Python启动器报错终极指南:从py.ini配置到注册表修复(附Scoop安装避坑)

从Shebang行到py.ini:彻底搞懂Windows上Python脚本的版本指定机制 本文深入解析Windows平台上Python脚本的版本指定机制,重点介绍py launcher工具如何实现多版本管理。从Shebang行适配规则到py.ini配置文件,详细讲解四种精确控制Python版本的方法,帮助开发者解决跨平台兼容性问题,确保脚本在不同环境中的稳定运行。 阅读详情

Windows Python启动器深度解析:从机制到实战,彻底告别“找不到默认Python”

如果你在Windows上用过Python,大概率遇到过那个让人头疼的提示:Can't find a default Python.。这个看似简单的错误背后,其实是Windows Python启动器(py.exe)一整套复杂的工作机制在作祟。今天我们不谈那些千篇一律的“检查PATH变量”的常规操作,而是深入启动器的内部,从它的工作原理出发,帮你构建一个真正稳定、可控的Python环境。

无论你是运维工程师、数据科学家,还是需要在多版本Python间切换的开发者,理解py.exe的运作方式都至关重要。特别是在使用Scoop、Chocolatey等包管理器安装Python时,传统方法往往失效,这时候就需要我们拿出更专业的解决方案。

1. 理解Windows Python启动器的核心机制

很多人误以为py.exe只是个简单的包装器,实际上它是一个相当精巧的设计。当你输入py命令时,它并不是直接调用某个Python解释器,而是执行了一系列复杂的查找逻辑。

1.1 启动器的查找优先级

py.exe按照以下顺序寻找Python解释器:

  1. 命令行参数指定:如果你使用py -3.9这样的命令,启动器会优先查找Python 3.9版本
  2. 脚本的shebang行:如果Python脚本第一行有#!/usr/bin/env python3这样的声明
  3. py.ini配置文件:用户级和系统级的配置文件
  4. Windows注册表:这是最核心的查找位置
  5. 环境变量PATH:这是最后的手段,也是很多人唯一知道的方法

这里有个关键点:PATH环境变量是启动器查找链的最后一环。这意味着,即使你的PATH设置正确,如果前面的环节(特别是注册表)有问题,py命令仍然会失败。

1.2 注册表结构的深度解析

Windows Python安装器会在注册表中创建特定的键值,py.exe正是通过这些信息来识别已安装的Python版本。主要关注两个位置:

HKEY_LOCAL_MACHINE\SOFTWARE\Python\PythonCore\
HKEY_CURRENT_USER\SOFTWARE\Python\PythonCore\

每个Python版本都会在这里有自己的子键,比如3.11、3.12等。在这些子键下,最重要的值是:

注册表路径 键名 典型值 作用
...\PythonCore\3.11\InstallPath (Default) C:\Python311\ Python安装目录
...\PythonCore\3.11\InstallPath ExecutablePath C:\Python311\python.exe Python解释器路径
...\PythonCore\3.11\InstallPath WindowedExecutablePath C:\Python311\pythonw.exe 无控制台Python

注意:64位系统上,32位Python会注册在WOW6432Node下,路径变为HKEY_LOCAL_MACHINE\SOFTWARE\WOW6432Node\Python\PythonCore\。这是很多混合架构环境出问题的根源。

1.3 启动器的调试模式

当遇到问题时,可以启用调试模式来查看py.exe的查找过程:

set PYLAUNCH_DEBUG=1
py --list

这会输出详细的查找日志,比如:

locating Pythons in 64bit registry
locate_pythons_for_key: opening PythonCore key in HKLM
found Python 3.11 at C:\Python311\
found Python 3.12 at C:\Python312\
locating Pythons in native registry
...

通过这个输出,你可以清楚地看到启动器在哪个环节失败了。是注册表访问权限问题?还是根本找不到对应的键?调试信息会给你明确的线索。

2. py.ini配置文件的完全指南

py.ini是控制Python启动器行为的强大工具,但官方文档对此着墨不多。实际上,通过合理的配置,你可以实现高度定制化的Python环境管理。

2.1 配置文件的位置与优先级

py.exe会按顺序查找以下位置的配置文件:

  1. %LOCALAPPDATA%\py.ini - 当前用户的配置
  2. %APPDATA%\py.ini - 也是用户级,但优先级稍低
  3. %SystemRoot%\py.ini - 系统级配置(通常是C:\Windows\py.ini)
  4. Python安装目录下的py.ini

重要原则:越具体的配置优先级越高。用户级配置会覆盖系统级配置,这为不同用户设置不同的默认Python版本提供了可能。

2.2 py.ini的完整语法与示例

一个功能完整的py.ini可能长这样:

[default]
python=3.11

[commands]
python3=3.11
python2=2.7
jupyter=3.11

[python-3.11]
executable=C:\Python311\python.exe
architecture=64bit

[python-3.12]  
executable=C:\Python312\python.exe
architecture=64bit

[python-2.7]
executable=C:\Python27\python.exe
architecture=32bit

[environments]
project1=3.11
project2=3.12
data_science=3.11

让我解释几个关键部分:

  • [default]节:设置默认的Python版本。这里设为3.11,意味着直接运行py会使用Python 3.11
  • [commands]节:创建命令别名。设置python3=3.11后,py python3 script.py等价于py -3.11 script.py
  • 版本专用节:为每个Python版本指定精确的路径和架构信息

2.3 高级配置技巧

为特定项目设置Python版本

你可以在项目目录中创建.python-version文件,内容就是版本号:

3.11

然后配置py.ini来识别这个文件:

[detect]
version-file=.python-version

这样,进入该项目目录时,py命令会自动使用指定的Python版本。

环境变量传递配置

py.ini支持使用环境变量,这在团队协作时特别有用:

[python-3.11]
executable=%PYTHON311_HOME%\python.exe

[python-3.12]
executable=%PYTHON312_HOME%\python.exe

团队成员只需设置自己的环境变量,就能共享同一份py.ini配置。

架构隔离配置

对于需要同时使用32位和64位Python的场景:

[python-3.11-64]
executable=C:\Python311-64\python.exe
architecture=64bit

[python-3.11-32]
executable=C:\Python311-32\python.exe  
architecture=32bit

[default]
# 默认使用64位
python=3.11-64

# 但某些脚本要求32位
[commands]
python-32=3.11-32

3. 注册表修复的精准操作

当Python启动器完全无法找到Python时,问题往往出在注册表。但修改注册表需要格外小心,一个错误的操作可能导致系统问题。

3.1 安全备份注册表

在进行任何修改前,先备份相关键值:

# 导出当前用户的Python注册表配置
reg export "HKCU\SOFTWARE\Python" python_hkcu.reg

# 导出本地机器的Python注册表配置  
reg export "HKLM\SOFTWARE\Python" python_hklm.reg

# 如果是64位系统上的32位Python
reg export "HKLM\SOFTWARE\WOW6432Node\Python" python_wow64.reg

这些备份文件是文本格式,可以用任何编辑器查看,也方便在出问题时恢复。

3.2 手动修复注册表项

假设你的Python

Python环境故障排查:从‘Can‘t find a default Python‘到系统级修复的完整指南 本文详细解析了Windows系统中Python启动器报错'Can't find a default Python'的完整排查与修复流程。从检查环境变量、理解py启动器原理,到深入修复注册表项、文件关联,再到处理账户变更、目录权限等系统级问题,提供了从浅入深的系统性解决方案,帮助开发者彻底解决这一常见环境故障。 阅读详情

相关推荐

Python配置文件处理指南:从.ini到.yml

ini文件,即初始化文件,是一种简单的配置文件格式。它常用于软件的配置信息存储,因为其结构清晰、易于阅读和编辑。在Windows系统中,.ini文件被广泛用于应用程序的配置,而在其他操作系统和应用程序中,它也经常被作为一种轻量级的配置方式。JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,它易于人阅读和编写,同时也易于机器解析和生成。与XML相比,它更小巧、更易于处理,因此在Web应用程序中得到了广泛的应用。

weixin_32687875的博客 1236

初学python读写ini文件pyini.py

简单python读取ini文件的例子,初学的可以参考下。本程序为可以执行的源程序,需要的话自己写成一个类方便调用。

pyini

python讀寫ini文件,包括注釋。

python 启动器,解决执行py.exe启动时的问题

python 启动器,解决执行py.exe启动时的问题 Python Launcher for python2 and python3 优快云-tags: py.exe default python PyLauncher py.exe 启动时报错,提示 Can't Find Default Python 是因为注册表中pythoncore的信息丢失,此包用于解决这个问题。 在我的计算机上, 32位的python2安装到了D:\platform\python2目录下, 32位的python3安装到了D:\platform\python3目录下, 如果您的计算机环境和我的不同,比如,64位,安装到了C盘, 您需要修改PythonCore.reg文件。 32位的注册表键值对应的是(如果您安装的是32位的python): [HKEY_LOCAL_MACHINE\SOFTWARE\Wow6432Node\Python\PythonCore 64位的注册表键值对应的是(如果您安装的是64位的python): [HKEY_LOCAL_MACHINE\SOFTWARE\Python\PythonCore 您也可以先导入注册表文件,然后在regedit注册表编辑器里进行修改,这样更直观。 PythonCore.reg文件修改完毕后,双击PyLauncher.bat 导入注册表。 pythonfile.bat用于导出Python的注册表信息备份,重装系统或是纠错(我更喜欢看文本)。

【高分子材料工程】嵌件注塑结构设计与工艺优化:金属-塑料复合件界面强度及失效预防技术规范

内容概要:本文系统阐述了嵌件注塑(Insert Molding)的设计参数、模具关键技术及失效预防措施,聚焦黄铜H62或304不锈钢与PA66-GF30材料组合的基准工况,提供可用于工程图纸、DFM检查、模具验收和工艺规程的量化依据。内容涵盖工艺边界界定、材料匹配与界面力学分析、结构设计参数(如包覆壁厚、滚花、倒角)、模具设计要点(定位、浇口、排气、冷却)、工艺参数窗口、八大失效模式及其对策、验证验收标准以及量产控制要求,强调通过DFM仿真、模流分析和DOE试模优化工艺,并列出常见设计误区与纠正方案。; 适合人群:从事注塑产品设计、模具开发、工艺工程及质量管理的工程技术人员,尤其适用于汽车、电子、医疗等行业中具备1-3年及以上相关经验的研发人员; 使用场景及目标:①指导嵌件注塑零件的可制造性设计与结构优化;②支持模具设计评审与验收;③制定试模调机与量产工艺规范;④开展失效分析与质量改进; 阅读建议:此资源兼具理论机制与工程实践,建议结合实际项目对照查阅,重点关注包覆壁厚、预热温度、浇口布置等关键参数的取值边界,并在应用非基准材料时进行线膨胀系数与收缩率的换算修正,避免直接套用数据。

智慧医共体AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

智慧医共体AI大模型赋能智能体平台及AI场景应用规划方案(决策评审版).pptx

数字IC笔记-低功耗技术

传统的降低Power的方法主要有: 1.门控时钟技术(clock gating) 2.多阈值电压技术(MultiShreshold) 3.动态电压频率调节技术(DVFS) 目前有以下几种低功耗技术: 1.多电压技术(Multi-Voltage) 2.MTCOMS Power Gating 技术(多阈值功耗控制技术),比如基带部分中的2G、3G、CDMA、LTE等通过awake—>sleep—>awake的方式间歇式的打开或关断其电源,power gating 可以完全关掉dynamic的pow

sinat_41774721的博客 1933

TMS320C6678开发笔记1-6---C6678单核烧写程序

第6节 单核烧写加载程序 6.1节 TI参考文档 参考文档:《KeystoneI Bootloader Resources and FAQ》讲的非常好,建议一定要看 https://processors.wiki.ti.com/index.php/KeystoneI_Bootloader_Resources_and_FAQ#Direct_Boot_Examples_.28without_IBL.29 里面有三个工程: C6678 EVM SPI boot example C6657 EVM ..

kunkliu的博客 5699

OpenBmc开发2:构建开发环境

编译环境VMware + ubuntu 18.04 编译环境构建:参考OpenBmc开发1:构建开发环境 1、打开一个Ternimal,进入openbmc目录下 2、查看有哪些不同的编译配置 find meta-* -name local.conf.sample 可以看到如下编译配置 3、生成编译配置 插入TEMPLATECONF,上边查询到的配置有很多,但是有一些...

master 2万+

Odoo17商城微信支付模块,快速一个实现可在线支付的商城

通过集成微信支付APIv3,Odoo 系统实现了高效、安全的支付流程。Native扫码支付和Jsapi微信浏览器内直接拉起支付为用户提供了更加便捷的支付方式。同时,通过发送下单及支付消息给管理员,商家可以实时了解订单状态并进行相应处理。通过集成微信支付 结合 Odoo 系统内置的商城模块,可以为商家快速实现功能完善、高效的电商解决方案。

AaronZZH 的博客 2268

【具身智能】感知 × 决策 × 执行:一个智能体的认知闭环怎么搭?

构建一个真正能在现实世界中运作的具身智能体,并不是简单地拼接“视觉 + 控制器 + 动作模块”就能完成的,它必须是一个**认知闭环结构**:能感知环境、理解状态、制定策略、执行动作,并从结果中学习反馈。 本讲将深入剖析具身智能的三大核心支柱:**感知系统、决策系统、执行系统**,并解析它们如何协同构建出一个“能观察、能思考、能行动”的智能体。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 3267

PyCharm安装PyQt5及工具详细教程

PyCharm是一款功能强大的Python集成开发环境(IDE),而PyQt5是一个用于创建GUI应用程序的流行Python库。在本教程中,我将指导您如何在PyCharm中安装PyQt5及其相关工具,并提供相应的源代码示例。安装完成后,启动PyCharm并创建一个新的项目。为了隔离项目的依赖项,我们建议在PyCharm中使用虚拟环境。在创建项目的过程中,您可以选择创建新的虚拟环境或使用现有的环境。根据您的操作系统,选择适当的版本并按照安装向导的指示进行安装。首先,您需要下载并安装PyCharm。

CfProgram的博客 589

node运行项目-Network: unavailable-没有ip地址

vscode运行vue项目后发现Network: unavailable 是什么情况呢?可能有一下三种情况:1.多个网卡原因:打开网络共享中心,把多余的网络禁用掉,只留一个2.在中配置host及public3.系统环境变量问题。

JackieDYH的博客 7543

告别 SAP GUI 事务码时代:手把手教你配置 SAP Fiori Launchpad

SAP S/4HANA私有云系统安装后,Fiori Launchpad空页面问题常因多层配置未完成所致。SAP仅提供基础技术配置,实际应用启用、业务目录创建、角色授权等需实施团队完成。Fiori配置分为跨客户端层(技术目录)、客户端定制层(业务目录、空间页面)和用户个性化层三层架构。标准授权流程需依次创建业务目录、业务角色、空间页面并正确分配。SAP建议使用最新的配置工具如FLPAM和FLPCM,并采用Spaces/Pages替代已弃用的Groups概念。完整授权需六步:分配基础角色、创建业务目录、维护业务

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 541

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")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

上一篇: 麒麟V10系统彻底卸载Podman 0.10.1的3种方法(附残留文件清理指南)
下一篇: 飞牛NAS端口5667隐藏终极指南:反向代理+SSL证书实战教程
人间清醒863
博客等级 码龄3年 33粉丝 1544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  | 博主筛选后可见
 
 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