json 工具类

json处理工具类 JSON字段过滤器 import com.alibaba.fastjson.serializer.PropertyFilter; import java.util.HashMap; import java.util.HashSet; import java.util.Map; import java.util.Map.Entry; import java.util.Set; public clas... 阅读详情

commons-beanutils-1.7.0.jar

commons-collections-3.2.jar

commons-lang-2.3.jar

ezmorph-1.0.6.jar

json-lib-2.1.jar

------------------------------------------------------------------   需要的包

 

 

 

 

 

package applet.utils;

import java.util.ArrayList;
import java.util.HashMap;
import java.util.Iterator;
import java.util.List;
import java.util.Map;

import net.sf.json.JSONArray;
import net.sf.json.JSONObject;


public class JsonUtil {
 /**   
      * 从一个JSON 对象字符格式中得到一个java对象,形如:   
      * {"id" : idValue, "name" : nameValue, "aBean" : {"aBeanId" : aBeanIdValue, ...}}   
      * @param object   
      * @param clazz   
      * @return   
      */    
     public static Object getDTO(String jsonString, Class clazz){     
         JSONObject jsonObject = null;     
         try{     
                   
             jsonObject = JSONObject.fromObject(jsonString);     
         }catch(Exception e){     
             e.printStackTrace();     
         }     
         return JSONObject.toBean(jsonObject, clazz);     
     }     
          
     /**   
      * 从一个JSON 对象字符格式中得到一个java对象,其中beansList是一类的集合,形如:   
      * {"id" : idValue, "name" : nameValue, "aBean" : {"aBeanId" : aBeanIdValue, ...},   
      * beansList:[{}, {}, ...]}   
      * @param jsonString   
      * @param clazz   
      * @param map 集合属性的类型 (key : 集合属性名, value : 集合属性类型class) eg: ("beansList" : Bean.class)   
      * @return   
      */    
     public static Object getDTO(String jsonString, Class clazz, Map map){     
         JSONObject jsonObject = null;     
         try{     
                   
             jsonObject = JSONObject.fromObject(jsonString);     
         }catch(Exception e){     
             e.printStackTrace();     
         }     
         return JSONObject.toBean(jsonObject, clazz, map);     
     }     
          
     /**   
      * 从一个JSON数组得到一个java对象数组,形如:   
      * [{"id" : idValue, "name" : nameValue}, {"id" : idValue, "name" : nameValue}, ...]   
      * @param object   
      * @param clazz   
      * @return   
      */    
     public static Object[] getDTOArray(String jsonString, Class clazz){     
              
         JSONArray array = JSONArray.fromObject(jsonString);     
         Object[] obj = new Object[array.size()];     
         for(int i = 0; i < array.size(); i++){     
             JSONObject jsonObject = array.getJSONObject(i);     
             obj[i] = JSONObject.toBean(jsonObject, clazz);     
         }     
         return obj;     
     }     
         
     /**   
     * 从一个JSON数组得到一个java对象数组,形如:   
      * [{"id" : idValue, "name" : nameValue}, {"id" : idValue, "name" : nameValue}, ...]   
      * @param object   
      * @param clazz   
      * @param map   
      * @return   
      */    
    public static Object[] getDTOArray(String jsonString, Class clazz, Map map){     
              
         JSONArray array = JSONArray.fromObject(jsonString);     
         Object[] obj = new Object[array.size()];     
         for(int i = 0; i < array.size(); i++){     
             JSONObject jsonObject = array.getJSONObject(i);     
             obj[i] = JSONObject.toBean(jsonObject, clazz, map);     
         }     
         return obj;     
     }     
          
    /**   
      * 从一个JSON数组得到一个java对象集合   
      * @param object   
      * @param clazz   
      * @return   
      */    
    public static List getDTOList(String jsonString, Class clazz){     
             
        JSONArray array = JSONArray.fromObject(jsonString);     
        List list = new ArrayList();     
        for(Iterator iter = array.iterator(); iter.hasNext();){     
             JSONObject jsonObject = (JSONObject)iter.next();     
            list.add(JSONObject.toBean(jsonObject, clazz));     
        }     
         return list;     
    }     
          
     /**   
      * 从一个JSON数组得到一个java对象集合,其中对象中包含有集合属性   
      * @param object   
      * @param clazz   
      * @param map 集合属性的类型   
      * @return   
      */    
     public static List getDTOList(String jsonString, Class clazz, Map map){     
              
         JSONArray array = JSONArray.fromObject(jsonString);     
         List list = new ArrayList();     
         for(Iterator iter = array.iterator(); iter.hasNext();){     
             JSONObject jsonObject = (JSONObject)iter.next();     
             list.add(JSONObject.toBean(jsonObject, clazz, map));     
         }     
        return list;     
    }     
         
     /**   
      * 从json HASH表达式中获取一个map,该map支持嵌套功能   
      * 形如:{"id" : "johncon", "name" : "小强"}   
      * 注意commons-collections版本,必须包含org.apache.commons.collections.map.MultiKeyMap   
      * @param object   
      * @return   
      */    
     public static Map getMapFromJson(String jsonString) {     
              
        JSONObject jsonObject = JSONObject.fromObject(jsonString);     
         Map map = new HashMap();     
       for(Iterator iter = jsonObject.keys(); iter.hasNext();){     
            String key = (String)iter.next();     
             map.put(key, jsonObject.get(key));     
         }     
         return map;     
     }     
         
     /**   
      * 从json数组中得到相应java数组   
      * json形如:["123", "456"]   
      * @param jsonString   
      * @return   
      */    
     public static Object[] getObjectArrayFromJson(String jsonString) {     
         JSONArray jsonArray = JSONArray.fromObject(jsonString);     
         return jsonArray.toArray();     
     }     
    
     
   
     public static void main(String[] args) {
//      String s = "[{id:'1',path:'2',name:'3'}]";
//      getDTOArray(s, LogDto.class);
      getObjectArrayFromJson("[\"ss\", \"sss\"]");
  }

 

}

SQL Server 内存占用高分析及解决办法(超详细) 如果想让 Sql Server 主动释放 占用并空闲的内存空间,可以设置Sql Server占用内存的上限,就会让Sql server在。如执行存储过程,自定函数时,SQL Server 需要先二进制编译再运行,编译后的结果也会缓存起来,再次调用时就无需再次编译。才会释放一点占用的内存,所以很多时候,我们会发现运行SQL Server的系统内存往往居高不下这些内存一般都。缓存,以便于再次请求此页的数据的时候,直接从内存返回,就无需读取磁盘了,大大提高了速度。最后文章有啥不对,欢迎大佬在评论区指点! 阅读详情

相关推荐

Matlab 2023b 科研党必备:MOSEK 10.1.25 安装与配置全记录(附License过期解决方案)

本文详细介绍了在Matlab 2023b中安装与配置MOSEK 10.1.25的全过程,特别针对科研用户提供学术许可申请、证书文件部署及环境集成的实用指南。文章还包含常见问题解决方案和性能调优建议,帮助用户高效完成优化计算任务。

weixin_30598225的博客 171

Json工具类

package com.imagedt.banana.visiting.util; import com.google.gson.*; import com.google.gson.reflect.TypeToken; import lombok.extern.slf4j.Slf4j; import net.sf.json.JSON; import org.apache.http.util.Te...

jsiostream的博客 566

仓储控制系统(WCS)设计

WCS系统设计方法

cetclyb的博客 2万+

JSON工具类

JSON工具类 package com.wei.Util; import com.fasterxml.jackson.core.JsonProcessingException; import com.fasterxml.jackson.databind.ObjectMapper; import com.fasterxml.jackson.databind.SerializationFeature...

qq_44370455的博客 117

LNA设计学习心得记录----MOS管的选取

LNA设计学习心得---MOS管的选取仿真

weixin_40359668的博客 6127

为什么我把「大模型Clouder认证:基于百炼平台构建智能体应用」作为大模型学习的第一站?从 0 到拿证全流程经验分享

【摘要】作为一个刚拿下「大模型 Clouder 认证:基于百炼平台构建智能体应用」的过来人,想在开头就和大家聊聊这个认证的特殊意义 —— 在企业加速 AI 落地的今天,能用低代码快速构建智能体应用,已经成为 AI 从业者的核心竞争力。无论是企业微信客服提效、钉钉机器人自动化办公,还是网站智能助手升级,这些场景化能力正是当下数字化转型的刚需。

davidkorhenn的博客 1527

JSON转换工具类

package com.core.common; import java.util.List; import javax.servlet.http.HttpServletRequest; import com.alibaba.fastjson.JSON; /**  *   * &lt;p&gt;ClassName: json转换工具类&lt;/p&gt;  * &lt;p&gt;Descrip...

照哈哈镜的大叔 371

STM32与AD7606的SPI通信优化:提升高精度数据采集效率

本文深入探讨了STM32与AD7606的SPI通信优化策略,旨在提升高精度数据采集系统的效率与稳定性。文章从硬件连接、电源去耦、PCB布局等基础环节入手,详细解析了软件驱动中SPI模式配置、DMA应用及精准时序控制等关键优化技术,并提出了系统级的性能提升方案,帮助开发者解决高速采样下的数据跳动、效率瓶颈等实际问题。

weixin_29192211的博客 392

java-JSON 处理工具类(JsonUtils)

JsonUtils 是一个处理 JSON 的工具类,提供了一系列静态方法来处理 JSON 数据。该工具类的主要功能有:将 Java 对象转换为 JSON 字符串:提供了一个方法 toJson,可以将一个 Java 对象转换为 JSON 字符串。将 JSON 字符串转换为 Java 对象:提供了一个方法 fromJson,可以将一个 JSON 字符串转换为指定的 Java 对象。

Flying_Fish_roe的博客 4523

postgresql 数据库 timescaledb 函数time_bucket_gapfill()报错解决及更换 license

最近在工作中使用postgresql 和 timescaledb 的time_bucket_gapfill()函数 报错,让更换license,在网上找了一大圈,没有找到,最后解决了这个问题,这篇文章记录我的解决办法查看timescaledb.license参数命令:show timescaledb.license;修改命令: 结果不行,报错如下:lter system set timescaledb.license=‘timescale’;那只能换包了如果出现上面那种情况,那我们只能先从官网上下载带 '

yang_z_1的博客 3249

FPGA新手必看:Quartus生成jic文件全流程详解(附AS/JTAG模式选择指南)

本文详细解析了在Quartus中生成JIC文件以固化FPGA程序到Flash的全流程。核心在于理解JIC文件作为连接JTAG调试与AS固化的桥梁作用,并重点阐述了Convert Programming Files工具的关键配置步骤、AS与JTAG模式的选择逻辑,以及烧录过程中的常见问题排查指南,帮助开发者实现程序断电不丢失。

weixin_29271053的博客 275

java json 工具类_强大的Java Json工具类

import java.io.BufferedReader;import java.io.InputStream;import java.io.InputStreamReader;import java.net.URL;import java.util.ArrayList;import java.util.Collection;import java.util.HashMap;import jav...

weixin_42492233的博客 450

第五节_PySide6基本窗口控件_主窗口和标签

本文介绍了PySide6中主窗口和标签控件的使用。主要内容包括: 窗口控件分类: QWidget是基础窗口部件,可作为独立窗口或子部件 QMainWindow提供标准应用程序框架,包含菜单栏、工具栏等 QDialog用于对话框,支持模态交互 主窗口创建: 演示了如何创建QMainWindow子类 实现了窗口居中、设置图标、状态栏等功能 提供了窗口几何信息的获取方法 QLabel标签控件: 继承自QFrame类 用于显示文本或图像 文章通过代码示例详细说明了主窗口的创建和使用方法,包括位置控制、图标设置等常见

su桥木的博客 1022

教你怎么编写高效的JSON工具类

在开发过程中,既有可能会用到JSON数据的传输。在JSON数据组装的过程中,你还在怕一个个字符串拼接出错而烦恼吗?这这里我整理了一个完整的工具类,能够帮助大家快速而高效的开发,妈妈再也不用担心我在这一块出错了。 package com.beichende.ibank.util; import com.google.gson.Gson; import com.google.gson.JsonAr

疾风丶Sao年的IT博客 1688

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")

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

json工具类

pom <!-- fastjson --> <dependency> <groupId>com.alibaba</groupId> <artifactId>fastjson</artifactId> <versio...

AmbroseLe 278

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

对象转JSON JSON转对象工具类

对象转JSon JSON转对象 public class ObjectMapperUtil { ​ //1.定义mapper对象 private static final ObjectMapper MAPPER = new ObjectMapper(); //2.将对象转化为JSON public static String toJSON(Object target) { try { return MAPPER.write

dengs11111的博客 963

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

处理json的工具类({本类为处理json的工具类})

<jackson.version>2.2.3</jackson.version> <!-- json --> <dependency> <groupId>net.sf.json-lib</groupId> <artifactId>json-lib</artifactI...

andymmm0925的博客 161

JSON字符串工具类

import com.alibaba.fastjson.JSON; import com.alibaba.fastjson.JSONObject; import java.util.List; import java.util.Map; /** * JSON字符串工具类 ...

chizi7811的博客 341

JSON转Map工具类

自己写的一个复杂JSON转换为Map的工具类,有兴趣的小伙伴可以提供建议 可以解析复杂的Map、List相互嵌套的JSON 使用方法:new一个Map 将map传入后,直接调用该map.get()即可,无需返回值 import com.alibaba.fastjson.JSONArray; import com.alibaba.fastjson.JSONObject; import java.util.ArrayList; import java.util.HashMap; import java..

qq_39733199的博客 1002

java json 工具类_java封装json工具类

这种工具类网上有很多,为什么我还要自己封装,就是为了一个字:用着“爽”!/**@author:作者Lelonta@version:1.0创建时间:2017-4-12 下午10:27:50类说明*/public class MyJson {/*** 返回成功数据* @param resObj* @return*/public static JSONObject returnSucc(Object r...

weixin_35057804的博客 257

json对比工具类

记录json对比工具类。

chou342175867的博客 752

Java操作Json的工具类

package com.baiyyy.polabs.util.json;         import java.text.ParseException; import java.util.ArrayList; import java.util.Date; import java.util.HashMap; import java.util.Iterator; import java...

生亦何欢,死亦何求 295
上一篇: apache fip 工具类
下一篇: fastJson
lb8607
博客等级 码龄18年 17粉丝 18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

打赏作者

lb8607

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