使用Ajax的挑战

高效爬取动态网页:解决JavaScript渲染与AJAX请求的挑战 本文介绍了爬取动态网页的解决方案,主要针对JavaScript渲染和AJAX请求两大挑战。通过Selenium、Playwright等浏览器自动化工具可获取完整渲染后的页面内容,而直接模拟AJAX请求则能高效获取JSON数据。文章还提供了优化手段,如设置请求头、使用代理IP和异步爬虫技术,并建议合理存储数据与去重处理。这些方法能帮助开发者构建高效的动态网页爬取系统。 阅读详情
<script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script> 与任何技术一样,使用Ajax在相当多的方面都可能范错误。我在这儿讨论的问题目前都缺少解决方案,并将会随着Ajax的成熟而解决或提高。随着开发Ajax应用经验的不断获取,开发者社区中将会出现最好的实践经验与指导方针。   1、XMLHttpRequest的有效性   Ajax开发者面对的一个最大问题是当XMLHttpRequest不可用时如何反应。虽然大部分现代浏览器支持XMLHttpRequest,但还是有少量的用户,他们的浏览器不能支持,或由于浏览器安全设置而阻止对XMLHttpRequest的使用。若你的Web应用发布于公司内部的Intranet上,你很可能可以指定支持哪种浏览器,并可以确保XMLHttpRequest是可用的。若你在公共WEB上发布,则你必须意识到由于假定XMLHttpRequest是可用的,所有就阻止了老浏览器、手持设备浏览器等等用户来使用你的系统。   然而,你应该尽力保证应用系统“正常降级”使用,在系统中保留适用于不支持XMLHttpRequest的浏览器的功能。在购物车例子中,最好的方法是有一个Add to Cart按钮,可以进行常规的提交处理,并刷新页面来反映购物车状态的变化。Ajax行卫可以在页面被载入时通过JavaScript添加到页面中,只在XMLHttpRequest可用的情况下,为每个Add to Cart按钮加上JavaScript处理函数。另一个方法是在用户登录时检测XMLHttpRequest,再决定是提供Ajax版本还是常规基于form提交的版本。   2、可用性考虑   围绕着Ajax应用的大部分问题都是很普通的问题。例如,让用户知道他们的输入已经被注册并处理,是很重要的,因为在XMLHttpRequest处理过程中并不能提供通常的漏斗旋转光标。一种方法是将“确认”按扭上的文本替换为“正在更新中…”,以避免用户在等待响应时多次点击按钮。   另一个问题是,用户可能没有注意到他们正在观看的页面已经被更新。可以通过使用各种视觉技巧来将用户的眼光吸引到页面的更新区域。还有一个问题是通过Ajax更新页面打断了浏览器“退回前页”按钮的正常工作,地址栏中的URL不能反映页面的全部状态,并且不能使用书签功能。参见Resource章节中列出的网站地址上的文章来了解更多Ajax应用关于可用性方面的问题。   3、服务器负载   使用Ajax界面代替传统的基于form的界面可能戏剧性地增加传递到服务器的请求数量。例如,一个普通的Google搜索给服务器造成一次命中,并在用户确认搜索表单时发生。然而,Google Suggest,将会试图自动完成你的搜索词,在用户打字时将会往服务器发送多个请求。在开发一个Ajax应用时,要注意到你将会发送多少请求到用户器端,以及服务器的负载指标。你可以通过在客户端适当地缓存请求、与服务器响应来缓减负载压力。你也应该在设计Ajax应用时尽量在客户端处理更多的逻辑,而不用与服务器端通讯。   4、处理异步   一定要记住,没有任何东西可以保证XMLHttpRequest将会按照它们被发送的顺序来依次结束。实际上,你在设计系统时,脑子里应该始终假定它们不会按原来顺序结束。在购物车例子中,使用了一个最后更新的时间戳来保证最新的数据不会被改写。这个非常基本的方法可以在购物车场景中工作,但可能不能在其它情况下工作。在设计时刻就要考虑你该如何处理异步服务器响应。   结论   你现在应该对于Ajax的基本原则有了一个良好的了解,另外,你应该理解一些更高级的随Ajax方法而来的设计问题。创建一个成功的Ajax应用需要一系列的方法—从JavaScript UI设计到服务器端架构—但是你现在应该已经具备了需要使用到的Ajax核心知识。
Ajax控件详解与实战 本文还有配套的精品资源,点击获取 简介:Ajax(Asynchronous JavaScript and XML)技术是一种异步更新网页部分内容的技术。本详解将深入探讨Ajax控件及其在Web开发中的应用,包括Ajax基础概念、工作原理、优势和挑战。通过实战任务,学生将掌握Ajax控件的使用,如UpdatePanel、Timer和ScriptManager,并了解其在ASP... 阅读详情

相关推荐

使用Ajax技术自动提示

这是使用的Ajax技术自动提示,无刷新的

Python环境搭建全攻略:从解释器安装到虚拟环境配置

Python作为一门解释型语言,其运行依赖于Python解释器。理解解释器的工作原理是掌握Python环境配置的基础。环境变量PATH的配置原理决定了系统如何定位并执行python命令,这是确保命令行操作顺畅的关键技术环节。在工程实践中,包管理工具pip和虚拟环境venv构成了Python开发的核心基础设施。pip负责第三方库的安装与管理,而虚拟环境通过创建独立的Python运行环境,有效解决了多项目间的依赖冲突问题,即所谓的“依赖地狱”。这一技术组合为数据分析、自动化脚本及人工智能等应用场景提供了稳定可靠

weixin_34192816的博客 376

卡诺图化简法注意事项+竞争冒险知识点总结

今天反思以下卡诺图化简法中的注意事项。 卡诺图看起来简单,但如果不熟悉的话很容易出错,因此要对画圈的规则比较熟悉。

weixin_42415266的博客 1万+

ajax跨域解决办法

由 于此前很少写前端的代码(哈哈,不合格的程序员啊),最近项目中用到json作为系统间交互的手段,自然就伴随着众多ajax请求,随之而来的就是要解决 ajax的跨域问题。本篇将讲述一个小白从遇到跨域不知道是跨域问题,到知道是跨域问题不知道如何解决,再到解决跨域问题,最后找到两种方法解决ajax 跨域问题的全过程。 不知是跨域问题 起 因是这样的,为了复用,减少重复开发,单独开发了一

lixld的专栏 755

AgentVerse实战:构建多智能体协作系统的关键技术与应用场景

本文深入探讨了AgentVerse框架在构建多智能体协作系统中的关键技术及应用场景。通过分析智能体通信协议、环境交互机制和任务分解算法,展示了如何利用大型语言模型(LLM)实现智能体间的专业化分工与动态协作。文章还提供了智能软件开发团队和智能客服系统等典型应用案例,以及部署优化实践,为开发者构建高效的多智能体系统提供实用指导。

weixin_29254029的博客 364

element的el-cascader组件动态加载,以及报错处理问题

Blocked aria-hidden on an element because its descendant retained focus. The focus must not be hidden from assistive technology users. 报错处理

weixin_56527169的博客 1265

AJAX 详解

Ajax基础知识,及常见问题详解

2万+

Creo报许可证错误License request failed for feature的解决方案

有些朋友用了一段时间打开creo软件,出现icense request failed for feature”错误,这个是Creo许可证出现了问题,一般是许可证文件无效或是已过期,导致Creo软件通信出现故障,就会出现Creo License request failed for feature, Requsesting CreoPMA_SSQ ,Run ptcstatus.bat server status。第三步:键盘按win+R,在运行窗口里输入:cmd,然后点确定。第八步:点击系统,找到系统信息。

Q82556499的博客 3万+

Ajax嵌套使用

Ajax嵌套使用

ShangQuan2012的博客 4613

b站up“麦辣翅翅”《YOLOv8修改损失函数》问题解决RuntimeError: The size of tensor a (4) must match the size of tensor

b站up“麦辣翅翅”《YOLOv8修改损失函数》问题解决RuntimeError: The size of tensor a (4) must match the size of tensor ;TypeError: bbox_iou() got an unexpected keyword argument 'xywh‘

weixin_68331871的博客 3024

SAP_SD模块更改销售订单定价简介

方式优点缺点适用场景MASS简单,无需开发不能触发重新定价逻辑修改特定字段BDC (VA02)可模拟人工操作维护复杂,速度慢少量订单批改稳定、安全需ABAP支持推荐用于批量重新定价VBOF标准重算返利仅适返利类条件返利更新通过本文,我们了解了 SAP 的[SAP_SD模块更改销售订单定价]的基本概念和应用方法。希望这些信息能帮助您在实际工作中更好地使用 SAP 系统,提高工作效率和管理水平。更多SAP文章请点击更多SAP文章更新,大家一起学习进步!!!

我小时候很黑的博客 718

ext的ajax请求,ExtCore AJAX使用入门

ExtCore是Ext团队继ExtJs后发布的一款轻量级,适合在网站上使用的JS框架.目标就是要争夺jQuery所占领的市场.那么ExtCode有什么新的功能可以吸引我们呢?废话少说,我们先来看看它在AJAX方面是如何简化我们开发的.ExtCore是Ext团队继ExtJs后发布的一款轻量级,适合在网站上使用的JS框架.目标就是要争夺jQuery所占领的市场.那么ExtCode有什么新的功能可以吸引...

weixin_42119866的博客 2443

论文阅读:ICLR 2023 FINE-TUNING ALIGNED LANGUAGE MODELS COMPROMISES SAFETY, EVEN WHEN USERS DO NOT INTEND

对大型语言模型(LLMs)进行微调以适应特定用例通常涉及对预训练的LLMs进行进一步的定制。Meta公开发布Llama模型和OpenAI的API允许在自定义数据集上微调GPT-3.5 Turbo,也鼓励这种做法。但是,这种自定义微调与安全成本有何关联?我们注意到,尽管现有的安全对齐基础设施可以在推理时限制LLMs的有害行为,但它们并未涵盖将微调权限扩展到最终用户时的安全风险。我们的红队研究发现,即使是只有几个设计有敌意的训练示例进行微调,也可以破坏LLMs的安全对齐。

CSPhD-winston的博客 812

【AJAX学习笔记(一)】Ajax的使用

前言 本文主要记录第一次使用AJAX的过程以及遇到的问题和解决办法。以下链接是学习AJAX参考的几个资料,搞清楚AJAX原理之后,下面来一起使用AJAX吧! AJAX技术学习参考: - https://www.w3school.com.cn/ajax/index.asp - https://blog.youkuaiyun.com/weixin_37580235/article/details/81459282 - https://segmentfault.com/a/1190000017396192 第一个AJAX

Esmeralda_dsj的博客 234

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。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

如何使用Selenium测试使用AJAX技术的Web应用程序(一)

AJAX 技术提供网页的动态和异步行为。借助这种技术,可以创建更复杂和更具交互性的页面。开发和测试在测试Web应用程序时应该考虑到这一点。 在本文中,将研究使用Selenium测试此类页面时遇到挑战的原因,包括如何使测试脚本等待异步操作结束的几个选项。 将特别关注Thread.sleep()、Selenium 隐式等待和Selenium显式等待。 将使用FluentWait和WebDriverWait类的例子来做到这一点。我们还将为此提供一个使用第三方库Failsafe的示例。 介绍AJAX技术。.

258

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

了解AJAX的使用!!!

文章目录一、AJAX是什么?1.1AJAX简介1.2XML简介1.3AJAX的优缺点 提示:以下是本篇文章正文内容,下面案例可供参考 一、AJAX是什么? 1.1AJAX简介 AJAX全称为Asynchronous JavaScript And XML,就是异步的JS和XML; 通过AJAX可以在浏览器中向服务器发送异步请求,最大的优势:无刷新获取数据。 AJAX不是新的编程语言,而是一种将现有的标椎组合在一起使用的新方式。 1.2XML简介 XML 可扩展标记语言,被设计用来传输和存储数据;

weixin_47823479的博客 88

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")

AJAX入门

简单入门AJAX

weixin_46065399的博客 767

The Power of You-中国 Ajax 开发员挑战赛

 The Power of You中国 Ajax 开发员挑战赛与国内最优秀的开发员同场比赛,学生和专业开发员都可参加TIBCO的The Power of You Ajax挑战赛。 只要使用 TIBCO 的 Ajax 工具包(可免费下载)开发并提交创建的基于 Ajax 的 Web 应用程序。文思超级大奖 – 35,000 元人民币亚军奖金 – 8,000 元人民币截止日期:

TIBCO_Ajax123的专栏 607

Ajax

同步:浏览器会自动使用响应体刷新整体页面 缺点:用户体验性极差 优点:非常易于开发。(自动刷新) 异步:浏览器根据响应体手动刷新局部页面 优点:  用户体验性好。  缺点:不容易进行开发、维护 异步的手动刷新,是程序员 写JavaScript代码或者写jQuery代码才可以进行刷新局部页面操作。 AJAX即“Asynchronous Javascript And XML”(异步Jav...

marjianjiandandan的博客 314

使用DWR反转AJAX的失败经验和教训

                  使用DWR反转AJAX的失败经验和教训  过去一周,我试图使用DWR的反转AJAX功能,开发一个基于Web的页面即时通讯系统,但是失败了。出现的技术障碍是,除了当前得到的ScriptSession外,想尽办法得到的其他ScriptSession,都像是被阉割过的,根本不能够从服务器端向客户端发送消息和JavaScript代码。可能是因为,

【良少课堂】 6667

worker里的ajax,Web Worker 调用Ajax

Web Worker -- Ajax通常来讲,Ajax 和 Web Worker 都是异步执行的,彷佛没有必要在Web Worker里调用Ajax,若是存在这种状况,Ajax 须要按照一个队列里数据排列的顺序同步发送请求,若是不想页面被阻塞,这种状况下能够使用Web Worker 而且须要在Web Worker里使用Ajax。或者说非要在Web Woker里使用Ajax。javascript在We...

weixin_29798439的博客 1224

今天终于把爬虫的Ajax请求搞懂了

今天终于把爬虫的Ajax请求搞懂了 文章目录今天终于把爬虫的Ajax请求搞懂了一、案例分析及存在的问题二、问题的解决Ajax简介问题解决三、总结1、Ajax2、XMLHttpRequest3、解决问题 一、案例分析及存在的问题 首先,我们是想要爬取http://www.fintechdb.cn/这个网站中的各个不同省份的一些数据,但是如果像普通的请求方式那样:(注意是不同省份的数据) 直接撸出代码来: import requests url = 'http://www.fintechdb.cn/reques

江月的博客 1万+

ajax

1.一种网页开发技术 编辑本义项 ajax 求助编辑百科名片 读音:e:j^ks 。AJAX即“Asynchronous JavaScript and XML”(异步JavaScript和XML),AJAX并非缩写词,而是由Jesse James Gaiiett创造的名词,是指一种创建交互式网页应用的网页开发技术。 目录

bug07250432的专栏 988

AJAX常见面试题,面试必备

什么是AJAX,为什么要使用Ajax AJAX是“Asynchronous JavaScript and XML”的缩写。他是指一种创建交互式网页应用的网页开发技术。、 客户端与服务器,可以在【不必刷新整个浏览器】的情况下,与服务器进行异步通讯的技术 AJAX应用和传统Web应用有什么不同? AJAX应用和传统Web应用有什么不同? 传统的web前端与后端的交互中,浏览器直接访问...

3776
上一篇: 手机报纸略探
下一篇: 印度对IT人才开发的计划和措施
java169
博客等级 码龄19年 27粉丝 2568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