python简单脚本2

Mac 不支持python 2.7,Alfred 大量python 脚本运行出错方案解决 如何解决Mac 不支持python2 后,Alfred 无法使用问题 阅读详情

编写一个python脚本,判断用户输入的变量名是否合法?

(首位为字母或下划线,其他为数字,字母或下划线)

#!/usr/bin/env python
#coding:utf-8

import string

bianliang=raw_input("please input bianliang:")

a=1
if bianliang[0] not in string.letters+"_":
    print("shibai")
else:
    for i in bianliang[1:len(bianliang)]:
        if i not in string.letters+string.digits+"_":
            print("shibai")
            a=0

    if a==1:
        print("ok")

测试结果

这里写图片描述

用户输入一个数字,判断是否为质数;

#!/usr/bin/env python
#coding:utf-8

Num=input("please input a number:")

if Num<=1:
    print "this number is not suzhu"
else:
    min = 2
    while min < Num:
        if Num%min==0:
            print "this number is not suzhu"
            break
        min+=1
    else:
        print "this number is suzhu!!!"

测试结果

这里写图片描述

处理字符串”1Xa7YzU”,最终分别打印数字,大写字母和小写字母;

#!/usr/bin/env python
#conding =utf-8

s = "helo12Xy6z"
xiao = ""
da = ""
shu = ""
for i in s:
    if i.islower():
        xiao=xiao+i
    if i.isdigit():
        shu=shu+i
    if i.isupper():
        da=da+i
print "daxie:"+da
print "xiaoxie:"+xiao
print "shuzi:"+shu

测试结果

这里写图片描述

ERA5气象数据下载与解压全攻略:Python脚本一键搞定(附错误处理技巧) 本文提供了一套完整的ERA5气象数据自动化处理方案,涵盖从CDS API配置、智能批量下载到高效解压与数据验证的全流程。重点介绍了如何通过Python脚本实现一键式数据下载与批量解压,并分享了实用的错误处理技巧与性能优化策略,帮助科研人员高效获取和处理大规模气象数据。 阅读详情

相关推荐

使用electron静默打印

使用electron静默打印 1.使用electron打印的理由 很多情况下程序中使用的打印都是用户无感知的。并且想要灵活的控制打印内容,往往需要借助打印机给我们提供的api再进行开发,这种开发方式非常繁琐,并且开发难度较大。 electron提供的打印api可以非常灵活的控制打印设置的显示,并且可以通过html来书写打印内容。 2.api ele...

w1366352655的博客 945

编写一个完整的python脚本(新建脚本--编写脚本--执行脚本)

1、python脚本的格式是什么 举个例子来说明:hello.py中hello是脚本名,py脚本格式 2、脚本的结构 #coding:utf-8 //脚本头 一个空行分割 import os //引用部分 两个空行的分割 print(‘欢迎大家’)//业务部分 print(‘学习python’) 结尾,一个空行 注: 脚本的规范大致分为三部分,但不是说每个程序都要包含这三部分,但是一个程序至少要有业务部分,不然就没有太大意义 3、试着编写脚本 #coding:utf-8 print(

weixin_54555816的博客 4万+

MiniMax H3 + ComfyUI 工作流搭建指南:从整合包到视频生成

AI视频生成正成为内容创作的新基础设施,而ComfyUI作为可视化工作流引擎,将复杂的模型推理过程拆解为节点与连线,让本地视频生成变得可复用、可批量。理解这一原理后,用户无需编写代码,只需掌握模型加载、提示词控制、采样与解码的基本链路,即可搭建出稳定的视频生产管线。MiniMax H3作为前沿视频生成模型,在ComfyUI中通过权重文件和自定义节点落地,配合整合包可大幅降低环境配置门槛。从硬件评估、目录结构到节点连接与参数调优,本文系统性梳理了从零跑通一条视频生成工作流的完整路径,帮助用户在批量素材生成、风

weixin_29057065的博客 416

python脚本编写

什么是脚本 Python 是一种“脚本语言”。脚本,对应的英文是:script。一般人看到script这个英文单词,或许想到的更多的是:电影的剧本,就是一段段的脚本,所组成的。电影剧本的脚本,决定了电影中的人和物,都做哪些事情,怎么做。而计算机中的脚本,决定了:计算机中的操作系统和各种软件工具,要做哪些事情,以及具体怎么做。 脚本 vs 程序 你可能想要了解脚本与一般程序的区别...

reallyr的博客 21万+

5款高性价比LDO芯片实测对比:从TPS7A4501到LM2940,哪款更适合你的项目?

本文通过实测对比了TPS7A4501、TPS72301、LM2937、LM2940等五款高性价比LDO芯片的核心性能。文章详细分析了跌落电压、输出噪声、静态电流及热性能等关键指标,并结合电池供电物联网节点、高精度数据采集等典型应用场景,提供了清晰的选型指南,帮助工程师根据项目需求选择最合适的LDO芯片。

weixin_29305337的博客 116

5-DOF机械臂课程设计(一)之正逆运动学

文章目录基本要求基本概念关节坐标系的建立正运动学求解DH参数表的建立逆运动学求解多解下解的选取源码下载后续 基本要求 ​ 开发上位机程序,要求有良好的界面,能提供关节空间下和笛卡尔坐 标下表示的目标位姿点和中间若干经过点的输入功能,进行轨迹规划, 并控制机械臂沿轨迹运动,最终完成目标抓取的任务。 基本概念 连杆长度 :2个相邻关节轴线之间的距离 连杆扭角 :2个相邻关节轴线之间的角度 连杆偏距 :2个关节坐标系的X轴之间的距离 关节角度 :关节变量 计算时需要加初始角度偏移 关节坐标系的建立 ​ 根据《机

Rosen的博客 5859

10个常用Python自动化脚本

大家好,Python凭借其简单和通用性,能够为解决每天重复同样的工作提供最佳方案。本文将探索10个Python脚本,这些脚本可以帮助自动化完成任务,提高工作效率。无论是开发者、数据分析师还是仅仅想简化工作流程的普通用户,这些脚本都能提供帮助。

csdn1561168266的博客 4万+

Camera tuning flow相机调试流程

相机调试流程分为三大模块:ProcessRaw处理原始数据(黑电平校正、阴影校正),3A实现自动控制(曝光/对焦/白平衡),ISP进行图像精加工(伽马校正、锐化降噪、色彩处理)。三个阶段环环相扣,前阶段为后阶段提供基础,最终输出画质优良且风格化的图像。

weixin_64706696的博客 1230

20个Python编程脚本,学会这些让你拥有超能力

这 20 个 Python 编程脚本涵盖了文件处理、网络操作、数据处理、自动化任务等多个方面。通过学习和实践这些脚本,你可以逐渐掌握 Python 的基本语法和常用库的使用方法,从而能够根据自己的需求开发出更多功能强大的程序,真正拥有编程“超能力”。不断探索和尝试,你会发现 Python 在解决各种实际问题中的无限潜力,开启你的编程之旅,让 Python 成为你得力的工具助手。如果你正在学习Python,那么你需要的话可以,点击这里👉。

2301_78150559的博客 3654

微信小程序 - 最新详细实现调起手机摄像头拍摄身份证人像面和国徽面取景框功能,在拍照相机上增加身份证证件照的轮廓或自定义文字,支持替换扫描拍摄辅助线图片及文本,小程序实现拍照身份证时带取景轮廓框拍摄!

微信小程序,身份证,证件照,人像,证件照提示框模板,vue身份证拍照框,摄像机相机里有引导内容,取景框拍摄,微信小程序实现拍照界面自定义实现,自拍人相框拍摄,取景框,户口簿取景框,画布指定区域生成图片,微信小程序身份证正反面拍照如何加入辅助图片引导照片,身份证取景框拍摄,服务器,上传,正反面,调起手机摄像头: 拍摄身份证的正反面,自定义身份证取景框,在相机上绘制 “身份证轮廓“ 与提示文字,拍摄身份证时出现人像框怎么实现,在相机上增加图片和文字,微信小程序怎么给调起的相机加入自定义图片,小程序实现给相机上面

🏆 前端领域优质创作者 3406

Unity 工具 之 SoftMask软遮罩 实现 UI 边缘渐变过渡的简单使用介绍

目录Unity 工具 之 SoftMask软遮罩 实现 UI 边缘渐变过渡的简单使用介绍一、简单介绍二、Mask 实现的遮罩效果三、Soft Mask 实现遮罩效果四、 Soft Mask 的一些设置五、插件下载Unity 工具类,自己整理的一些游戏开发可能用到的模块,单独独立使用,方便游戏开发。

仙魁XAN 8575

5个实用的自动化Python脚本

Python 是一种功能强大的语言,广泛用于自动执行各种任务。无论您是开发人员、系统管理员,还是只是想通过自动化日常任务来节省时间的人,Python 都能满足您的需求。这里有 5 个 Python 脚本,可以帮助您自动执行各种任务。

金戈鐡馬 5661

【AUTOSAR-CanNM】-3.1-如何让ECU发出的首帧是NM帧(Tx Nm报文先于Tx App应用报文发出)

如何让ECU发出的首帧是NM帧(Tx Nm报文先于Tx App应用报文发出)

「汽车电子助手」的博客 4724

【python】简单的备份脚本2

根据日期建立文件夹并存放备份的文件。# 4. The current day is the name of the subdirectory in the main directorytoday = target_dir + t...

cojm55771的博客 97

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,

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

php调用python脚本快速读取excel_2 个简单的 python 脚本,连接 MySQL 和读取 Excel

python脚本第一次写博客,已经工作一年半了,从事PHP后端,最近尝试新语言,换换胃口,看了看go和python,最后选择了python。刚好上周遇到读取excel,编写sql导入数据库的工作,尝试写个脚本。下次就不用重复写了。运行环境:python 3.8.1windows 7一。连接mysql连接mysql有很多种方式:pymysql mysql-connector mysqldb。之...

weixin_39980596的博客 190

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")

简单的目录扫描python脚本2.0

本文介绍了一个基于Python的简单目录扫描工具,它可以自动检索网页源代码中的关键字,并将结果保存到指定的文件中。通过使用Python的requests库,该工具提供了一种高效、灵活的方法,可用于网络安全测试和网站管理等领域。这次,我在1.0版本中进行了一个升级,感觉1.0太麻烦了,每次都要进入到代码中去修改字典,修改输出的文件名,关键字啊什么的,这次使用命令行就可以更改了!发现还是可以运行,并且自动创建了txt文件,后面应该还要改进改进,从而面对不一样的问题!help一下看看参数。

qq_41567985的博客 297

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。

音乐快闪表演制作全解析:从音频处理到多机位视频同步

音频处理是音乐制作的核心技术之一,它通过信号链路的精确配置实现声音的优化与美化。其原理涉及增益控制、均衡调整、动态处理等环节,旨在提升音质一致性和听觉体验。在工程实践中,音频处理的价值在于平衡实时性与专业性,尤其在现场表演场景中至关重要。以Pop-up Performance为例,这类快闪表演需要在有限准备时间内实现接近录音室质量的音视频效果,涉及音频设备配置、实时效果器链搭建和多机位视频同步等关键技术。通过合理的设备选型如Focusrite Scarlett声卡和Ableton Live软件,结合时间码同

weixin_33785108的博客 412

maya通过python输出fbx_Python:Maya2WRL简单导出脚本(source included)

可以快速的导出Maya的mesh到wrl格式(For my GF) 例如,上图Tshape所导出wrl为:#VRML V2.0 utf8 (Converted to ASCII)#Exported from Maya by SU&WEIShape {geometry IndexedFaceSet {coord Coordinate {point [-0.5 -0.5 0.5 -10....

weixin_39631295的博客 548

cocos2d-x 2.x使用python脚本快捷创建项目的简单方法

原文链接

772

Python2.*脚本转换成Python3.*脚本

将D:\Program Files (x86)\python\Tools\Scripts\2to3.py拷贝到和你想转换文件的文件夹下,比如我现在的脚本文件在D:\ 然后运行>>cmd>>d:>>2to3.py -w kNN.py 按以上步骤执行即可完成转换

木凌的博客 988

推荐一款Python脚本转换工具:pyst2

推荐一款Python脚本转换工具:pyst2 项目简介 上的是一款轻量级的Python脚本转换工具,它可以帮助开发者将Python 2代码快速、有效地迁移到Python 3。 项目功能与用途 自动迁移Python 2代码:通过使用pyst2,开发者可以快速地将他们的Python 2代码转换为兼容Python 3的版本。 保留原始代码风格:在进行转换时,pyst2会尽可能地保留原有的代码风格和注释...

gitblog_00038的博客 467

python合并pdf_一个用于合并pdf的简单Python脚本

在学校打印店,有时会打印很多文件,因为文件数量多,过程会比较繁琐。自己没事动手写了一个pdf合并的python脚本,方便将多个pdf文件合并为一。这样打印时候只需点开一个文件打印即可。使用方法必要的安装需要Python和PyPDF2。Python安装可在官网找到;PyPDF2可以通过pip安装,可以利用命令行工具输入一下命令pip install PyPDF2使用将需要合并的文件与本文后面的Pyt...

weixin_39517859的博客 415

Python爬虫之路——简单的网页抓图

用Python的urllib2库和HTMLParser库写了一个简单的抓图脚本,主要抓的是http://desk.zol.com.cn/meinv/这个链接下的图片,通过得到图集的起始URL地址,得到第一张图片,然后不断的去获取其下一个图片的URL,继而得到所有首页的图集的图片。 整个源码如下,比较简单,写这个只是简单的练手而已 #coding: utf-8 #############

txg703003659的专栏 6万+

java执行python脚本_在Java中调用并接收Python脚本的输出?

您可以在Java项目中包含Jython库。您可以从Jython项目本身download the source code。Jython确实提供了对JSR-223的支持,这基本上允许您从Java运行Python脚本。您可以使用ScriptContext来配置要将执行结果发送到的位置。例如,假设在名为numbers.py的文件中有以下Python脚本:for i in range(1,10):print...

weixin_39711441的博客 1113

selenium+python建立环境和录制脚本

环境的建立 ü 安装JDK 因为之前配置monkeyrunner的环境,JDK已经安装,这里不再赘述 ü 安装Python2.7 需要将python添加到环境变量中(右击计算机->属性->高级系统设置->环境变量->path) 此时直接打开cmd,输入python就应该能调出python的运行环境 ü 安装selenium,使用...

weixin_30535565的博客 457

python2代码转化为python3

在需要转化的目录中执行一下内容的代码: #!/usr/bin/env python import sys from lib2to3.main import main sys.exit(main("lib2to3.fixes")) 1.python 2to3.py test.py  显示python2与python3不同的地方 2.python 2to3.py -w te

rookie liang的博客 1556
上一篇: shell简单笔记
下一篇: 用python完成简单面试题
python_bobo
博客等级 码龄9年 15粉丝 45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