mysql导出数据写入文本转成excel文档

Python读取Mysql语句并写入Excel文档 阅读详情

由于导出的数据量太大 预估可能需要百万行,用工具导几w行已是瓶颈,所以用sql查出数据 写入文本,再用Python写入excel。

select path ,size,createtime  
into outfile 'alldata.csv' FIELDS TERMINATED BY ','  OPTIONALLY ENCLOSED BY '"'  LINES TERMINATED BY '\n'   from pusher_2_days where createtime > '2016-01-18 13:00:00' and createtime<='2020-01-18 17:30:00'; 

把csv文档down到本机 写程序处理 需要先安装openpyxl包

import os
import openpyxl

def read_txt(filename,i):
	with open(filename,'r',encoding = 'utf-8') as f:
		for line in f.readlines():
			i=i+1
			write_excel(line,i)



def write_excel(line,row):
	#outwb = openpyxl.Workbook()
	#outws = outwb.create_sheet(index=0)

	#print(line.split(','))
	j = 0
	for col in line.split(','):
		replace_col = col.replace('"','')
		#print(col)
		j=j+1
		outws.cell(row=row, column = j).value = replace_col
		
		
		


if __name__ == '__main__':
	filelist = ['']
	#filelist = ['201911.csv',]
	csvfiledir = r'd:\work\2020'
	for fname in filelist:
		i=0
		csvfile = os.path.join(csvfiledir,fname)
		print(csvfile)
		outwb = openpyxl.Workbook()
		outws = outwb.create_sheet(index=0)
		read_txt(csvfile,i)
		savefile = os.path.splitext(fname)[0]+'.xlsx'
		print(savefile)
		saveexcel = os.path.join(csvfiledir,savefile) 
		outwb.save(saveexcel)
MFC从数据库里导出excel文档 void CPctoolDlg::OnUserExcell() { if(!m_ExlApp.CreateDispatch("Excel.Application",NULL)) { AfxMessageBox("创建Excel服务失败!"); return; } //m_ExlApp.SetVisible(TRUE); CString TempPath 阅读详情

相关推荐

【Python教程】python如何把数据导出生成excel

在Python中,将数据导出生成Excel文件,最常用的库之一是openpyxl(用于处理.xlsx文件)和pandas(提供了更高级的数据处理功能,并且可以很方便地将DataFrame导出到Excel)。以下将分别介绍如何使用这两个库来生成Excel文件。

No8g攻城狮的博客 4079

计算机表格转文本,excel表格如何导出数据变为文本-excel表格怎么把数字转换成文本格式...

excel表格里的文字怎么转换成数据1、首先打开电脑,然后在电脑桌面上可以打开或者新建一个excel表格;2、之后进入到excel页面,在页知面的上方找到然后点击excel的文件道按钮,进入文件的页专面,在文件的页面,点击导出按钮;3、在导出按钮的页面,选择其他导出的文件类型,在其他的文件类型中,选择文本模式;4、然后会进入文本文件保存的页面,我们选择一个属保存的位置,并为文本文件,命名一个文件名...

weixin_34698515的博客 5992

如何使用Java和Apache POI将MySQL数据导出到Excel

Apache POI是Apache软件基金会下的一个开源库,它提供了Java平台下操作Microsoft Office格式文件的API,包括Excel、Word和PowerPoint等文件。POI的核心是基于Microsoft的OLE2 Compound Document格式的Java实现。该库被广泛应用于Java应用程序中,用于创建、修改、增强和读取MS Office文件,尤其是处理Excel文件。POI的优点在于它能够直接处理文件格式,无需转换文件格式即可实现文件的读写操作。

weixin_34718952的博客 827

mysql txt表格格式转换_MySQL数据库如何与EXCEL的XLS格式相互转换

1 将SQL导出为EXCEL方法,有如下数据库(my_impa),里面有两张表2 如果是EXCEL格式,一定要勾选"将字段名称放在首行",否则待会儿导入的时候就需要你手工新建字段了,我们导出为一个完整的数据库(即把数据库中所有的表都导出出去)3 如下所示,如果我直接保存一个数据库,点击保存之后4 会把所有表放到一个EXCEL的工作簿里面,这对于数据量较大的情况是比较麻烦的5 需要你再插入表格,用复...

weixin_42531779的博客 267

Android 跨进程通信-(一)Binder概念引入

前言 主要对Android中的跨进程通信进行总结下,这篇先梳理下里面的涉及的一些概念 一 多进程 1.进程与线程 进程:系统中正在运行的一个应用程序,某个程序一旦运行就是一个进程,是资源分配的最小单位; 线程:程序执行的最小单位,包含在进程中,一个进程可以包含多个线程。 2.Android应用中的多进程 (1)dalivk虚拟机 Android系统的底层任务管理以及驱动都是基于Linux系统。一个Android系统其实就是一个Linux系统,通过adb shell进入连接的手机,就可以看到Li

nihaomabmt的专栏 1105

openEuler 20.03 LTS面向RK3399移植系列(3)—openEuler 20.03 LTS面向Firefly RK3399的第一个版本(Linux kernel 4.4)

任务动机:完成openEuler面向RK3399开发板的移植。 任务描述:按照固件烧写准备,固件获取,固件打包和烧写的步骤实现openEuler面向RK3399开发板的移植,整理过程和相关命令记录到文档。 1. 制作openEuler的rootfs.img 1.1 开发环境 树莓派--openEuler系统 openEuler 20.03 LTS 的内测版本镜像,下载。 1.2 具体操作 1.2.1 ssh远程连接树莓派 确定树莓派IP ssh连接 1.2.2 制作rootfs.img

火种源码的机器人技术专栏 2372

MySQL - 导出至Excel避免数字用0填充

背景说明 Excel的数值,超过一定范围后将会使用0填充。当从数据库导出长串数字时,为了避免在Excel展示时被0填充,需要对查询SQL进行改动。 解决方案 在查询SQL中,长串数字的类型通过CONCAT函数拼接成一个字符串。如下: SELECT t.id, t.name, CONCAT('\t',t.xxxNo) from t_table t 这样改动后将查询结果再导出,就不会出现科学计数和0...

Caesar's blog 2107

基于FT2232集成USB直接实现XilinxJTAG和UART串口

使用“program_ftdi -write -ftdi FT2232H -serial 0ABC01 -vendor "my vendor co" -board "my board" -desc "my product desc"”命令进行数据烧写,该命令会将FT2232的通道A配置为JTAG,其余通道配置为UART,serial长度为6~12个字符(vivado扫描JTAG时显示的cable序列号,同一台PC能够同时连接多个不同序列号的cable仿真器)。图 2 program_ftdi的帮助信息。

luguodeyo的博客 1万+

for循环

上代码: <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>Document</title> </head><body>

weixin_50266677的博客 1392

AVS3代码阅读HPM4.0

参考AVS3代码阅读(HPM6.0)(一.整体架构以及CU划分部分代码) 版本:HPM4.0 核心文件:app_encoder.c   要做的是帧间预测,所以前面的函数先暂时不管了,挖个坑以后再填。直接从enc_pic看起。 enc_pic()    ...

CRR的博客 3189

在摩尔线程 MTT S80 上使用 Ollama 进行 DeepSeek R1 蒸馏版模型推理

本文主要介绍了如何在摩尔线程 MTT S80 上通过 Ollama 快速完成DeepSeek R1 蒸馏系列模型的推理。

摩尔线程blog中心 3607

MySQL表结构导出Excel

MySQL表结构导出Excel 在写设计文档时,需要把MySQL中的表结构按要求导出。MySQL客户端默认的字段不满足需求时,可通过MySQL的information_schema.COLUMNS表,查询并按需求导出字段。 information_schema.COLUMNS表记录了所有库中所有表的字段信息,如下: 字段具体意义如下: 字段 备注 TABLE_CATALOG de...

dkjkls的博客 1万+

【强化学习】11 —— Double DQN算法与Dueling DQN算法

可以看到由于数据点的分布,使得拟合出的价值函数无法与真实的价值函数吻合,甚至在部分区域产生了明显的偏差。Dueling DQN 是 DQN 另一种的改进算法,它在传统 DQN 的基础上只进行了微小的改动,但却能大幅提升 DQN 的表现。这样,即使其中一套神经网络的某个动作存在比较严重的过高估计问题,由于另一套神经网络的存在,这个动作最终使用的值不会存在很大的过高估计问题。.在同一个状态下,所有动作的优势值之和为 0,因为所有动作的动作价值的期望就是这个状态的状态价值。环境的状态包括倒立摆角度的正弦值。

sinat_52032317的博客 1万+

使用Navicat 导出 MySQL 数据库表结构、表数据到Excel表格中

文章目录1 摘要2 数据导出2.1 导出数据库表结构至Excel2.2 导出数据库表结构为 SQL2.3 导出数据库表数据至Excel3 推荐参考资料 1 摘要 在编写项目设计文档的时候,通常需要将数据库的表结构也包含在其中,为了更加直观地展示,要把数据库表结构信息填充到具有一定格式的表格之中。那么如何将数据库的表结构按照一定的格式进行导出?这是个问题。 本文将以 MySQL 为例,介绍如何使用 Navicat 导出数据库的表结构以及数据。 2 数据导出 2.1 导出数据库表结构至Excel Navicat

Mrqiang9001 5万+

使用rknn进行facenet部署

修改facenet网络的forward函数代码。

如果想成为中心,那么就到中心去吧。 1047

在 SAP SD(销售与分销)模块中,销售合同 / 订单的抬头(Header) 和行项目(Item) 核心数据表如下,按 “核心表 + 扩展表” 分类说明,同时区分销售合同(Contract,类型 W

SAP SD模块中销售合同/订单的核心数据表分为抬头和行项目两类。核心抬头表包括VBAK(基础数据)和VBUK(状态数据),核心行项目表包括VBAP(基础数据)和VBUP(状态数据)。扩展表包含VBAKE(抬头增强)、VBAPe(行项增强)、VBEP(计划行)、VBFA(凭证流)等。销售合同(WK/WC)和订单(OR)通过VBAK-AUART字段区分,核心表结构相同。查询时需注意单据类型筛选,并通过VBELN主键关联抬头和行项数据,KNUMV关联定价条件,VBFA表追踪凭证流。

金牌架构师 1091

MySQL 数据与表结构导出 Excel 技术文档

本文档详细介绍了将MySQL数据与表结构导出为Excel文件的方法,包含多种实用技术方案。主要内容包括:使用SELECT INTO OUTFILE、MySQL命令行和mysqldump工具导出表数据;通过INFORMATION_SCHEMA和SHOW CREATE TABLE命令获取表结构;以及利用Python/PHP编程语言实现数据导出。文档还提供了批量导出多表数据的Shell脚本示例,并总结了大数据量处理、编码问题和Excel兼容性等注意事项,为数据库管理员和开发人员提供了全面的技术参考。

wolf23151269的博客 1206

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

使用poi获取数据库数据写入excel

前言 本项目为maven项目,纯后端,实现的功能为获取数据库表中的数据,通过poi写入到excel。 同时,根据我上一篇的文章,进行增大难度,进行配置双数据库,从两个数据库获取内容。 这个最主要的原因还是,在实际的工作中,你很大概率不可能一次只从一个数据库获取数据。依据我下面将要讲解的功能原理实现,可以供大家参考和思考更深一步的实现。 同时还有一个写这个文章的最主要原因就是,我查找资料,网上的绝大部分都是从excel获取数据写入到数据库,因此有了写这篇文章的想法。 需要的工具 第一个就是根据需要自己去找一个

xc9711的博客 3585

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

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")

mysql 导出excel 乱码_mysql数据导出excel格式+乱码解决

1:导出的SQL命令,只需要加上“FIELDS TERMINATED BY ',' OPTIONALLY ENCLOSED BY '"' LINES TERMINATED BY '\n'”select a.contact, a.text, b.nickname, b.create_time into outfile '/tmp/4.csv' FIELDS TERMINATED BY ',' OP...

weixin_36176546的博客 2145

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

Java Swing之数据库表结构导出工具(Excel、Word、Html、Markdown、Pdf等)

Java Swing之数据库表结构导出工具

kkk123445的博客 1万+

MYSQL导出表结构(含列名、数据类型、字段备注注释)导出成Excel

在某种特定的业务场景下,我们只能是先快速开发,很多文档都是开发完成后补上去的,如数据库文档,遇到字段特别多的表这写起来真的很头疼,下面我就总结一下,MYSQL使用sql文件导出表结构(含列名、数据类型、字段备注注释)导出成Excel。执行如下sql SELECT COLUMN_NAME 列名, COLUMN_TYPE 数据类型, DATA_TYPE 字段类型, CHARACTER_MA...

liu_yulong的专栏 1万+

mysql数据库导出表结构到excel表中

今天让做数据库文档 但是数据库字段太多 如果一个一个照着输 能把我弄疯 发现使用内置表INFORMATION_SCHEMA. COLUMNS来查询,任何表中的任何一列都会在此表中对应一行记录,那么可以用它来统一查询 首先生成要导出的表结构、 由于我只需要这几个字段 所以就只查了这些,如果自己有其他需要的字段 可先查* 查出所有字段 再把自己需要的字段填上去即可 *注: UCASE() 函数 是把字母全部大写 SELECT COLUMN_COMMENT as 字段名称, UCASE(COLUMN_NAM

lady132的博客 3336

powerdesigner导出mysql数据库表结构到Excel

前提要做数据源的整理,需要将Mysql数据库表的结构导出到Excel表里面做文档记录;第一个Sheet是所有表格的列表,其他的Sheet是每一个表格的详细字段以及注释说明.打开PowerDesigner的数据库结构导出Excel脚本页面选择好连接的数据库以后,ctrl+shift+x 弹出执行脚本界面,输入如下代码就会生成 ExcelOption Explicit Dim rowsNu...

aizhenshi的博客 1448

python读取excel文件数据写入MySQL数据库(入门级)

python读取excel文件数据写入MySQL数据库(入门级)

m0_67144365的博客 5775

【python读取mysql数据导出excel文档】

python读取mysql数据导出excel文档开发环境开发文件mysql-config.jsonsqlFile.sqltableTitle.txtexcelUtil.py 开发环境 python: 3.9 PyMySQL: 1.0.2 xlwt: 1.3.0 repositories https://pypi.python.org/simple https://mirrors.aliyun.com/pypi/simple/ 开发文件 mysql-config.json { "file_type":

weixin_43147832的博客 1194
上一篇: 结构化数组
下一篇: databus搭建文档记录
python_xep
博客等级 码龄11年 0粉丝 11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