Fiddler中文版汉化插件 0.1

Fiddler之安装、汉化、及基础功能介绍 首先需要下载安装包,可以通过官网下载 也可通过网盘分享的文件下载:fiddler.zip含汉化包 链接: https://pan.baidu.com/s/1K4u5Rr6pZLsKtHksfvahCw?pwd=j9fs 提取码: j9fs –来自百度网盘超级会员v2的分享 下载后双击exe文件,点击同意,后选择安装路径,开始安装即可 如图:如图:选择安装路径1.首先将汉化插件解压如图里面有两个文件,将FiddlerTexts.txt文件放到fiddler.exe的同级目录 2.将FdToChinese.dl 阅读详情

自己写了一个Fiddler的汉化插件,欢迎大家来使用。O(∩_∩)O。。

 

http://download.youkuaiyun.com/detail/kingwolf_javascript/8212597

 

 

本插件的优势:
可以兼容Fiddler的大部分版本。
即使Fiddler升级了,本插件也支持汉化。
汉化插件采用的机制就是给Fiddler写扩展插件,是Fiddler本身就支持的功能,
由于没有修改任何Fiddler官方文件,所以本插件不像某些汉化版Fiddler会报毒。


本插件目前存在的不足之处:
由于是本人写着玩的,所以目前只对主菜单和右键菜单进行了汉化。

未来计划:
对常用的几个面板的内容进行汉化。

 

 

 

Fiddler Everywhere 3.3.1 保姆级安装与汉化教程(附资源包) 本文提供Fiddler Everywhere 3.3.1的详细安装与汉化教程,涵盖环境准备、分步安装、账户配置及界面本地化全流程。特别针对中文用户,解决官方英文界面和订阅制带来的使用障碍,并附资源包确保顺利实现抓包工具的深度定制与优化。 阅读详情

相关推荐

别再到处找汉化包了!Fiddler Classic最新版(Windows)一键汉化与抓包配置保姆级教程

本文提供Fiddler Classic最新版的一键汉化与抓包配置保姆级教程,解决汉化包版本老旧、恶意代码等问题。从安全安装到核心功能实战,涵盖HTTPS解密、移动端抓包等技巧,助你快速掌握这款HTTP调试利器。

weixin_30627341的博客 1169

抓包工具Fiddler的安装汉化+基础使用【软件测试】

本期导航:Fiddler安装汉化与基础使用; Fiddler是位于客户端和服务器端的HTTP代理,是强大且好用的 Web 调试工具之一。

qq_64359499的博客 1万+

告别英文界面!Fiddler Classic最新版保姆级汉化教程(附插件下载与配置避坑)

本文提供Fiddler Classic最新版的保姆级汉化教程,涵盖汉化前的准备工作、安全获取汉化资源、精准部署汉化文件、高级自定义汉化技巧以及汉化后疑难排查等内容。通过详细的步骤和实用技巧,帮助用户轻松告别英文界面,提升软件测试和网络排查效率。

weixin_30832143的博客 466

Fiddler中文版插件开发指南:扩展你的调试工具箱

Fiddler中文版作为强大的Web调试工具,提供了丰富的插件开发能力,让开发者可以自定义功能来满足特定需求。本文将为你详细介绍如何为Fiddler中文版开发插件,从基础概念到实战案例,帮助你快速掌握插件开发技巧。 ## 📦 插件开发基础概念 Fiddler中文版支持两种主要的插件开发方式:基于规则的脚本插件和独立的DLL插件。脚本插件使用C#或JScript.NET编写,可以直接修改Fid

gitblog_00029的博客 465

Fiddler 汉化

4.将压缩包「fiddler菜单汉化」文件夹中的「FdToChinese.dll」复制到「E:\Fiddler\Scripts」;将压缩包「fiddler菜单汉化」文件夹中的「FiddlerTexts.txt」复制到「E:\Fiddler」;5.重启 Fiddler,菜单栏常用功能菜单已经是中文了,需切换为英文则将上面两个文件移除即可。2.安装 Fiddler ,比如安装路径为:「E:\Fiddler」;1.下载 Fiddler 「

qq_42016302的博客 2万+

Fiddler 4.6中文版手机App抓包实战教程

Fiddler 是一款由 Telerik 开发的 HTTP 调试代理工具,广泛用于 Web 开发、接口测试以及移动端网络请求分析。它通过在本地计算机上设置代理服务器,拦截所有进出的 HTTP/HTTPS 请求与响应,帮助开发者实时查看、修改、重放和调试网络通信内容。Fiddler 的核心功能包括:抓包监控:实时捕获浏览器或应用程序发出的所有网络请求。请求/响应查看与编辑:可查看请求头、响应头、Cookie、表单数据等,并支持手动修改请求参数进行测试。断点调试。

weixin_28787801的博客 1059

Fiddler Classic 实现汉化

Fiddler Classic windows应用抓包工具

m0_64494670的博客 2821

Fiddler汉化插件汉化插件汉化插件汉化插件汉化插件

Fiddler汉化插件汉化插件汉化插件汉化插件汉化插件汉化插件汉化插件

Fiddler中文版完整教程:HTTP/HTTPS流量捕获与分析实战

Fiddler Web Debugger中文版是一款功能强大的Web调试工具,能够帮助开发者和测试人员轻松捕获、分析HTTP/HTTPS流量,是Web开发和网络调试的必备利器。本教程将为你提供从安装到高级使用的完整指南,让你快速掌握这款工具的核心功能。 ## 🌟 什么是Fiddler Web Debugger Fiddler是一款免费的Web调试代理工具,支持HTTP/HTTPS协议的流量捕

gitblog_00542的博客 832

Fiddler Everywhere 4.2.1 - x64win10企业版

用于网络抓包,web、app端数据抓取,在爬虫中会用到

COMSOL解的继承

COMSOL解的继承1. 应用场景2. 实现方法2.1. 添加研究步骤2.2. 引用研究 根据参考文献整理而来,原文见: http://blog.sina.com.cn/s/blog_4a0a8b5d010126w5.html https://www.zhihu.com/question/371867999/answer/1309194094 个人学习笔记,如有疏漏,欢迎补充 1. 应用场景 在COMSOL模拟中,一次求解之后往往遇到以下几种情况需要用到解的继承: 1)瞬态求解的继续运算。例如初始设定求解1

jessica0307的博客 2万+

Fiddler中文版常见问题解决:10个典型错误及处理方法

Fiddler中文版是一款强大的Web调试代理工具,作为网络嗅探和HTTP调试的终极解决方案,它帮助开发者轻松捕获和分析网络流量。然而在使用过程中,用户可能会遇到各种问题,本文将为您提供10个典型错误的完整解决方法指南,让您快速掌握Fiddler中文版的故障排除技巧。😊 ## 1. Fiddler中文版启动失败问题 **问题描述**:双击Fiddler.exe后无法启动,或者启动时立即崩溃。

gitblog_00195的博客 775

DM-VIO论文精读:从‘延迟边缘化’到‘位姿图BA’,手把手拆解单目VIO性能超越双目的秘密

本文深入解析DM-VIO技术如何通过延迟边缘化和位姿图BA创新,解决单目视觉惯性里程计(VIO)的尺度不可观性问题,并在精度上超越传统双目系统。文章详细介绍了延迟边缘化的双因子图结构设计、位姿图BA的多级初始化策略,以及系统级优化带来的性能提升,为VIO研究与实践提供了重要参考。

weixin_30616969的博客 428

Fiddler Web Debugger中文版终极指南:从零开始掌握网络调试神器

Fiddler Web Debugger中文版是一款强大的网络调试工具,能够帮助开发者和测试人员捕获、分析和修改HTTP/HTTPS流量,轻松解决各种网络相关问题。本文将为你提供从零开始的完整使用指南,让你快速掌握这款网络调试神器。 ## 为什么选择Fiddler Web Debugger中文版 Fiddler Web Debugger作为一款专业的网络调试工具,具有以下优势: - **全面

gitblog_00933的博客 1065

Arduino for ESP32-----ESP-NOW介绍及使用

ESP-NOWESP-NOW介绍ESP-NOW支持以下特性ESP-NOW技术也存在以下局限性获取ESP32的MAC地址ESP-NOW单向通信(One-way communication)ESP32单板间的双向通信一对多通信(一发多收)一对多通信(多发一收) ESP-NOW介绍 ESP-NOW是一种由Espressif开发的协议,可以让多个设备在不使用Wi-Fi的情况下相互通信。该协议类似于低功耗的2.4GHz无线连接。设备之间的配对需要在通信之前完成。配对完成后,连接是安全的、点对点的,不需要握手。这意味着

Better_man1的博客 2万+

零基础学习大气污染模式(WRF、WRF-chem、smoke、camx等)

零基础学习大气污染模式(WRF、WRF-chem、smoke、camx等)

weixin_56135535的博客 655

网络调试大师:Fiddler中文版全新应用指南

Fiddler Web Debugger 中文版是一款功能强大的网络调试工具,能够帮助开发者和普通用户轻松捕获、分析和修改网络请求。作为最后一个汉化版本(5.0.20202.18177),它保留了原版的全部核心功能,同时提供亲切的中文界面,让网络调试工作变得简单高效。 ## 🌟 为什么选择Fiddler中文版? Fiddler作为专业的Web调试工具,具备以下核心优势: - **全方位请求捕

gitblog_00024的博客 1023

海思方案定制hi3531dv200/SS528 DVR方案解析:从硬件选型到编解码实战应用

海思方案,Hi3518EV100,Hi3518CV100,Hi3515CV100,Hi3516CV100,Hi3516ECV100,Hi3516D,Hi3516A,Hi3519,Hi3520D,Hi3521A,Hi3535,Hi3531,Hi3536,Hi3536C,Hi3536D,Hi3518EV200,Hi3518EV201,Hi3520DV200,Hi3516CV200,Hi3516CV300,Hi3516AV200,Hi3520DV300,Hi3519V101,sd3403,hi3519av200

1587

Fiddler Web Debugger 中文版使用指南

Fiddler Web Debugger 中文版是一个功能强大的网络调试工具,专为中文用户提供本地化界面支持。该项目基于官方Fiddler进行汉化,版本5.0.20202.18177是最后一个汉化版本,旨在帮助开发者更方便地进行HTTP/HTTPS流量捕获和分析。 ## 快速开始 ### 安装部署 首先克隆项目到本地: ```bash git clone https://gitcode.c

gitblog_01176的博客 578

2026 AI编程环境安装指南:从下载、部署到流式验证

AI编程环境已不再是传统软件安装,而是融合硬件兼容性、模型运行时与IDE插件协同的系统工程。其核心原理在于:本地GPU驱动需匹配量化运行时(如Ollama v0.3+对CUDA 12.1+的强制要求),协议层依赖gRPC流式响应,生态层则要求插件签名与模型源可信校验。这一技术组合显著提升AI代码生成的实时性与生产就绪度,支撑微服务开发、CI/CD智能补全、本地LLM推理等关键场景。本文聚焦AI编程软件下载与安装过程中的可复现部署实践,覆盖macOS/WSL2双平台、NVMe模型加速、离线校验及原子化功能验证

weixin_30480075的博客 599

Codex 接入自定义大模型终极教程:插件解锁、会话管理、国产模型一键搞定

🚀 Codex 默认只能使用 OpenAI 官方模型?这篇文章带你从零接入 DeepSeek、通义千问、GLM 等国产大模型,并彻底解锁插件、会话删除、多模型切换等隐藏功能。配置原理、常见坑点、傻瓜式增强工具分享,小白也能轻松上手!🔥

XiaoqiangClub的博客 3160

Fiddler中文版:5个必备的网络调试技巧

Fiddler Web Debugger中文版是一款强大的HTTP抓包工具,专门为中文用户优化,让网络调试变得更加简单直观。无论您是前端开发、后端工程师还是网络管理员,掌握Fiddler都能极大提升工作效率。 ## 🔧 快速安装与环境配置 Fiddler中文版基于官方5.0.20202.18177版本汉化,下载后直接运行`Fiddler.exe`即可启动。首次运行时,系统会自动生成必要的配置

gitblog_00463的博客 819

在 Eclipse 中接入 DeepSeek:开启 Java 开发新效率

DeepSeek 能够根据自然语言描述,精准生成高质量的 Java 代码片段。无论是简单的方法编写,比如 “编写一个 Java 方法,用于计算两个整数的乘积”,还是复杂的类和功能模块创建,例如 “创建一个 Java 类,实现文件的读写操作,并包含异常处理机制”,它都能快速给出合理且可运行的代码示例。DeepSeek 生成的代码不仅实现了基本功能,还遵循 Java 的编码规范,添加了必要的注释,让代码更易于理解和维护,大大节省了开发者从头编写代码的时间和精力。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 4069

Fiddler中文版与Charles终极对比:哪个网络调试工具更适合你?

在当今的Web开发和网络调试领域,选择合适的调试工具至关重要。Fiddler中文版和Charles作为两大主流的网络调试神器,都能帮助开发者捕获和分析HTTP/HTTPS流量,但它们在功能、易用性和适用场景上各有千秋。本文将为你带来这两个工具的全面对比分析,帮助你找到最适合自己需求的网络调试工具。 ## 🚀 核心功能对比:两大调试神器的较量 ### Fiddler中文版的优势特点 Fidd

gitblog_00070的博客 323

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

Fiddler中文版终极指南:从零开始掌握网络调试神器

Fiddler Web Debugger 中文版是一款强大的网络调试工具,能够帮助开发者和普通用户轻松捕获、分析和修改网络请求。本文将为你提供一份全面的入门指南,让你快速掌握这款网络调试神器的使用方法。 ## 为什么选择Fiddler中文版? Fiddler作为一款专业的Web调试工具,具有以下优势: - 完全免费且功能强大 - 支持HTTP/HTTPS协议的完整捕获与分析 - 提供直观的用户

gitblog_00839的博客 934

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Fiddler Web Debugger中文版深度解析:5大核心功能详解

Fiddler Web Debugger中文版是一款功能强大的网络调试工具,专为开发者和测试人员设计,能够帮助您轻松捕获和分析HTTP/HTTPS流量。作为网络调试领域的终极利器,这个中文版本让国内用户能够更快速地掌握网络调试的核心技巧。本文将为您详细解析Fiddler中文版的5大核心功能,并提供实用的使用指南。 ## 🚀 一键安装与快速配置 Fiddler中文版的安装过程非常简单直接。您可

gitblog_00801的博客 478

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")

上一篇: Python拼接用户名和密码小程序
下一篇: 利用JS和CSS的覆盖特性来解决文件冲突问题
浴火_凤凰
博客等级 码龄19年 409粉丝 22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

打赏作者

浴火_凤凰

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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