RAD Studio 10.4.1新的基于Chromium的Microsoft Edge浏览器的TEdgeBrowser控件用法

Delphi12中使用TEdgeBrowser获取cookie 以上代码显然是C++的,其中的Callback函数,让人很是困惑,至少我困了,不知道如何在Delphi中直接使用这样的语法。接下来,找到下载的文件目录,从里面拷贝出来WebView2Loader.dll(找不到就搜索吧)。把这个动态库放到你发布的程序所在的目录,到这里就可以开发包含Edge浏览器控件的程序了。启动Delphi12编译器 打开菜单项。根据接口的使用规则,改造一下。 阅读详情
AI摘要

本文介绍了RADStudio 10.4.1中TEdgeBrowser控件的安装与使用方法,包括环境配置、基本浏览功能及与JavaScript交互等内容。

目录

RAD Studio 10.4.1新的基于Chromium的Microsoft Edge浏览器的TEdgeBrowser控件用法

一、TEdgeBrowser安装部署说明

1.1、TEdgeBrowser的使用环境安装

1.2、TEdgeBrowser所的依赖的动态链接库的安装

二、delphi 10.4.1下TEdgeBrowser的使用

1、很简单的浏览应用

1.1、输出内容与介绍:

1.2、代码如下:

1.3、运行效果(再也不想TWebbrowser那样不支持Bootstrap响应了)

2、与JavaScript交互

 附:本博客相关博文:

         1、《RAD Studio 10.4.1的TEdgeBrowser与javascript交互-基于Chromium的Edge浏览器控件用法之二》

         2、《Delphi Restful之客户端javascript与中间件服务器交互》

         3、microsoft-edge开发工具之网络工具的使用

网络功能参考 - Microsoft Edge Development | Microsoft Docs 

喜欢的话,就在下面点个赞、收藏就好了,方便看下次的分享:


RAD Studio 10.4.1新的基于Chromium的Microsoft Edge浏览器的TEdgeBrowser控件用法

一、TEdgeBrowser安装部署说明

1.1、TEdgeBrowser的使用环境安装

    TWebBrowser使用Win10之前的操作系统提供的IE浏览器; 只要Windows上安装有IE,它就可以工作。
    Microsoft Edge当时还并不是操作系统组件一部分。因此需要在计算机上安装后才能使用.
    从https://www.MicrosoftEdgeInsider.com/cn/download下载的基于Chromium的Microsoft Edge浏览器(Canary渠道版本WebView2 SDK、Dev渠道版本)。
    WebView2控件,当前可通过https://www.nuget.org/packages/Microsoft.Web.WebView2上的NuGet或通过GetIt程序包管理器获得
    若未能安装,请用我下面的百度版本:
        链接:百度网盘 请输入提取码 
        提取码:8191 
        复制这段内容后打开百度网盘--来自百度网盘V6超级会员Karma的分享

    (请参考:  https://github.com/webview/webview/tree/master/dll/x86) 

        安装后,Windows 64位注册表信息:

HKEY_LOCAL_MACHINE\SOFTWARE\Classes\Applications\msedge.exe\shell\open\command

"C:\Program Files (x86)\Microsoft\Edge\Application\msedge.exe" --single-argument %1

可用此Shell命令直接打开某网站:
"C:\Program Files (x86)\Microsoft\Edge\Application\msedge.exe" www.cpuofbs.com

1.2、TEdgeBrowser所的依赖的动态链接库的安装

    安装后,TEdgeBrowser将起作用,其控件才会在UI中呈现Web内容:

    1、安装:需要将WebView2的微软安装包:64位、32位  
    2、安装:微软Edge浏览器的开发版本:MicrosoftEdgeDev
    3、将分x86和x64:WebView2Loader.dll文件,分别拷贝到:C:\Windows\System32和C:\Windows\SysWOW64
    4、安装一下3、中文件(我安装的x86) :
        regsvr32 /i WebView2Loader.dll
    5、复制文件:
        将4、中的x86的两个文件复制到:[Delphi10.4Update1安装文件夹]\bin\ 下。

        运行时:将其复制到可执行文件目录(常识)。

二、delphi 10.4.1下TEdgeBrowser的使用

1、很简单的浏览应用

Chrome DevTools Protocol - latest (tip-of-tree)

https://chromium.googlesource.com/chromium/src/+log/master/third_party/blink/renderer/core/inspector/browser_protocol.json

1.1、输出内容与介绍:


默认开始初始化(UI设计时的)EdgeBrowser1或初始化动态产生的TEdgeBrowser
LICoreWebView2接口TGUID:{189B8AAF-0426-4748-B9AD-243F537EB46B}
EdgeBrowser浏览器内部执行的进程ID必须放在其事件中取引用>0的,否则访问的是其基础进程ID(0):0
窗体加载TEdgeBrowser组件时就完成了WebView2组件的初始化

必须EdgeBrowser1.WebViewCreated,否则接口调用报错!
有这样一些接口:
DefaultInterface: ICoreWebView2
ControllerInterface: ICoreWebView2Controller
EnvironmentInterface: ICoreWebView2Environment
SettingsInterface: ICoreWebView2Settings

TEdgeBrowser:支持异步产生WebView控件:
有这样一些方法:
TEdgeBrowser.CreateWebView
TEdgeBrowser.CloseWebView
TEdgeBrowser.CloseBrowserProcess

EdgeBrowser浏览器内部执行的进程ID必须放在其事件中取引用:12504

TEdgeBrowser需要初始化一些参数,以使一些方法或接口生效:

    EdgeBrowser1.BuiltInErrorPageEnabled :=true; //:替代了浏览器内部错误提示
    EdgeBrowser1.ZoomControlEnabled :=true; //:控制用户是否可以影响WebView的缩放
    EdgeBrowser1.DevToolsEn
Delphi中集成Edge浏览器:TEdgeBrowser与WebView2实战指南 随着桌面应用对现代Web技术(如H5动画、WebGL、ES6)的需求日益增长,传统基于IE内核的TWebBrowser组件已力不从心。WebView2作为微软Edge的Chromium内核运行时,为Delphi开发者提供了高性能、高兼容性的嵌入式浏览器解决方案。本文从浏览器内核演进原理出发,对比TEdgeBrowser与CEF的优劣,解析WebView2运行时的部署机制与32/64位匹配要点,并结合企业管理系统、本地业务与网页双向通信等典型应用场景,详细阐述TEdgeBrowser的界面集成、JS双向交互、 阅读详情

相关推荐

RAD Studio 10.4.1的TEdgeBrowser与javascript交互-基于Chromium的Edge浏览器控件用法之二

RAD Studio 10.4.1的TEdgeBrowser与javascript交互-基于Chromium的Edge浏览器控件用法之二 现在delphi在服务器有了TEdgeBrowser可以很方便的与javascript相互沟通了,这都得益于基于Chromium的Microsoft Edge浏览器不仅如此,delphi的桌面c/s多层分布式应用程序的客户端,TEdgeBrowser也可以让Edge浏览器很通畅的访问Bootstrap响应式H5页面,再也不会走形变样啦。 ...

pulledup的博客 6803

Delphi 10.4.1 EdgeBrowser 模拟操作网页方法

Delphi 10.4.1 EdgeBrowser 模拟操作网页方法 以往一直用TWebBrowser 或者 C++ Builder 中的TCcpWebBrowser来写网页模拟操作 这两个控件可以使用WebBrowser.OleObject.document、WebBrowser.Document As IHTMLDocument2来实现大部分的操作 发现这两者都是依赖于IE内核,虽然可以设定IE 11内核,但是今年微软公布11月底停止更新了 所以可以考虑使用微软推出的Edge浏览器 进入正题: Delp

zhou752947的博客 7565

Delphi嵌入式浏览器控件EmbeddedWB:从IE内核到现代WebView的演进与实践

在桌面应用开发中,浏览器控件是实现原生应用与Web内容融合的关键技术组件。其核心原理是通过封装操作系统提供的浏览器渲染引擎(如IE的Trident),为应用程序提供内嵌的网页渲染与交互能力。这项技术的价值在于能够以较低成本扩展桌面应用的功能边界,实现动态内容展示、在线帮助、数据可视化等混合开发场景。随着Web技术的演进,从早期的IE内核到现代Chromium内核,浏览器控件经历了从兼容性适配到性能与标准支持全面提升的过程。本文聚焦于Delphi开发中的经典控件EmbeddedWB,深入探讨其多版本兼容性、I

chubaisheng8627的博客 433

TEdgeBrowser控件+delphi10.4.1获取网页源码demo.rar

delphi10.4.1+js+TEdgeBrowser控件编写的获取网页源码demo,同时分享TEdgeBrowser控件!

全新Edge浏览器(基于chrome内核)

微软决定把 Win 10 自带的 Edge 浏览器内核换成 Chromium,就是一向以稳定著称的 Chrome 浏览器同款内核。 夸张点说:下次评选世界最优秀浏览器时, 第一名可能不再是 Chrome,而是新 Edge! 1. 颜值 仍然是简洁清晰的 Fluent Design 设计风格,在美观度上与苹果、谷歌风并驾齐驱。 首页自带的每日壁纸推荐(类似每日必应),又使这种简洁美充满新鲜感。 而且新 Edge 还提供了标准、新闻、专注三种主页样式,可以说十分贴心了。 2. 账户管理 新 Edge 会迅速、自动登录电脑上已有的 Windows 账户,并无缝导入 Chrome 浏览器上收藏的书签、浏览记录和密码。 整个过程几乎不可见,也就是说你可以无痛切换新浏览器 3. 更快更流畅的视觉体验 换上 Chromium 内核后,新 Edge 的网页加载、切换速度比旧 Edge 快了不少,跟 Chrome 差不多。 新 Edge 的视觉体验也变舒服了,特别是滚动网页时,Chrome 似乎在掉帧,新 Edge 却十分丝滑,好似闲庭信步。

delphi 中使用TWebBrowser控件

1.获得网页中变量值 2.执行网页中的函数 3.设置网页背景 4.调用网页中已知对象

Delphi TEdgeBrowser插件及运行库

Delphi TEdgeBrowser插件及运行库,含 EdgeBrowser Dev和WebView2SDk_DLL。 适用于Delphi 10.4.x 及 Windows10. TWebBrowser使用Win10之前的操作系统提供的IE浏览器; 只要Windows上安装有IE,它就可以工作。 Microsoft Edge当时还并不是操作系统组件一部分。因此需要在计算机上安装后才能使用.

WebView2Browser:使用Microsoft Edge WebView2控件构建的Web浏览器

描述 extendedZipContent 语言 page_type 产品 urlFragment 使用Microsoft Edge WebView2控件构建的Web浏览器。 小路 目标 执照 执照 cpp javascript 样本 微软边缘 webview2浏览器 WebView2浏览器 使用控件构建的Web浏览器。 WebView2Browser是Windows桌面应用程序示例,演示了WebView2控件功能。 它是作为Win32 项目构建的,并在WebView2环境中同时使用C ++和JavaScript来增强其功能。 WebView2Browser显示了WebView2的一些最简单的用法-例如创建和导航WebView,还显示了一些更复杂的工作流,例如使用在单独的环境中通信WebView。 它旨在作为丰富的代码示例来介绍如何使用WebView2 API来构建自己的应

Python pydub实现语音停顿切分

将pcm文件批量处理成wav文件 import wave import os filepath = "data/" # 添加路径 filename = os.listdir(filepath) # 得到文件夹下的所有文件名称 #f = wave.open(filepath + filename[1], 'rb') #print(filename) for i in range(len(fi...

wangqianqianya的博客 1万+

Qt5.14.2+VS2017开发环境搭建全流程(含插件配置与项目测试)

本文详细介绍了Qt5.14.2与VS2017开发环境的完整搭建流程,包括软件安装、插件配置、环境变量设置以及项目测试。特别针对实际开发中常见的配置问题提供解决方案,帮助C++开发者快速搭建高效的Qt开发环境。

weixin_28419039的博客 218

QNX Neutrino 进程间通信编程之Message-passing/Pulse

Interprocess Communication(IPC,进程间通信)在QNX Neutrino从一个嵌入式实时系统向一个全面的POSIX系统转变起着至关重要的作用。IPC是将在内核中提供各种服务的进程内聚在一起的粘合剂。在QNX中,消息传递是IPC的主要形式,也提供了其他的形式,除非有特殊的说明,否则这些形式也都是基于本地消息传递而实现的。本篇幅主要讲解Message-passing和Pulse。

zhuwade的博客 3534

osgEarth实战:5分钟搞定3DTiles模型加载(附完整配置代码)

本文提供了一份osgEarth加载3DTiles模型的实战指南。通过详解核心Earth文件配置与精简的C++集成代码,帮助开发者快速在三维地球场景中集成倾斜摄影与BIM等海量模型,并分享了性能调优与常见问题排查技巧,有效提升开发效率。

jjj34的博客 480

层层剖析,让你彻底搞懂Self-Attention、MultiHead-Attention和Masked-Attention的机制和原理

本文内容 本文基于李宏毅老师对 Self-Attention 的讲解,进行理解和补充,并结合Pytorch代码,最终目的是使得自己和各位读者更好的理解Self-Attention 李宏毅Self-Attention链接: https://www.youtube.com/watch?v=hYdO9CscNes PPT链接见视频下方 通过本文的阅读,你可以获得以下知识: 什么是Self-Attention,为什么要用Self-Attention? Self-Attention是如何做的? Self-Atten

iioSnail的博客 2万+

最新Python爬虫实战(入门爬虫篇)——案例16:2345天气网城市天气预报数据采集(详细爬虫思路截图+抓包动图演示+完整爬虫代码+详细注释)

本次案例通过 Python 爬虫技术,成功实现了对 2345 天气网城市 15 天天气预报数据的批量爬取与 Excel 保存。代码采用模块化设计,包含网页请求、HTML 解析、数据清洗、Excel 持久化等完整流程;通过配置模拟浏览器的请求头,有效规避基础反爬策略,保证请求的稳定性。整个爬虫逻辑遵循 “网页请求 → HTML 解析 → 提取天气信息 → 保存到 Excel” 的标准流程,与静态网页爬取范式高度一致。

努力让自己发光,对的人才能迎着光而来 10万+

T527 uart串口配置导致系统进不去

T527 s_uart串口配置导致系统进不去。

Linux驱动开发工程师,熟悉Linux/Android底层驱动、TP、显示、IIC、网络等通用外设调试适配,Linux上层应用开发。常用平台瑞芯微、全志、恩智浦等。 678

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

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

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: Icons8 Cube4Nano专业外置声卡设备与windows event log无法启动
下一篇: RAD Studio 10.4.1的TEdgeBrowser与javascript交互-基于Chromium的Edge浏览器控件用法之二
专讲冷知识
博客等级 码龄15年 568粉丝 292原创
评论 37
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

专讲冷知识

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