spring Junit下的延迟加载问题(Hibernate)

Hibernate SessionFactory 核心原理与生产级配置指南 SessionFactory 是 Hibernate 运行时的元数据中枢,承载映射定义、SQL 方言编译、二级缓存注册与连接适配等关键能力。其本质并非简单对象工厂,而是不可变、线程安全的运行时真相源——所有 Session 均为其影子副本。正确理解 getCurrentSession 与 openSession 的生命周期契约,是规避懒加载异常、连接泄漏和事务不一致的前提;而 openStatelessSession 则代表极致轻量的数据搬运范式。在高并发、微服务与批处理场景下,SessionFactory 阅读详情

在使用spring管理junit下的Hibernate时,会出现org.hibernate.LazyInitializationException: could not initialize proxy - no Session,原因大家都知道,当session关闭后,你访问对象中的延迟加载属性,都会报session已关闭的错误。解决办法一般有四种:

1、在关闭session之前,使用Hibernate.initialize(Object proxy)强制加载

2、在关闭session之前,对延迟属性进行一次get访问

3、使用hql预加载,一般会用到fetch语句

4、hbm映射文件中,让集合或对象属性的 lazy=false

以面四种方式,如果用在与spring整合后的hibernate中,方式1、方式2可能不太好合,除非你使用模板的execute回调,在项目中是如何解决的呢?采用openSessionInView过滤器,该过滤器非常有效,会保证在同一次请求中,打开一个session,在当次请求中,打开不会关闭(具体底 层实现用到了ThreadLocal类),请求结束后spring会妥善处理好session的。有了 openSessionInView,我们几乎看不到延迟加载错误了,但是,在开发中我们又遇到了另一个严峻的问题,我们在业务层的测试代码中,却无法开 启openSessionInView,这就出现了,在action及页面中都正常的代码,拿到junit测试中却无法通过,这该如何是好?解决办法如 下:

在你的测试类中的setUp和tearDown中,加上下面的代码,注意,要把sessionFactory定义到外面。
private SessionFactory sessionFactory;

public void setUp() throws Exception {
sessionFactory = (SessionFactory) beanFactory.getBean("sessionFactory");
Session s = sessionFactory.openSession();
TransactionSynchronizationManager.bindResource(sessionFactory, new SessionHolder(s));

}

public void tearDown() throws Exception {
SessionHolder holder = (SessionHolder) TransactionSynchronizationManager.getResource(sessionFactory);
Session s = holder.getSession(); 
s.flush();
TransactionSynchronizationManager.unbindResource(sessionFactory);
} 
上面的代码是纯junit下的测试,如果你用了AbstractTransactionalSpringContextTests作为测试基类,sessionFactory的初始化就没有这么复杂了,直接由spring注入进来即可。

PHP服务端 苹果支付(IAP)处理 公司做的app需要做IAP订阅支付,开始觉得和微信的支付流程差不多,做起来还是有点麻烦,主要是网上的文章很少,不能拿来主义。自己做完总结一下,希望对小伙伴们有帮助我就很欣慰了。代码写的不好 不要喷我。。。 首先讲一下我的业务逻辑,也就是php服务端需要做什么事情。 先上图: 下面我详细的讲一下每... 阅读详情

相关推荐

【编号326】全国地灾数据全国25万多个地质灾害点空间分布数据

全国地质灾害点分布数据涵盖25万多个各类灾害点信息,为灾害防治提供重要依据。通过分析灾害分布规律,可识别高风险区,指导监测预警、应急避险和基础设施建设。多地成功案例(如湖北兴山崩塌避险、重庆长寿滑坡预警、湖南"挪床行动")证明,提前预警和科学防治能有效避免人员伤亡。云南省2024年通过预警体系成功避让31起灾害,保护1342人生命安全。这些实践表明,地质灾害防治需结合科技手段与群防体系,实现早预警、早处置。

千奇百怪无奇不有 1478

Hibernate SpringDataJpa使用Junit测试 no Session

Hibernate SpringDataJpa使用Junit测试 no Session如果使用Hibernate进行Junit单元测试的时候出现no Session的问题的时候,只需要在测试类或者测试的方法上加@Transactional 事务注解就可以了如果使用ssh框架的整合出现no Session的问题,在web.xml设置org.springframework.orm.hibernate5.

天恒 1281

LAMMPS实操系列(一): 大量FCC-CoCrCuFeNi高熵合金建模与最稳定结构筛选

高熵合金(High-entropy alloys,HEA),是由五种或五种以上等量或大约等量金属形成的合金。由于高熵合金可能具有许多优秀的物理化学性质,因此在材料科学领域受到广泛关注

Ceshigo_CD的博客 3259

Spring注解式开发(IDEA)——关于怎么实现懒加载

SpringIOC,懒汉式,注解开发

weixin_59015876的博客 801

从触觉到视觉:GelSight传感器的工作原理与实战应用指南

本文深入解析了GelSight光学触觉传感器的核心工作原理,它通过将物理接触转化为视觉图像,为机器人提供了高精度的触觉感知。文章详细介绍了其在工业微观缺陷检测、机器人灵巧操作等领域的实战应用,并提供了从系统搭建到算法开发的完整指南,帮助工程师将这一前沿技术落地于实际项目。

solidity8miner的博客 943

Sigrity Power Tree如何生成电源树操作指导

Sigrity Power Tree可以方便地生成电源树,仅需要网表文件就能将系统的电源树直观的显示出来,生成的电源树文件可以用Power DC,optimizePI进行直流和交流仿真,下面介绍如何生成电源树。Base on [Device_TYPE and VALUE]就是识别网表中器件的Device_TYPE作为power tree中的模型的名字。Allegro layout netlist file,就是从Allegro layout文件中输出的netlist第三方网表文件。如何生成电源树操作指导。

weixin_54787054的博客 1539

spring junit完美测试解决方案

一.首先讲下注解,autowire 与 resource的区别 @Autowired是按类型装配依赖对象,默认情况下,要求依赖对象必须存在,若允许null值,可以设置它的required属性为false。如果想使用按名称装配,可以结合@Qualifier注解一起使用。如: @Autowired @Qualifier("xmlBean1") private XMLBean xmlBean;

simon_xu_sh的专栏 836

破晓之光:GTK#框架让C# WinForm程序跨平台运行的终极指南

GTK#框架的出现,彻底打破了C# WinForm只能在Windows上运行的桎梏。

墨夶的博客 605

使用junit给做单元测试时,spring+hibernate项目的延迟加载出现 could not initialize proxy nosession 异常

延迟加载load方法查询对象时,在hibernate的缓存中没有此对象时,会创建一个代理对象,暂时不会发出sql语句从数据库查询数据,当使用代理对象的属性时,hibernate会发出sql语句从数据库查询数据,并填充代理对象,当session未关闭时,使用代理对象的属性不会出现异常,可以正常获取数据,当session已经关闭时,使用代理对象属性,就会抛出 could not initialize

ld2007081055的专栏 1415

vue3:html2canvas+jspdf将页面以A4导出为PDF文件,解决内容截断+在分页处截断问题详细排查和解决教程(jsPDF + html2canvas A4分页截断、内容分页时存在截断)

html2canvas + jsPDF 解决内容截断问题,vue3 jspdf-html2canvas生成多页pdf防截断处理(包含代码),vue3解决html2canvas + jsPDF导出pdf分页内容截断问题,jsPDF + html2canvas A4分页截断 完美解决方案(含代码 + 案例),html页面导出pdf截断问题,html2canvas 与 jspdf 相结合生成 pdf 内容被截断的终极解决方案,提供html2canvas+jsPDF将HTML页面以A4纸方式导出为PDF后,内容分页

✅ 精选推荐文章 2246

Autosar代码包初识 2 - 如何编译Vector包内Demo工程

Vetcor autosar代码包Demo工程编译,GreenHills,RH850,Autosar,Davinci COnfigurator

weixin_42412049的博客 5186

Lazy Initialization and the DAO pattern with Hibernate and S

10:42PM Apr 06, 2005 in category Java by Karl Baum Hibernate and Lazy Initialization Hibernate object relational mapping offers both lazy and non-lazy modes of object initialization. Non-lazy in...

DCTM + SAP 216

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Java面试全流程解析:从基础到微服务架构

Java作为企业级开发的主流语言,其技术栈涵盖从基础语法到分布式系统的完整体系。理解JVM内存模型、多线程并发等核心原理是构建可靠系统的基石,而Spring生态则提供了高效的开发框架。在微服务架构中,服务发现机制和分布式事务处理成为关键技术挑战,Eureka、Nacos等服务注册中心的选择需要权衡CAP理论。实际开发中,Hibernate的延迟加载优化和Docker容器化部署都是提升系统性能的重要手段。本文通过典型面试问题解析,展示Java开发者如何系统准备大厂技术面试,涵盖Spring MVC设计优势、微

chuange6363的博客 334

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

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")

spring junit解决延迟加载

延迟加载load方法查询对象时,在hibernate的缓存中没有此对象时,会创建一个代理对象,暂时不会发出sql语句从数据库查询数据,当使用代理对象的属性时,hibernate会发出sql语句从数据库查询数据,并填充代理对象,当session未关闭时,使用代理对象的属性不会出现异常,可以正常获取数据,当session已经关闭时,使用代理对象属性,就会抛出 could not initialize

purevegetable 1709

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Spring 接管 Hibernate 配置 延迟加载

两种方法: 1. 使用Spring提供的Open Session In View机制,它有两种配置方式OpenSessionInViewInterceptor和OpenSessionInViewFilter,功能相同,只是一个在web.xml配置,另一个在application.xml配置而已。 Open Session In View在request把session绑定到当前thread期间

Java那点事 | 学习●思考●分享 | Java技术交流QQ群:83753349 433

Hibernate和Spring的延迟加载和DAO模式

Hibernate和Spring的延迟加载和DAO模式 原文:http://www.jroller.com/page/kbaum/20040708 作者:Karl Baum 译者:zcgly 时间:2005-07-13 Hibernate和延迟加载 Hibernate对象关系映射提供了两种对象初始化模式:延迟加载和非延迟加载。非延迟加载在加载时获取对象本身以及它关联的所有对象

1296

Hibernate和延迟加载

Hibernate对象关系映射提供了两种对象初始化模式:延迟加载和非延迟加载。非延迟加载在加载时获取对象本身以及它关联的所有对象。这可能导致在获取一个实例时,执行成百上千的select语句。当使用双向关联时,这个问题被放大,常常出现初始化请求时,整个数据库都被载入。显然检查每个对象的关系,并手工删除他们会费点事,但最终我们可能会因此丢失使用ORM工具的优势。一个明细的解决方式是使用hibernat

543

ssh加入junit4测试

很想爆粗,就为了搞这个死人东西,花了姐姐我4个下午的时间,实在是令人发指,为了避免以后也花那么多时间去搞这个,在这里做个笔记以备以后查阅。 前提,在已经搭建出一个ssh项目的基础上增加junit4测试。 1、导入jar包 junit-4.11、struts-junit-plugin-2.2.3(自己官方下载,这两个jar是关键,其他缺什么补什么) 2、为了项目方便,重载了StrutsSpr

ZJ133520的专栏 2618

struts、hibernate、spring、 mybatis、 spring boot 等面试题汇总

1、谈谈你对Struts的理解。答:1. struts是一个按MVC模式设计的Web层框架,其实它就是一个大大的servlet,这个Servlet名为ActionServlet,或是ActionServlet的子类。我们可以在web.xml文件中将符合某种特征的所有请求交给这个Servlet处理,这个Servlet再参照一个配置文件(通常为/WEB-INF/struts-config.xml)将各...

张晨光老师的播客 1万+

Spring+Hibernate延迟加载测试基类

[code="java"]package cn.com.oneslife; import junit.framework.TestCase; import org.hibernate.Session; import org.hibernate.SessionFactory; import org.junit.AfterClass; import org.springframewo...

firecool2011的专栏 133

Junit中使用Spring data jpa的getOne懒加载报错

代码: @org.junit.Test public void getOndTest(){ Customer customer = customerDao.getOne(2l); System.out.println(customer); } 报错: org.hibernate.LazyInitializationException: could not initiali...

玉爷的博客 475

camofox-browser:用指纹伪装与数据隔离打造反追踪浏览器

浏览器指纹是网站识别用户的关键技术,通过Canvas、WebGL、字体列表等属性组合形成唯一标识。传统无痕模式仅清除本地历史,无法阻止服务端追踪。camofox-browser基于Firefox源码,通过动态伪造浏览器指纹、站点数据隔离与环境随机化,让每次访问呈现不同身份,避免用户被跨站关联与画像。该方案兼顾隐私保护与浏览便利性,适用于抵御精准广告、搜索引擎个性化茧房等场景,为日常隐私防护提供了可落地的工程实践。

weixin_34210740的博客 354

终极Java技术栈指南:从新手到专家的完整学习路径

在当今快速发展的软件开发领域,**Java技术栈**仍然是企业级应用开发的基石。无论你是刚刚踏入Java世界的新手,还是希望扩展技术视野的资深开发者,掌握全面的Java生态系统都是提升职业竞争力的关键。本文将为你提供一份完整的Java技术学习指南,涵盖从基础框架到前沿技术的所有核心组件。 ## Java技术全景图:为什么你需要掌握完整的生态系统? Java作为一门成熟且不断演进的语言,其生态系

gitblog_00976的博客 460

Java之五大框架(Struts、Hibernate、MyBatis、Spring、Spring MVC)知识点总结(一)

目录 一、Struts相关知识点 1、简述Struts架构 2、Struts的工作原理 3、Struts的工作流程 4、Struts对MVC的体现 5、Struts优缺点 二、Hibernate相关知识点 1、Hibernate框架的认识 2、Hibernate工作原理及为什么要用? 3、什么是ORM及为什么要用? 4、常用的ORM框架 5、ORM与JDBC的区别 6、...

Xx丶浅时光的博客 4172

Struts2.12+Spring3.2+hibernate4.2集成2

1.在上一章我们把spring和hibernate已经整合了,接下来验证一下是否整合成功。 2.在项目中添加一个实体类User package com.lysoft.bean.user; import java.io.Serializable; import java.util.Date; import javax.persistence.Column; import ja...

fishergay的博客 141

ssh框架开发中遇到的部分问题及解决方法

一开始用Struts+spring+hibernate 碰到了很多郁闷的问题,感觉特难。慢慢的遇到什么问题解决什么问题后感觉就没那么痛苦了,一般的问题也就能搞定了!现在放到blog里.一来嘛:方便复习,二嘛:为正在学习ssh框架的同行们提供点经验。 在使用junitStrutsTest时候,报错:java.lang.UnsupportedClassVersionError junitfra

刘石华(nicobeyond)的专栏 1621
上一篇: 使用mybatis generater 自动生成实体类和映射文件
下一篇: org.dbunit.dataset.NoSuchColumnException: t_role.ROLE_TYPE - (Non-uppercase input column: role_type
spring_model
博客等级 码龄11年 36粉丝 47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