value的大小不超过8192字节。

Gusha_的博客 3294

YOLO26涨点改进 | 全网独家创新、检测头Head改进篇 | AAAI 2026 | 使用StripConvHead改进YOLO26的检测头,处理小目标、遮挡小目标检测有效涨点,助力高效发论文

🔥本文给大家介绍使用StripConv条形卷积改进 YOLO26的检测头,可以显著提高模型在高纵横比物体检测、目标定位和多尺度物体检测方面的表现。StripConv条形卷积能够更有效地捕捉细长物体的特征,提升定位精度,并通过简化卷积核设计减少计算冗余,优化计算效率。此外,该改进增强了 YOLO26对复杂场景和实时任务的适应能力,特别适用于遥感图像目标检测、小目标检测等领域。具体怎么使用请看全文。摘要:随着遥感物体检测的快速发展,检测高纵横比物体仍然是一个挑战性问题。

Ai缝合怪、助力小伙伴高效发论文 269

PreferencesUtil工具类:

import java.lang.reflect.InvocationTargetException; import java.lang.reflect.Method; import java.util.Map; import java.util.Set; import android.content.Context; import android.content.SharedPrefere...

houyingshang的博客 1562

ABAP面试题系列:写一组会出现死锁(Deadlock)的ABAP程序

我们在计算机操作系统这门专业课上,学过死锁(Deadlock)的概念:两个或两个以上的进程(或线程)在执行过程中,由于竞争资源而造成的一种阻塞的现象,称为死锁。若无外力干预,这些处于死锁状态的进程将永远处于互相等待的阻塞状态中。 正好我儿子走到我电脑前看到文章标题,好奇地问我什么是死锁。我解释道,“假设你和白妹妹(他的玩伴)手上都有一张奥特曼白金卡,你特别想要白妹妹手上那张白金卡,白妹妹也特别想...

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1477

18年陕西省TI杯电赛无人机赛题视觉部分

更新: 相同任务另外两种不同的视觉方法: https://blog.youkuaiyun.com/qq_41895747/article/details/97613077 https://blog.youkuaiyun.com/qq_41895747/article/details/97614971 任务:识别前方的方框,无人机从方框中飞出去 视觉任务:识别特定方框,返回方框中心坐标 # -*- codin...

沉迷单车的追风少年 1508

HarmonyOS 数据持久化之首选项 preferences

value 类型可以是 string number boolean 或者这些类型的数组,数据总大小不能超过 8192 字节。全称 Preference 它为应用提供了 key-value 键值对形式的数据处理,支持应用轻量级的持久化数据。反正就是 一开始 要preferences.getPreferences 初始化 对应name 的首选项实例。然后 我们在模块入口的 onCreate 生命周期中 去写这个初始化的逻辑。我们应用一点重启 所有数据都消失了 肯恩是不符合一些场景的。

weixin_45966674的博客 2514

手把手教你学PCIE(1.38)--基本概念:ATU(地址转换单元)

ATU(Address Translation Unit)是一种硬件单元,用于在PCIe系统中进行地址转换。它将设备的本地地址(外部地址)转换为系统内存或配置空间中的全局地址(内部地址),反之亦然。ATU的工作原理:通过地址匹配和转换,确保事务能够在不同的地址空间之间正确路由。配置寄存器:通过配置寄存器来设置地址转换规则。应用场景:地址空间隔离、访问控制、动态地址管理、虚拟化和多租户。

MHD0815的博客 2059

android 缓存工具类,android 缓存工具类 SharePreferenceUtil

各种数据类型的put和get都已经实现,且实现了缓存的clear和remove方法。直接上码:public class SharePreferenceUtil {private static final String TAG = SharePreferenceUtil.class.getSimpleName();private static final String DEFAULT_SHARE_N...

weixin_29738537的博客 459

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")

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

HarmonyOS 应用开发《掌上英语》第52篇:每日挑战功能——日常学习激励设计

每日挑战功能通过日期种子伪随机算法实现了"同题不同天"的机制,结合打卡和连续天数计算,构建了一个完整的日常学习激励体系。响应式单例让状态管理变得简单,PreferenceUtil 持久化保证了数据在应用重启后不丢失。对于希望增加用户粘性的学习类应用,每日挑战是一个非常有效的功能模块。

weixin_69932715的博客 161

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

鸿蒙实战项目-黑马健康应用开发日志一

综合运用本学期所学内容及个人自学知识,使用HarmonyOS4.0及以上版本开发一款具有实用性和创新 性的移动应用软件。一、项目目标综合运用本学期所学内容及个人自学知识,使用HarmonyOS 4.0及以上版本开发一款具有实用性和创新 性的移动应用软件。二、项目介绍黑马健康是一款功能全面的健康管理应用,它通过提供个性化的饮食记录、健康评估等功能,帮助用户轻松管理健康,改善饮食和生活习惯。无论是需要减肥塑形,还是关注日常营养摄入,黑马健康都能为用户提供定制化的服务,让健康管理变得简单而有效。

m0_73823294的博客 1055

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

鸿蒙开发 之 健康App案例登陆页

该项目是记录用户日常饮食情况,以及针对不同食物摄入营养不同会有对应的营养摄入情况和日常运动消耗情况,用户可以自己添加食品以及对应的热量。try { // 加载preferencesLogger.debug(`加载Preferences[${import {try {

Jasmin博客 706

广告观看量统计技术实现与用户注意力计量方法

广告观看量是数字产品中衡量用户注意力计量的基础指标,其背后涉及客户端行为日志采集、时间戳校准、隐私合规设计等关键技术原理。通过本地SQLite缓存+服务端轻量聚合的架构,既能规避HTTPS抓包限制与系统权限收紧问题,又能满足GDPR及《个人信息保护法》对最小必要原则的要求。该方案在功耗控制、数据可靠性与跨平台兼容性方面具备显著工程价值,适用于广告效果归因、信息流优化及用户数字行为研究等真实场景,尤其适合需要从Android辅助功能或WebView环境精准识别广告曝光的开发者与产品经理。

tomfish 361

【Harmony】Preferences存储的封装使用

轻量级数据存储

每天不是在写bug就是在写bug的路上 612

PreferencesUtils工具类

PreferencesUtils.java import android.content.Context; import android.content.SharedPreferences; /** * Used 临时存储数据操作类(全) */ public class PreferencesUtils { public static String PREFERENCE_NAME =...

王人冉的博客 1185

鸿蒙+next+封装轻量级缓存工具PreferencesUtil

【代码】鸿蒙+next+封装轻量级缓存工具PreferencesUtil。

flfljh的专栏 276

jsDelivr配置管理工具:Ansible vs Puppet vs Chef 终极对比指南

在现代化的Web开发中,**jsDelivr**作为免费、快速、可靠的Open Source CDN服务,已经成为npm、GitHub、Javascript和ESM资源分发的首选方案。对于需要大规模部署和管理jsDelivr配置的开发团队来说,选择合适的配置管理工具至关重要。本文将深入对比三大主流配置管理工具:Ansible、Puppet和Chef,帮助您为jsDelivr项目选择最合适的自动化解

gitblog_01009的博客 790

鸿蒙NEXT开发Preferences工具类PreferencesUtil(ArkTs)

鸿蒙NEXT开发Preferences工具类(ArkTs)

鸿蒙布道师 1496

PreferenceUtils工具类

public class PreferenceUtils { private static final String PREFERENCE_NAME = "saveInfo"; private static SharedPreferences mSharedPreferences; private static PreferenceUtils mPreferenceUti...

u012954039的博客 4万+

HarmonyOS保存应用数据

首选项为应用提供Key-Value键值型的数据存储能力,支持应用持久化轻量级数据,并对其进行增删除改查等。该存储对象中的数据会被缓存在内存中,因此它可以获得更快的存取速度,下面详细介绍下首选项的开发过程。常用接口有:保存数据(put)、获取数据(get)、是否包含指定的key(has)、删除数据(delete)、数据持久化(flush)等,后面依次详细介绍接口使用。

2301_81624474的博客 1420
上一篇: 日常开发事项-Toast提示框
下一篇: 日常开发事项-管理用户隐私协议记录
J-query
博客等级 码龄10年 248粉丝 39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