springboot项目controller统一返回对象格式以及全局自定义异常

关于springboot统一异常处理和自定义断言以及统一返回数据类的封装 作为一个小白Java工程师,我或多或少会对程序代码重构和优化,比较典型的就是我会抗拒老项目接口里的map入参,鬼知道里面是要哪些数据,里面又有哪些数据不可为空,就要一个个去看,代码里用if非空判断以及取值map.get啥啥啥的地方,而且更无语的还是那些老代码都比我岁数还大,都是伴随着项目出生的,所以基本都是common包里的公共方法,不可能轻易重构,改了还不如拉个springboot开源脚手架从0.8做起,做个新项目。... 阅读详情

一、需求背景

1.在web接口开发时,每个模块接口返回数据格式需做封装,如果每个模块的返回格式不同,前端需要最不同数据格式的适配,使得整个项目很杂乱。如果对接口的返回数据做统一封装就解决此类问题。

2.项目的运行时异常,例如用户名错误此类的提示性异常,需要对此类异常做统一性封装。

二、方法

解决方法

问题一:使用@ControllerAdvice注解,以及实现ResponseBodyAdvice接口,从而实现拦截后再封装逻辑
问题二:使用@ControllerAdvice和@ExceptionHandler注解配合使用,从而捕获自定义异常类,实现逻辑的再处理。

三、具体实现

/**
*封装的接口统一返回对象
*/
@Data
public class ResultPo<T> {
    private int code;
    private String msg;
    private T data;

    public static<T> ResultPo<T> success(T t){
        ResultPo<T> resultPo = new ResultPo<>();
        resultPo.setCode(ResponseCodeEnum.SUCCESS.getCode());
        resultPo.setMsg(ResponseCodeEnum.SUCCESS.getMessage());
        resultPo.setData(t);
        return resultPo;
    }

    public static ResultPo error(int code,String msg){
        ResultPo resultPo = new ResultPo();
        resultPo.setCode(code);
        resultPo.setMsg(msg);
        return resultPo;
    }
}

// 自定义异常类
@Getter
public class BusinessException extends RuntimeException{
    private String msg;
    private int code;

    public  BusinessException(String msg){
        super(msg);
        this.msg =msg;
        this.code = ResponseCodeEnum.FAIL.getCode();
    }

    public  BusinessException(String msg,int code){
        super(msg);
        this.msg =msg;
        this.code = code;
    }
}


@ResponseBody
@ControllerAdvice
public class ResponseAdvice implements ResponseBodyAdvice<Object> {

    Logger log = LoggerFactory.getLogger(ResponseAdvice.class);

	// 自定义异常捕获
    @ExceptionHandler(BusinessException.class)
    public ResultPo customException(BusinessException bs){
        ResultPo resultPo = new ResultPo();
        resultPo.setCode(bs.getCode());
        resultPo.setMsg(bs.getMsg());
        resultPo.setData(null);
        return resultPo;
    }
	
	/**
	*return turn 代表此接口会进入beforeBodyWrite方法,进行逻辑处理
	*/
    @Override
    public boolean supports(MethodParameter returnType, Class<? extends HttpMessageConverter<?>> converterType) {
        return !returnType.getDeclaringClass().getName().contains("springfox");
//        return true;
    }

    @Nullable
    @Override
    public Object beforeBodyWrite(@Nullable Object body, MethodParameter returnType, MediaType selectedContentType, Class<? extends HttpMessageConverter<?>> selectedConverterType, ServerHttpRequest request, ServerHttpResponse response) {
    	// 如果接口返回为string类型,则需要单独处理
        if(returnType.getGenericParameterType().equals(String.class)){
            ObjectMapper objectMapper = new ObjectMapper();
            try {
                HttpHeaders headers = response.getHeaders();
                headers.setContentType(MediaType.APPLICATION_JSON);
                return objectMapper.writeValueAsString(ResultPo.success(body));
            } catch (JsonProcessingException e) {
                e.printStackTrace();
            }
        }
        // 接口出现自定义异常,已被customException方法捕获,则无需再次封装
        if(returnType.getGenericParameterType().equals(ResultPo.class)){
            return body;
        }
        return ResultPo.success(body);
    }
}

四、遇到的问题

1.当项目中使用swagger时,会拦截swagger的相关请求

出现的原因:@ControllerAdvice注解会拦截@Controller以及@RestController标记的接口,而swagger的接口是web接口,也是带有@RestController相关接口
解决方法:
1.对swagger进行放行,就是上面代码中那样,放行带有springfox字样的接口

@Override
    public boolean supports(MethodParameter returnType, Class<? extends HttpMessageConverter<?>> converterType) {
        return !returnType.getDeclaringClass().getName().contains("springfox");
//        return true;
    }

2.自定义一个注解,在需要统一返回值的接口上添加上自定义注解,然后@ControllerAdvice根据自定义注解进行拦截

// ResponseResult为自定义注解
@ControllerAdvice(annotations = ResponseResult.class)
springboot-统一返回数据,自定义异常,异常处理 springboot-统一返回数据,统一异常处理,自定义异常 环境 idea2018,jdk1.8, springboot版本:1.5.9.RELEASE 1.java异常 Java 提供了两类主要的异常 :runtime exception(预期异常和运行时异常) 和 checked exception (预期异常) 出现运行时异常后,系统会把异常一直往上层抛,一直遇到处理代码。如果没有处... 阅读详情

相关推荐

Springboot 全局异常捕获以及统一接口返回结果

以前写过一篇全局异常抓取以及日志log使用的文章, 今天我们再来单独优化一下这个全局异常抓取,并结合统一的接口返回类。 首先,我们先定义一个错误码接口(其实是返回码接口),里面包含返回码和错误描述,BaseErrorInfoInterface.java : /** * @Author:JCccc * @Description:此接口用于返回码枚举使用 * @Date: creat...

默默不代表沉默 7565

Spring Boot 自定义返回对象以及统一封装

Spring Boot 自定义返回对象和全局封装返回对象

TaylorSwiftRed的博客 1862

Controller对请求封装和返回

里面附带doc使用方法在Controller类继承ControllerUtils类即可

SpringMVC 以注解的方式配置 Controller 统一返回包装对象

SpringMVC 以注解的方式配置 Controller 统一返回包装对象

qq_42026600的博客 2068

告别TwinCAT:手把手教你用IgH EtherCAT Master在LinuxCNC上搭建实时运动控制平台

本文详细介绍了如何利用IgH EtherCAT Master和LinuxCNC搭建开源实时运动控制平台,替代商业软件TwinCAT。通过分步指南,包括实时Linux环境配置、EtherCAT主站安装、LinuxCNC集成及多轴同步控制实现,帮助开发者构建高性能、低成本的工业自动化解决方案。

weixin_42641741的博客 401

STM32F407-OV7670(无FIFO)-ONENET-实现摄像头画面上传到onenet(EDP协议)

EDP协议 EDP协议文档说明:https://leoeinstein.lanzous.com/ifX1Ckfkaaf 服务器登录 登录流程: (1)客户端发送连接请求(CONN_REQ) (2)服务器验证请求的合法性 (3)服务器发送一个回执(CONN_RESP)给客户端 其中请求包含三部分:消息头、选项和消息体。 1、消息头 包括消息的类型和剩余消息长度。 2、选项 包括协议名称、协议版本、连接标志、保持连接时间。 3、消息体 可能包含设备ID、用户ID(可选)、鉴权信息(看采取什么方式登录)。 设备

LiangWF22的博客 1万+

SpringMVC框架中@Controller类的方法的返回值的详细介绍

SpringMVC框架中@Controller类所在的类里面的方法的返回值类型,返回值为ModelAndView,返回值为String,返回值为Object,返回值为void,返回值为List

weixin_44362089的博客 3452

科研笔记:怎样写好博士论文?

博士论文外审避坑指南与写作要点 博士论文外审的核心关注点呈现5级优先级:科研成果(硬指标)>创新性>逻辑结构与场景合理性>文献综述与规范性>工作量验证。外审专家会重点核查:1)成果清单是否达标;2)创新点是否真实明确;3)章节逻辑是否自洽、应用场景是否细化;4)文献综述是否构建"研究坐标系";5)实验/理论支撑是否充分。需特别注意三大雷区:科学错误(直接挂稿)、伪创新、场景不合理。写作时应强化选题依据的场景细化,通过"发展阶段+跨领域对比"提升文献综述质量。

Grow into a more wonderful you 1064

SpringBoot统一标准响应格式及异常处理

SpringBoot统一标准响应格式及异常处理

qq_35989920的博客 1747

ROBOGUIDE教程:FANUC机器人X型焊枪气动点焊焊接

FANUC机器人X型焊枪气动点焊焊接虚拟仿真实现方法。

IndRobSim 4385

学Simulink--基于机器人与自动化系统的场景实例:六自由度机械臂的逆运动学控制仿真

摘要:本文详细介绍了在Simulink中实现六自由度机械臂逆运动学控制的仿真方法。通过构建包含机械臂模型、路径规划器、逆运动学求解器和控制器等模块的系统,利用MATLAB Robotics工具箱进行建模。文章逐步讲解了从模型创建、轨迹规划、逆运动学求解到控制器设计的完整流程,并提供了性能评估标准。该方法能有效验证逆运动学算法,优化机械臂控制策略,提高操作精度和效率,为机器人自动化系统开发提供实用参考。

xiaoheshang_123的博客 230

Spring Boot 统一处理全局异常

Spring Boot统一异常处理方案,本文详细介绍了@ControllerAdvice,ExceptionHandler,并进行了项目实战。

小小张自由—>张有博 1万+

【考研复试】西安电子科技大学上机题

【考研复试】西安电子科技大学上机题

全网粉丝30W+,优快云、稀土掘金人工智能领域签约作者,人工智能、大模型、Python 爬虫,商务合作,请私信沟通。 1738

SpringBoot实现统一Json格式返回、全局异常和自定义处理

SpringBoot实现统一Json格式返回、全局异常和自定义处理

一恍过去 1万+

效果炸裂_安装midscene_copw基于midscene操作电脑_基于视觉的软件测试执行_MIDSCENE的安装和使用---AI大模型应用探索0012

摘要:本文介绍了如何通过安装MidSceneJS来增强Copaw的屏幕操作能力。首先需要安装Node.js和npm,并配置淘宝镜像源加速安装。然后全局安装MidScene CLI工具(npm install @midscene/cli -g)。接着配置视觉大模型服务,通过设置环境变量指定模型API密钥、名称、基础URL和家族类型(如qwen3.5-27b),配置文件需存放在C:\Users\Administrator.copaw目录。安装成功后,MidScene已能成功识别并操作屏幕,使用效果良好。文中还提

添柴程序猿的专栏 639

(四)DDR协议命令波形时序一——(ACT、Read、Write)

文章目录一、DDR命令真值表二、ACT激活命令时序要求2.1、ACTIVATE波形——tRRD、tFAW2.2、ACTIVATE波形——tRAS、tRC三、Read命令时序要求3.1、Read 波形——无Additive Latency3.2、Read 波形——有Additive Latency3.3、Read 波形——Additive Latency使用场景 一、DDR命令真值表 DDR的Command命令由CKE、CS#、RAS#、CAS#、WE#信号组成,这几个信号进行不同的搭配组合会形成不同的Co

Mr.翟的博客 6867

SpringBoot全局Controller返回值格式统一处理

SpringBoot全局Controller返回值格式统一处理

Charge8的博客 3227

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

SpringBoot统一封装controller层返回的结果

SpringBoot统一封装controller层返回的结果

weixin_43811057的博客 7445

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

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")

springboot优雅的统一返回格式 + 全局异常处理(包括404等异常)

RC400(400, "请求失败,参数错误,请检查后重试。"),RC404(404, "未找到您请求的资源。"),RC405(405, "请求方式错误,请检查后重试。"),RC500(500, "操作失败,服务器繁忙或服务器错误,请稍后再试。");// 自定义状态码// 自定义描述return msg;该枚举类为我们和前端约定好的返回状态码和描述信息,可根据自己的需求修改状态码和描述@Data//状态码//提示信息//数据//接口请求时间return r;

weixin_63033353的博客 2153

Springboot全局统一响应格式与全局异常处理

code:响应的状态码,由后端统一定义的message:响应的错误消息data:响应返回的数据比如:"message": "操作错误",/*** 统一前后端接口/*** 业务响应码/*** 响应信息/*** 响应数据/*** 返回成功,不带数据* @return} /*** 返回成功,带数据* @return} /*** 返回失败* @param code 错误码* @param message 错误信息* @return。

张氏小毛驴的博客 2094

[技术资料] Spring Boot Controller 异常的统一处理与自定义返回格式

在现代应用程序中,异常的处理是不可忽视的一部分。Spring Boot 提供了强大的异常处理机制,但默认的异常响应格式往往不能满足我们对可读性和用户友好的需求。因此,我们需要自定义异常处理,统一异常返回格式,提高系统的健壮性和用户体验。

liliYoung_的博客 795

Spring Boot 优雅实现统一数据返回格式+统一异常处理+统一日志处理

在我们的项目开发中,我们都会对数据返回格式进行统一的处理,这样可以方便前端人员取数据,当然除了正常流程的数据返回格式需要统一以外,我们也需要对异常的情况进行统一的处理,以及项目必备的日志。

小白先生的博客 7146

Spring中Controller层、Filter层、Interceptor层全局统一异常处理

Controller层、Filter层、Interceptor层全局统一异常处理 SpringBoot为异常处理提供了很多优秀的方法,但是像我这种新手在处理异常时还是会觉得一头包,终于我痛定思痛,总结了一下统一异常处理的办法,让异常处理变得上流。 本片文章较长,我先定义以下后面会用到的类 /** * @author ht113 * * 错误dto,就是从后端返回到前端的错误信息,下面这个作为例子比较简单 */ @Data public class ErrorInfo { String d

include的博客 4856

springBoot中的controller统一ResponseData<T>返回以及统一异常处理

spring 中的ResponseData、异常处理 统一返回以及统一异常处理的学习 springBoot中的controller统一ResponseData返回以及统一异常处理spring 中的ResponseData、异常处理前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 提示:以下是本篇文章正文内容,下面案例可供参考 一、pandas是什么? 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码

JGYBZX_G的博客 2453

Spring Boot异常处理天花板!全局统一返回 + 自定义异常 + 日志优化,让你的代码优雅又健壮

还在Controller里疯狂try-catch?还在为混乱的API返回格式头疼?本文深度剖析Spring Boot异常处理最佳实践,手把手教你打造全局统一异常处理框架,整合自定义业务异常、优雅的HTTP状态码映射、结构化日志输出,让你的后端服务健壮性飙升,代码整洁度拉满!告别“500 Internal Server Error”,拥抱可控、可读、可维护的异常处理体系!Data;@Data// 状态码 (业务或HTTP状态码均可,需定义规范)// 提示信息 (用户友好或技术信息)

qq_39310959的博客 2029
上一篇: Linux下重启网卡失败
下一篇: Redis入门实例及使用
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