PHP输出语句用法

国赛数学建模高教社杯历届优秀论文全集 包含了2004到2023年高教社的赛题及优秀论文。 阅读详情

echo、print与printf都可以用来输出字符串到网页上。echo与print输出的是没有格式化的字符串,printf则是输出格式化的字符串。sprintf并不是直接输出字符串到网页上,而是返回格式化的字符串。

echo例子:echo ”Hello World!”;

print例子:print ”Hello World!”;

 

printf函数语法如下:

    void printf (格式化的字符串 [,混合参数])

 

sprintf函数语法如下:

   string sprintf (格式化的字符串 [,混合参数])

 

如果你只想输出静态文件,那么echo()和print()都可以,但是据说echo()在效率上快些,因为它什么也不返回,但print()则不同,如果成功输出,则会返回1;但是如果你想把一个动态数据推入到一个原本是静态的文本中,则你得使用printf().sprintf()函数与printf()相同,但它将输出放入到一个字符串中,而不是直接输出到浏览器.

如 $str=sprintf(”$%.2f”,46.8) //$str=$46.8

 

关于printf()

前面说到如果你想把一个动态数据推入到一个原本是静态的文本中,这是什么意思呢?

实例说明一切:

printf(”Bar inventory:%d bottles of tonic water.”,200) //Bar inventory:100 bottles of tonic water. 

其中%d是一个占位符,告诉程序这将用一个类型为整形的变量来替代(后面的200).占位符列表如下:

erer

当然如果后面的200是一个小数,则会取最接近的整数.

 

原文链接:http://www.helpphp.cn/index.php/2009/09/php%e8%be%93%e5%87%ba%e8%af%ad%e5%8f%a5%e7%94%a8%e6%b3%95/

 

利用ArcGIS快速生成等高线边界,完成地形图拼图 地形图边界一般在CAD中手动绘制,然而,一幅边缘复杂的地形图边界的绘制需要花费大量时间和精力,为了减少重复性工作,提高效率,用ArcGIS软件可以自动生成实测地形图的边界 阅读详情

相关推荐

SAP成本核算变式OKKN配置详解:从CK11N到CK24,手把手教你搞定标准成本发布

本文深入解析SAP成本核算变式OKKN的配置原理与实战应用,涵盖从CK11N到CK24的标准成本发布全流程。详细讲解数量结构控制、价值结构配置及间接费用计算规则,帮助成本会计精准掌握标准成本计算逻辑,解决BOM版本选择、工艺路线获取等常见问题,提升企业成本管理效率。

weixin_27219587的博客 292

point类型 php,记一遇到的PHP类型限定小坑

## 原由最近写了一个新的项目,在测试的时候发现PHP报了一个很诡异的错误```Argument 1 passed to xxx must be an instance of string, string given, called in yyy```## 分析一开始看到这个错误,我第一反应就是是不是把`string`写错了,然后认真看了下,这完全一毛一样啊!![E6FB8C7BCFA3AC04E...

weixin_39932455的博客 449

自适应滤波算法综述

自适应滤波算法综述

xdzhujy的博客 5万+

php 输出GeoPoint 类型的数据

$geo = $object->get("location"); $lat = $geo->getLatitude(); $long = $geo->getLongitude();

Reborn_s的博客 466

Dynamics 365从入门到精通:一站式掌握微软智能商业应用平台

很多新手学Dynamics 365时,容易陷入“死记功能”的误区,其实这款平台的核心价值不是“功能多全”,而是“能适配企业业务流程,通过生态集成提升效率”。先从具体业务场景入手,理解每个功能的实际价值;再通过生态集成拓展系统能力;最后通过开发实现定制化,满足企业的特殊需求。按照这个思路,新手不用害怕复杂,一步步落地实战,3个月就能从“入门”到“能独立负责项目”。如果在学习过程中遇到具体问题(比如部署报错、数据迁移失败),欢迎在评论区留言,我会结合实战经验帮你解答!

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1046

别再把 SELECT SINGLE 当成 TOP 1:一篇讲透 SELECT SINGLE vs. SELECT UP TO 1 ROWS 的 ABAP SQL

ABAP开发中SELECT SINGLE与UP TO 1 ROWS的选择取决于查询意图:前者适用于主键唯一查询,后者配合ORDER BY可从多行中筛选特定记录。关键区别在于结果确定性:当条件不唯一时,SELECT SINGLE返回随机行且不支持排序,而UP TO 1 ROWS允许通过排序规则明确定义所需行。文章建议根据四种典型场景选择语法:全键查询用基础SELECT或SELECT SINGLE;部分键查询必须使用UP TO 1 ROWS+ORDER BY;存在性检查推荐SELECT SINGLE返回常量。正

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 201

php 显示数字格式化,PHP中number_format函数输出数字格式化,增加千分位符号

在输出数据到屏幕上显示的时候,如果数据较大,位数较多,看上去会比较费劲,有一种比较直观的方法是使用千分位,也就是每三位数字显示一个逗号,这样可以快速的知道数的大小,不用一位位的去慢慢数了。令人高兴的是,php中有专门的函数可以完成这个任务,可以在输出数据的时候自动加上千分位。string number_format ( float number [, int decimals [, string ...

weixin_42181319的博客 1017

YOLOv11改进 | 特殊场景改进篇 | 2024最新改进CPA-Enhancer链式思考网络(适用低照度、图像去雾、雨天、雪天)

本文给大家带来的改进机制是2024.3月份最新改进,由CPA-Enhancer: Chain-of-Thought Prompted Adaptive Enhancer for Object Detection under Unknown Degradations论文提出的CPA-Enhancer链式思考网络CPA-Enhancer通过引入链式思考提示机制,实现了对未知退化条件下图像的自适应增强。该方法的核心在于能够利用CoT提示对图像退化进行动态分析和适应,从而显著提升物体检测性能。

Snu77的博客 2014

php中的point用法,php strnatcmp()函数的用法总结

这篇文章主要是对php中strnatcmp()函数的用法进行了详细的总结介绍,需要的朋友可以过来参考下,希望对大家有所帮助Definition and Usage定义和用法The strnatcmp() function compares two strings using a "natural" algorithm.strnatcmp()函数的作用是:用自然运算法则比较字符串(大小写敏感)。In...

weixin_31640385的博客 411

猿创征文|SfM(Structure from Motion)学习之路

SfM全称Structure from Motion,译为运动恢复结构,是三维重建pipeline的一部分,又称稀疏重建,在摄影测量领域则称为空三(空中三角测量)。SfM的任务是,给定一系列具有一定重叠度的图像,去同时估计出拍摄每张图像时相机的的位姿(位置t和姿态R)和被拍摄物体或场景的稀疏点云。...............

zeeq的博客 1万+

置顶必读(2) | 《YOLOv11实战:从入门到深度优化》目录导航篇(持续更新中)

🏆 本文收录于 《YOLOv11实战:从入门到深度优化》 专栏。 本专栏系统梳理并持续复现全网各类 YOLOv11 / YOLO系列改进方案与实战案例,目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。 内容坚持 持续更新 + 深度拆解 + 工程落地导向,不仅讲“怎么改”,更讲“为什么这样改、如何真正落地到项目中”。

**My Coding Family** 11万+

php 获取保存Pointer 类型

$bannerObject->set(“user_id”, Object::create(“_User”, “5a33b5c7fe88c20063854717”)

Reborn_s的博客 316

QMK键盘固件开发零基础教程(2025全新重制版)

《QMK键盘固件开发零基础教程(2025全新重制版)》是一套专为键盘爱好者和开发者设计的全面教程,旨在帮助用户从零基础快速掌握最新的QMK固件开发技术。教程基于2025年最新的QMK版本(0.19.8+),解决了旧版教程中的诸多问题,如概念不清、步骤缺失和代码过时等。新版教程提供了详细的图解、完整的项目源码以及从环境配置到高级功能开发的全流程指导。此外,教程还涵盖了2024年QMK生态的重大变革,包括键码系统的重构、编译工具链的更新以及Config文件格式的改变等。付费版教程额外提供独家内容,如新特性解析、

Despacito0o的博客 1123

php输出语句用法总结

print,print_r,printf,sprintf,die,echo,var_dump ,var_export 区别 1 echo() 可以同时输出多个字符串,可以多个参数,并不需要圆括号 ,无返回值。 2 print() 只可以同时输出一个字符串,一个参数, 需要圆括号,有返回值, 当其执行失败时返 flase。print 的用法和 C语言很像,所以会对输出内容里的% 做特殊解释...

weixin_34032779的博客 138

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

php html输出语句,PHP7 echo和print语句实例用法

在 PHP 中,有两种基本的输出方法:echo 和 print。在本教程中,我们几乎在每个例子中都会用到 echo 和 print。因此,本节为您讲解更多关于这两条输出语句的知识。PHP echo 和 print 语句echo 和 print 之间的差异:echo - 能够输出一个以上的字符串print - 只能输出一个字符串,并始终返回 1提示:echo 比 print 稍快,因为它不返回任何值...

weixin_34911749的博客 256

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

php调试输出语句echo_PHP7 echo和print语句实例用法

在 PHP 中,有两种基本的输出方法:echo 和 print。在本教程中,我们几乎在每个例子中都会用到 echo 和 print。因此,本节为您讲解更多关于这两条输出语句的知识。PHP echo 和 print 语句echo 和 print 之间的差异:echo - 能够输出一个以上的字符串print - 只能输出一个字符串,并始终返回 1提示:echo 比 print 稍快,因为它不返回任何值...

weixin_29305313的博客 374

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")

php判断输出代码怎么写,ThinkPHP模板之变量输出、自定义函数与判断语句用法

本文实例讲述了ThinkPHP模板之变量输出、自定义函数与判断语句用法。主要包括变量输出、自定义函数与判断语句三种用法。分享给大家供大家参考。具体分析如下:模板操作变量输出:快捷输出变量{:function(…)} //执行方法并输出返回值{~function} //执行方法不输出{@var} //输出Session变量{#var} //输出Cookie变量{&var} //输出配置参数{...

weixin_39870132的博客 212

php输出自定义函数语句,ThinkPHP模板之变量输出、自定义函数与判断语句用法

这篇文章主要介绍了ThinkPHP模板之变量输出、自定义函数与判断语句用法,是关于ThinkPHP模板操作中非常实用的技巧,需要的朋友可以参考下本文实例讲述了ThinkPHP模板之变量输出、自定义函数与判断语句用法。主要包括变量输出、自定义函数与判断语句三种用法。分享给大家供大家参考。具体分析如下:模板操作变量输出:快捷输出变量复制代码 代码如下:{:function(…)} //执行方法并输出返...

weixin_35306450的博客 336

php输出自定义函数语句,PHP实战:ThinkPHP模板之变量输出、自定义函数与判断语句用法...

《PHP实战:ThinkPHP模板之变量输出、自定义函数与判断语句用法》要点:本文介绍了PHP实战:ThinkPHP模板之变量输出、自定义函数与判断语句用法,希望对您有用。如果有疑问,可以联系我们。PHP实例模板操作变量输出:PHP实例快捷输出变量代码如下:{:function(…)} //执行办法并输出返回值{~function} //执行办法不输出{@var} //输出Session变量{#v...

weixin_39934675的博客 190

php判断输出变量,ThinkPHP模板之变量输出、自定义函数与判断语句用法

搜索热词本文实例讲述了ThinkPHP模板之变量输出、自定义函数与判断语句用法。主要包括变量输出、自定义函数与判断语句三种用法。分享给大家供大家参考。具体分析如下:模板操作变量输出:快捷输出变量代码如下:方法并输出返回值{~function} //执行方法不输出{@var} //输出Session变量{#var} //输出Cookie变量{&var} //输出配置参数{%var} //输出...

weixin_28936857的博客 322

php使用手册输出语句,php echo和print区别及语句用法是什么 - php完全自学手册 - php中文网手册...

php echo和print区别及语句用法是什么?在 PHP 中有两个基本的输出方式: echo 和 print。本章节中我们会详细讨论两个语句的用法以及echo与print的区别,并在实例中演示如何使用 echo 和 print。PHP echo 和 print 语句echo 和 print 区别:echo - 可以输出一个或多个字符串print - 只允许输出一个字符串,返回值总为 1提示:e...

weixin_39792475的博客 93

php能否使用std cout,C++ cout输出语句用法详解

cout可用于在计算机屏幕上显示信息,程序可以显示的最简单的屏幕输出类型是控制台输出,它只是纯文本。控制台这个词是一个老旧的计算机术语,计算机操作员通过在终端上打字来与系统进行交互的日子。终端由简单的屏幕和键盘组成,被称为控制台。在现代计算机上,运行的是 Windows 或 Mac OS 等图形操作系统,控制台输出通常显示在如图 1 所示的窗口中。C++ 提供了一个名为 cout 的对象,用于产生...

weixin_35641153的博客 331

echo输出大花括号 php_php输出之echo和print语句

大家好,欢迎关注支持,谢谢!本篇将介绍php输出之echo和print语句,有兴趣的朋友可以了解一下!一、前言php是一门很受欢迎的编程语言,被广泛应用于web开发领域,很多中小型网站都是使用php语言来开发的。由于php语言简单易学,近几年迎来了一大批自学者,小编也是其中之一。为了能帮助一些初学者,小编总结了一些知识点,借助百家号这个平台分享给大家好。今天小编要介绍的知识点是“php输出之ech...

weixin_30140317的博客 172

php  ?= 的三元操作符的用法,问号后面的值会被输出,无需使用print语句。

php ?= 的三元操作符的用法,问号后面的值会被输出,无需使用print语句。 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www....

经验之谈,不做搬运工 563

php输出语句

php输出语句 常见的输出语句 echo(): 可以一次输出多个值,多个值之间用逗号分隔。echo是语言结构(language construct),而并不是真正的函数,因此不能作为表达式的一部分使用。 print(): 函数print()打印一个值(它的参数),如果字符串成功显示则返回true,否则返回false。 print_r(): 可以把字符串和数字简单地打印出来,而数组则

侯春强的博客 2151

1.3.3 PHP语句

通过将PHP语句放置在PHP的开始和结束标记之间,我们可以告诉PHP解释器进行何种操作。在这个例子中,我们只使用了一种类型的语句: 498)this.style.width=498;" border="0" src="http://book.51cto.com/files/uploadimg/20070625/161643235.gif

小P的专栏 553
上一篇: PHP语法概述
下一篇: PHP函数按引用传递的例子
httpcn
博客等级 码龄17年 6粉丝 3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