微信小程序如何实现在登录完成后才触发业务逻辑

微信小程序登录授权详解 ① 先调用wx.login获取登录凭证(code),然后通过code进而换取用户登录态信息,包括用户的唯一标识(openid)及本次登录的会话密钥(session_key)等。 ② 获取用户信息,先调用wx.getSetting获取用户当前的设置,判断用户是否授权过。如果已经授权.... 阅读详情

在小程序中,登录需要通过按钮才能触发了,那么在登录完成前(授权登录后逻辑登录),是不应该触发涉及用户的逻辑代码的,比如说没登录的情况下,用户中心页面应该不触发请求的。

解决方案可以自己封装底部导航栏,没有登录即不显示其他页面;也可以在进入页面的时候先判断是登录,登录了再触发逻辑。

相比于第二种,第一种麻烦很多,所以这里介绍第二种,登录后在触发逻辑。

思路如下:

在app.js中实现两个方法,一个方法是授权登录获取用户信息authorize,一个方法是判断是否已经登录waitLogin。在第二个方法waitLogin中,定时判断是否已经登录,如果登录了就返回确定标志。
为什么要是定时判断呢,如果不是定时判断,只触发一次判断,远远没有实现登录后立马触发逻辑代码的功能。


代码如下:

const Request = require("/utils/request");

App({

  onLaunch: function(options) {

    this.authorize(options.query);

  },

  authorize: function(share) {

        //登录并获取用户信息,最后保存到缓存和globalData中

  },


  globalData: {

    sessionid: "",

    userInfo: {},

    userLevel:{}

  },

  /**

  * 等待登录完成

  */

  waitLogin: function() {

    let promise = new Promise((resolve, reject) => {

      let timer = setInterval(() => {

        if (this.globalData.sessionid && this.globalData.userInfo.id && this.globalData.userLevel.id && this.globalData.isIOS !== undefined) {

          clearInterval(timer);

          resolve(this.globalData);

        } else {

          //todo 信息构建中

        }

      }, 250);

    });

    return promise;

  }

})


可以看到waitLogin 方法的重点在于定时和promise,只有在判断已经登录后,才会触发resolve。


需要登录才能触发的逻辑,在页面加载完成时调用getApp().waitLogin().then(data=>{});并在回调中触发逻辑代码即可,如下:

13908708-fe3c983cd502bba9.png
用户中心页面
微信小程序登录接口 在微信小程序的登录流程中,当用户触发登录操作后,小程序端会调用微信的登录接口获取一个临时的登录凭证(code)。微信接口服务的作用就是验证这个code的有效性,并返回相应的用户信息(如openid和会话密钥session_key)给开发者的服务器。它扮演了一个验证和授权的角色,确保只有经过验证的请求才能获得用户的身份信息,从而实现了安全的登录功能。它接收小程序端发送的临时登录凭证(code),然后利用这个code去请求微信接口服务,获取用户的openid和会话密钥(session_key)等信息。 阅读详情

相关推荐

【微信小程序】实现授权登入---超详细讲解_微信小程序登录

微信直接登陆1——wx.getUserProfile是授权登陆的案例效果演示,效果演示如下。需要将index.js中的canIUseGetUserProfile的属性值改为true。wx.login 和 wx.getUserProfile 是微信小程序中两个不同的授权接口,它们的作用和使用方式有一些区别。该流程图详细的结合项目、开发工具以及微信接口服务器仔细的为我们描述了一个个授权登陆的不走及调用的函数方法和传输的参数。微信直接登陆2——是wx.login授权登陆的案例效果演示,效果演示如下。

2501_90251088的博客 1123

微信小程序:登录的流程

整理总结近几个月开发小程序走过的弯路,不定期更新的日常。 版本使用的是微信的快速启动模板 微信登录的流程和项目的业务逻辑相关,我的理解不外乎就两种: a.用户不用授权就可直接进入小程序。 b.另外就是需要用户授权登录才可进入小程序 相比第一中比较简单,而且在开发过程中,也许要用户的自主授权,如果要获取用户的信息必须用户授权同意,还...

奔波儿灞07的博客 527

Wireshark、Fiddler、Charles 三款抓包工具的本质差异与选型指南

抓包工具是网络调试与接口分析的基础能力,其核心在于理解OSI模型分层原理——不同工具工作在不同协议层级,解决不同维度问题。Wireshark面向网络层(L2/L3),可捕获原始数据帧与TCP握手细节,适用于DNS异常、丢包重传等底层问题定位;Fiddler和Charles则工作在应用层(L7),作为HTTP(S)代理实现HTTPS解密、请求改写与弱网模拟,是API调试与移动端测试的首选。技术价值体现在:精准匹配问题域(如证书固定需Fiddler脚本绕过,iOS调试依赖Charles证书信任链),避免‘用显微

weixin_28831341的博客 254

UniApp 微信小程序:在 onLaunch 中等待异步方法执行完成后,再调用页面中的接口

最近遇到了一个问题:在 App.vue 中的onLaunch中调用登录接口时,由于异步登录尚未完成就调用了 index 页面的接口,导致 token 异常。如何确保页面在App中的onLaunch执行完毕后再继续执行呢?在网上查阅了一些资料,发现大多数解决方案涉及登录状态设置、页面通过轮询或消息通知等方式等待状态,这些方法都不太理想。解决方案:要确保在App.vue中的onLaunch调用登录接口完成后再调用index的其他接口,可以使用 Promise 来控制异步操作的执行顺序。

morecccc的博客 4047

特斯拉 Model 3解析(九)特斯拉 Model 3 自动驾驶域控制器硬件架构

硬件层:车规级高密度主板 → PI/SI优化到极致传感器层:三目摄像头主导视觉,雷达补充冗余,超声波保证近距设计理念:依靠芯片算力最大化视觉潜力,而不是堆传感器这套思路的优点是:成本可控、量产快、迭代快。缺点是:极端场景下感知鲁棒性不足。纯视觉方案短期可行,但中长期必然要重新引入高分辨率雷达甚至固态LiDAR作为冗余。电源/信号完整性会越来越关键,未来域控板设计会越来越像数据中心服务器。

weixin_43199439的博客 1789

ROS四旋翼无人机快速上手指南(3):工作环境文件框架与各功能包整体讲解

这一章节主要讲解无人机平台的控制文件架构和各个功能包组成和用法。

The Road of Engineer 2406

微信小程序登录组件封装 —— 完成已登录状态才能继续的操作

小编推荐:Fundebug专注于JavaScript、微信小程序、微信小游戏,Node.js和Java实时BUG监控。真的是一个很好用的bug监控费服务,众多大佬公司都在使用。 此组件是项目中用到的,项目结束了,分享给大家,希望能对大家有所帮助 这里只讨论怎样解决需要已登录状态才能继续操作,具体登录逻辑不做讨论 源码已经上传GitHub --> zy-login-view 求Sta...

qq_40126542的博客 3731

Dataworks实现接口调用

在本地linux虚拟机(不用在意linux版本),安装Anaconda后配置对应的虚拟环境,将虚拟环境的python包整体打包(路径一般为:~/anaconda/envs/env_name/lib/pyyhon3.7/site-packages):上传资源,将第三方包上传至dataworks(注意:所有上传文件均要打包上传,直接上传文件会乱码导致无法使用):PyODPS,其中PyODSP2的python版本为2.7,PyODSP3的python版本为3.7。:在PyODPS中引用资源,然后开发接口。

hutc_Alan的博客 1682

微信小程序 -- tabbar需要登录才能看的页面

一、问题 “我的”页面,需要登录才能进入,点击跳转登录页,但是跳转判断写在onshow中会出现,如果我不想登录了,点击左上角箭头返回,会出现反复跳登录的情况; 解决: 在"我的"页面,监听点击tab事件,未登录,跳转登录;onshow中switch到首页 二、解决 onShow: function () { if(!this.data.hasToken){ wx.switchTab({ url: '/pages/tabbar/home/index',

thingir的博客 2184

基于STM32、HAL库的RN8209D电能计量芯片驱动程序设计

/ 假设电压互感器变比为220V:0.5V,电流互感器变比为20A:5mA。// 电压ADC原始值。// 电流ADC原始值。// 有功功率(W)// 电能(kWh)

corlin6688的博客 472

ASPICE标准快速掌握「2.1. 过程能力概览」

一个项目的质量流程是否做的好最终会需要由一个指标来确定,ASPICE将其称为过程能力(Process capability),过程能力是一个综合的判定概念。而为了实现这个概念,ASPICE建立了一套完整的过程评估模型(Process Assessment Model),通过这套评估模型最终就能得出过程能力的最终得分。项目组根据这个得分不断改进和优化得分不足的方面,从而约束整个流程的各个方面来间接提升项目的最终质量。这里有三个关键术语:其中最主要的就是PAM,即过程评估模型,由ASPICE给出,该模型可以看成

雪云飞星的博客 1185

微信小程序 如何等待onLaunch拿到后端数据后,再执行onLoad

关键词:onLaunch onLoad 异步请求问题 问题: 在小程序启动时,我希望在app.js 的onLaunch生命周期里,调用后端接口,获取登陆状态token。 然后再加载首页,进入index.js时,携带此token,调用其它接口获取数据。 也就是说我希望的执行顺序是: 进入app.js 中 onLaunch ajax获取token完成,保存在storage里 进入index.js 中 onLoad 从storage里获取...

junzi528的博客 9186

华为OD机考双机位C卷 - 最左侧冗余覆盖子串 (Java)

华为OD机考双机位C卷 - 最左侧冗余覆盖子串 (Java), 提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 59

判断按钮是否触发单机时间_微信小程序如何实现在登录完成后才触发业务逻辑...

微信小程序如何实现在登录完成后才触发业务逻辑在小程序中,登录需要通过按钮才能触发了,那么在登录完成前(授权登录后逻辑登录),是不应该触发涉及用户的逻辑代码的,比如说没登录的情况下,用户中心页面应该不触发请求的。解决方案可以自己封装底部导航栏,没有登录即不显示其他页面;也可以在进入页面的时候先判断是登录,登录了再触发逻辑。相比于第二种,第一种麻烦很多,所以这里介绍第二种,登录后在触发逻辑。思路如下:...

weixin_39708557的博客 163

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

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

优雅解决微信小程序授权登录需要button触发

优雅解决微信小程序授权登录需要button触发 聊一聊最近的一个项目,这个项目是一个收书、售书的小程序,有商城、专栏、信息发布论坛等功能。虽然不是面向所有用户,但要求无论用户是否授权都皆可使用,但同时也要求部分功能对不授权的用户限制开放。 问题总结如下 首先是小程序不授权也可以使用,但是只有部分功能可用,比如浏览 第二问题是在用户想进一...

weixin_33743661的博客 4818

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")

微信小程序用户登录全流程开发:从0到1实现完整登录体系

本文详细介绍了微信小程序用户登录的全流程开发,从项目准备到核心功能实现,再到登录状态管理和业务扩展。首先,通过微信开发者工具创建项目并配置基础环境,包括页面导航栏和样式导入。接着,实现微信自动登录功能,利用 wx.login() 获取临时凭证 code,并通过服务器接口换取自定义 token,同时将 token 存储在全局数据和本地缓存中。登录状态管理部分,通过 checkLogin 方法校验 token 的有效性,确保用户登录状态的持久化。最后,扩展了积分系统和用户信息采集功能,展示了如何在小程序中获取用

-曾牛的博客 4555

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。

微信小程序-微信授权登录

授权弹窗后会获取我们的用户信息,通过登录判断我们是否登录过,若没有,则调用微信登录的函数进行登录操作,首先,将用户信息以参数的形式进行传递,通过用户信息向远程服务器(后端)发送请求,并携带授权登录时的临时code值,再通过调用微信的授权登录接口,将code值进行传入,然后返回一个结果对象,通过当前对象获取我们的session_key和openid(唯一标识),通过当前的openid可以获取到我们的用户信息判断我们是否之前登录过当前小程序,并将登录信息存储到数据库中,且将我们的登录时间进行更新

ChatYU的博客 5103

实现微信小程序登录strapi获取用户openid

在Strapi项目的目录中创建一个新的目录,例如。config:用于存储插件的配置信息。:用于处理HTTP请求。services:用于封装业务逻辑。routes:用于定义API路由(如果需要)。index.ts:插件的入口文件。在config目录中,你可以创建一个default.tsappId: '你的微信小程序APPID',appSecret: '你的微信小程序秘钥'在routes目录中,创建一个。

powerant的专栏 1294

微信小程序静默登录流程(等待登录完成方可请求业务),request网络请求封装,上锁避免重复login,区分测试环境(体验版)

如有错误或不好的地方,感谢指正 小程序登录 官方文档是本文的基础 为什么有这个 开发小程序时是否用户每次进入小程序都重新wx.login请求更新token? 当我刚接触做微信小程序的时候我这样做过,后端同样是这种方式,但显然根据官方的意思这是不合理的,不然你压根用不着checkSession,而且这样是有问题的 因此,才想把这一方面的东西记录下来,虽然现在没做小程序的项目,但也简单实现一下,以便自己以后用得着 关于静默登录的调用时机 当初始页面请求需要身份认证时,也许会遇到还没登录完成,token还

页面仔的博客 5081

微信小程序登录页面开发全解析

本文档详细介绍了微信小程序登录页面的开发实现方案。该登录页面基于微信原生框架开发,主要功能包括微信授权登录、JWT Token管理、登录状态维护和异常处理等。文档从技术架构、核心功能、代码实现、接口说明等多个维度进行了详细阐述,重点讲解了登录流程的实现细节,包括用户授权、code获取、后端验证等关键步骤。同时提供了完善的错误处理机制和兼容性方案,并强调了安全性和用户体验的注意事项。开发人员可参照本文档快速实现一个稳定、安全且用户友好的小程序登录功能。

weixin_64537406的博客 1555

微信小程序云开发如何实现微信支付,业务逻辑又怎样才算可靠

实现微信支付

weixin_43420127的博客 1336

微信小程序————实现登录功能

微信小程序实现登录

qq_43852612的博客 2130

微信小程序登录步骤

将获取到的 `code` 发送到你的后台服务器,后台服务器使用 `code` 向微信服务器换取用户的 `openId` 和 `sessionKey`。使用 `wx.login` 获取登录凭证,然后使用 `wx.getUserInfo` 获取用户信息。微信小程序的用户登录通常使用微信提供的开放能力,包括微信登录、获取用户信息等功能。在小程序中,你可以通过 `wx.getUserInfo` 获取用户的头像、昵称等信息,并进行相应的展示和业务逻辑。在小程序的页面中,添加一个按钮,用于触发登录操作。

A12536365214的博客 1473

微信小程序授权登录流程以及使用到的API

微信小程序的授权登录流程是一个涉及前端小程序与后端服务器以及微信服务器之间交互的过程。

weixin_56187723的博客 1070
上一篇: 封装微信小程序http拦截器
下一篇: 微信小程序封装分享与分销功能
Msgyvcici
博客等级 码龄11年 12粉丝 56原创
评论 2
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