cobol基本语法

cobol子程序 1.基本概念 1.1.主程序:调用其他程序的程序。 1.2.子程序:被其他程序所调用的程序。 2.COBOL中的子程序类似于Java中被调用的类,其基本结构是与主程序一样的。以下是它们的区别之处: 2.1主程序结构: 过程部的部头: PROCEDURE DIVISION USING 要传入子程序中的参数名1,参数名2,…… 过... 阅读详情

字符集

包括78个字符
A-Z a-z 0-9 (空格 + - * / $ ,(逗号) ;(分号) .(小数点或英文句号) ""(双引号) ((左括号) )(右括号) >大于号 <(小于号) : (冒号)`(撇号) =(等号)

编码表

cobol有固定的的格式,每行有80个字符的位置。具体如下:

位置字段描述
1-6列数保留为行号。
7指示符它可以有星号(*)表示注释,连字符( - )表示延续和斜杠(/)表示换页。
8-11A 区所有的 COBOL 各部,节,段和一些特殊条目必须在 A 区开始。
12-72B 区所有的 COBOL 语句必须在B区开始。
73-80识别区它可以根据程序员的需求进行使用。

字符串

字符string是通过组合单个字符形成的。可以是

  • 注释
  • 文字
  • cobol代码
    所有字符必须以分隔符结尾。
    常用分隔符:空格、逗号、左右括号、引号等。

注释

注释是不影响程序执行的字符串。

行注释

注释可以写入任何列,编译器不检查注释行的语法,并将其视为文档。

条目注释

包含在识别部的可选段落中,写在B区。

文字

在程序中直接硬编码的常数。列如下面的字符 “小安然”

PROCEDURE DIVISION.
DISPLAY '小安然'.

字母数字文字

字母数字文字用双引号或撇号括起来。长度最多可达160个字符。
有效的字母数字示例

'abc124'
'456 tgb'
"666 sixsix"

无效的字母数字示例

'rrrrr 55555"
"fdfdf fdfdf'

数字文字

数字文字是从0到9,± 或小数点的数字组合。长度可达18个字符。不能以符号或小数点结尾。
有效数字文字

100
-200
+300
23.456

无效数字文字

1,00
123-
456.

cobol词

是一个字符串,可以是保留词,或者用户自定义的词。长度最多可达30个字符。

用户自定义

用于命名文件、数据、记录、段、节。允许用字母数字和连字符。不能使用保留字。

保留字

是cobol中预定义的词。

  • 关键词 ADD、ACCEPT、MOVE等。
  • 特殊字符 + - * /
  • 象征常数 ZERO、SPACE 等

象征常数

常数描述
HIGH-VALUES一个或多个字符,将在降序排列中排在最高的位置。
LOW-VALUES一个或多个字符在二进制表示中带有零。
ZERO / ZEROES一个或多个零,取决于变量的大小。
SPACES一个或多个空格。
QUOTES单或双引号。
ALL literal用文字填充数据项。

注:本系列文章参考下面网站
参考地址

cobol- STRING语句 字符串的定义 01 STR-ONE PIC XXXXX. 01 STR-TWO PIC X(10). STRING STRING语句用来合并字符串 ...... DATA DIVISION. WORKING-STORAGE SECTION. 01 FIRST-NAME PIC X(10). 01 LAST-NAME PIC X(10). 01 FULL-NAME PIC X(20). * PROCEDURE DIVISION, MOVE 'ADAM' TO FIRST-NAME. MOVE 'SMIT 阅读详情

相关推荐

cobol语言----总结篇

COBOL 是Common Business Oriented Language 的缩写。它不仅是商业数据处理的理想语言, 而且广泛用于数据管理领域,因此COBOL 语言也被称为“用于管理的语言”。 一。COBOL 语言的特点 最适于数据处理领域:算数计算量少而逻辑处理量多,输入输出量大,数据间存在着一定的逻辑 关系,大量的分类排序;COBOL比较接近英语,容易懂;通用性强,易移植,COBOL结构严谨,层次分明。

COBOL

cobol

qq_46029070的博客 4560

别再只用线性回归了!用sklearn的核岭回归搞定非线性数据(附RBF核调参实战)

本文详细介绍了如何使用sklearn的核岭回归处理非线性数据,特别是RBF核的应用与调参实战。通过网格搜索找到最佳参数组合,核岭回归能有效捕捉数据中的复杂波动,显著提升模型性能。适合需要解决非线性问题的数据科学家和机器学习工程师。

weixin_34246529的博客 339

COBOL语言基础总结

如果自行车的某个零件坏了,可以在五金商店买到相同规格的零件更换,恢复自行车的功能。程序中没有用到外部文件,文件节是可以省略的,但是工作存储节都是会存在的。作用:程序中涉及到的全部数据(输入,输出,中间)都要在此定义,对它们的属性进行说明。子程序概述:PERFORM语句只能在同一程序中多次调用某一语句序列,如果被调用部分较复杂或需要被其他程序使用时,可以将其编写为单独的一个程序,即子程序,调用子程序的为主程序。至于VSAM文件的创建,复制,删除等操作是通过JCL中的IDCAMS实用程序实现的。

linmeng022的博客 6355

【CANoe16安装教程】亲测安装成功

CANoe16安装教程

qq_45302638的博客 2万+

PX4无人机-Gazebo仿真实现动态目标追踪的视觉控制方案

本文详细介绍了PX4无人机在Gazebo仿真环境中实现动态目标追踪的视觉控制方案。从PX4与Gazebo仿真环境搭建、动态目标追踪核心技术栈、仿真环境深度定制技巧到追踪算法的优化实践,提供了全面的技术指导和常见问题排查方法,帮助开发者高效实现无人机视觉追踪功能。

weixin_29196315的博客 454

COBOL语法和文法(2)

ACCEPT    从键盘或其他输入设备读取数据。    ACCEPT A FROM DEV.    从DEV读取数据到A,也可以省略FROM DEV,表示从键盘读取。    ACCEPT A FROM DATE/DAY/DAY-OF-WEEK/TIME.读取日期,表示为6个字符,如990909(1999年9月9日)。    读取当前日期在年度(前2位)中为第几天(后3位),表示为6个字符,如19

张铖@南通 4654

CentOS 7下Oracle 11G RAC静默安装避坑指南:从网络规划到共享存储配置全流程

本文详细介绍了在CentOS 7环境下进行Oracle 11G RAC静默安装的全流程,包括网络规划、共享存储配置和系统参数调优等关键步骤。特别针对静默安装过程中的常见问题提供了实用的避坑指南和优化建议,帮助技术人员高效完成企业级数据库部署。

weixin_29234509的博客 132

9型转x型 cobol_Cobol基本语法总结

コボル基本語法1コボル基本語法一、COBOL基本語法compla項目使用的Cobol是MicroFocus公司生产的Cobol,采用在HP-UNIX上运行。一、cobol的书写格式(每行)1、前6列为序号区(一般不编辑)2、第7列为标示列,仅可以写如下几个标示符。a.“*”注释符(注释当前行的代码)b“/“注释符(注释当前行的代码,程序编译时,强制程序清单另起一页,不建议使用)c“-“字符串连接...

weixin_39800990的博客 673

AMD Ross FPGA Agent 实战:用 AI 驱动 Vivado 开发流程

在 EDA 领域,FPGA 开发长期面临工具链重、反馈周期长、报错晦涩等痛点。AI Agent 通过自然语言交互与工具调用,将 Vivado 的 Tcl 批处理流程封装为可编排、可观测的智能体,显著降低查文档与读报告的时间成本。其核心在于 Harness 与 Agent 的协同:Harness 提供安全执行环境,Agent 负责决策与迭代。典型应用包括工程创建、约束生成、综合实现报告解读及比特流失败排查。本文以 AMD Ross 为例,拆解其架构设计与实操方法,帮助开发者理解如何将 Agent 落地到高门槛

weixin_29189363的博客 1051

NVIDIA DGX Spark实战指南:从开箱到部署200B参数大模型

本文详细介绍了NVIDIA DGX Spark桌面AI超级计算机的开箱体验与实战部署指南。文章深入解析了其Grace Blackwell架构与128GB统一内存的核心优势,并逐步演示了从系统初始化、运行200B参数大模型到进行QLoRA微调的全过程。该设备将高达1 PetaFLOP的AI算力浓缩于桌面,为开发者和研究团队提供了本地化、高性能的AI开发与部署一体化解决方案。

weixin_29274969的博客 2245

9型转x型 cobol_Cobol基本语法

コボル基本語法1コボル基本語法一、COBOL基本語法compla項目使用的Cobol是MicroFocus公司生产的Cobol,采用在HP-UNIX上运行。一、cobol的书写格式(每行)1、前6列为序号区(一般不编辑)2、第7列为标示列,仅可以写如下几个标示符。a.“*”注释符(注释当前行的代码)b“/“注释符(注释当前行的代码,程序编译时,强制程序清单另起一页,不建议使用)c“-“字符串连接...

weixin_39559750的博客 694

第02章:HSA-Runtime架构概览

摘要: 本章深入解析HSA Runtime的三层架构设计,包括公共API层(C语言接口)、核心实现层(C++业务逻辑)和驱动抽象层(硬件交互)。重点介绍了Runtime的核心组件(Agent、Queue、Signal、Memory)及其关系,以及初始化流程、配置选项和调试功能。通过学习,读者将掌握HSA Runtime的整体架构,为后续模块学习奠定基础。

图形/计算GPU的驱动与虚拟化技术分享园地 2931

C3-COBOL 基本语法

COBOL 基本语法 2020-09-05 16:57 更新 字符集 字符是层次结构中的最底层,它们不能被进一步划分。在 COBOL 字符集包括 78 个字符,如下所示: 字符 描述 AZ 字母(大写) AZ 字母(小写) 0-9 数字 空格 + 加号 - 减号或连字符 * 星号 / 正斜杠 $ 货币符号 , 逗号 ; 分号 . 小数点或句号 “ 双引号 ( 左括号 ) 右括号 > 大于 < 少于 : 冒号

adozoo 1031

RK+linux教程:RK3588 RGA硬件加速在YOLOv5图像预处理中的深度应用教程

摘要: 本教程深入解析了RK3588芯片的RGA硬件加速器在YOLOv5图像预处理中的应用。通过专用硬件设计,RGA支持图像缩放、边界填充等核心操作,结合零拷贝技术显著提升处理效率。重点分析了LetterBox算法的RGA实现,包括参数计算、边界填充和性能优化,并与传统CPU处理对比,展示了RGA在高分辨率图像处理中的优势。教程还提供了统一的预处理接口设计,便于在OpenCV与RGA方案间灵活切换,为RK3588平台的深度学习部署提供实用优化方案。

LXY_LOVE36的博客 977

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

9型转x型 cobol_cobol基本语法

コボル基本語法1基本語法一、COBOL基本語法一、cobol的书写格式(每行)1、前6列为序号区(一般不编辑)2、第7列为标示列,仅可以写如下几个标示符。a.“*”注释符(注释当前行的代码)b“-“字符串连接符3、第8列---11列为A区,包括以下内容。a部、节名。b层号014、第12列---72列为B区,过程部的程序必须写在B区中。5、第72以后部分不能编辑。二、cobol的语法结构(几大部分)...

weixin_39951773的博客 767

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")

二、COBOL基本语法

单引号或引号可以是文字,只有当它配对的一部分。文字的开始和结尾都是一样的无论是单引号或引用。用户定义的词被用于命名的文件,数据,记录,段落名称和段。字母,数字和连字符被允许在形成用户定义的单词。数字文字是数字从0到9,+, - 或小数点的组合。在下面的示例中“Hello World”的文字。COBOL词是可以保留字,或者用户自定义的字符串。注释入口是鉴定区划的可选段落的条目。编译器不检查注释行的语法和对待它的文档。经常使用的分隔符:空格,逗号,句号,省略号,左/右括号和引号。它可以是字符的任意组合。

qq_67419883的博客 1181

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

PHP与COBOL,COBOL基本语法

字符集'字符'层次是最低的,并且不能被进一步划分。COBOL字符集有78个字符如下所示:字符描述A-ZAlphabets(Upper Case)a-zAlphabets (Lower Case)0-9NumericSpace+Plus Sign–Minus Sign or Hyphen*Asterisk/Forward Slash$Currency Sign,Comma;Semicolon.Dec...

weixin_42601608的博客 411

COBOL中的基本语法(转)

ACCEPT     从键盘或其他输入设备读取数据。     ACCEPT A FROM DEV.     从DEV读取数据到A,也可以省略FROM DEV,表示从键盘读取。     ACCEPT A FROM DATE/DAY/DAY-OF-WEEK/TIME.读取日期,表示为6个字符,如990909(1999年9月9日)。     读取当前日期在年度(前2位)中为第几天(后3位),表示为6个字

HT082的专栏 9264

COBOL语言的语法糖

虽然COBOL已经面世超过六十年,但它在商业编程领域的地位依然难以动摇。通过引入一些语法糖,COBOL程序的可读性和维护性得到了提升。随着技术的不断发展,COBOL也在不断地与现代编程理念接轨。因此,熟练掌握COBOL及其语法糖,不仅有助于在传统企业中找到好的工作机会,也能为学习和理解现代编程语言打下坚实的基础。未来,COBOL作为一个历史悠久的编程语言,仍将继续在商业领域发挥其独特的价值。

2501_90443675的博客 312

9型转x型 cobol_cobol常用知识

コボル基本語法1コボル基本語法一、COBOL基本語法compla項目使用的Cobol是MicroFocus公司生产的Cobol,采用在HP-UNIX上运行。一、cobol的书写格式(每行)1、前6列为序号区(一般不编辑)2、第7列为标示列,仅可以写如下几个标示符。a.“*”注释符(注释当前行的代码)b“/“注释符(注释当前行的代码,程序编译时,强制程序清单另起一页,不建议使用)c“-“字符串连接...

weixin_39959192的博客 290

COBOL语言的算法

在计算机编程的历史上,COBOL(Common Business-Oriented Language,通用商业语言)占据了重要的地位。自1959年问世以来,COBOL主要用于商业、金融和行政系统的开发,尤其在大型计算机系统中得到广泛应用。尽管如今有许多新兴编程语言层出不穷,但COBOL依然在一些关键行业中发挥着不可替代的作用。本文将深入探讨COBOL语言的算法特征,以及在实际应用中的优势与不足。

2501_90435663的博客 384

COBOL语言的函数实现

在COBOL中,函数通常被称为“段”(Paragraphs)或“节”(Sections)。这些段和节可以被调用,从而实现代码的重用。COBOL并不支持现代语言中常见的对象方法,但通过结构化的段可以实现相似的功能。COBOL语言作为一种历史悠久的编程语言,至今仍然在一些特定领域中发挥着重要作用。通过函数的实现,COBOL可以有效地组织代码,提高可读性和重用性。尽管面临着许多挑战,但其在财务、数据处理等领域的优势使其依然有着不可替代的地位。

2501_90485690的博客 442
上一篇: cobol结构
下一篇: cobol数据类型
java小安然
博客等级 码龄8年 180粉丝 28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