收缩数据库

收缩 tempdb 数据库 用于收缩 SQL Server 中 tempdb 数据库的各种方法 阅读详情

收缩数据库 
一般情况下,SQL数据库的收缩并不能很大程度上减小数据库大小,其主要作用是收缩日志大小,应当定期进行此操作以免数据库日志过大 


开sqlserver2008,找到你的数据库,右键-》任务-》收缩-》选择收缩数据库,不要选择收缩文件。然后执行完就可以了。会把空间还给操作系统的
注意此操作是在所有用户都未进行数据库操作同时进行了数据库备份的情况下操作。
一、    进入企业管理器,在相应的数据库上点右键
二、找到选项,恢复模式改为简单
三、在刚才设置的数据库上点右键选择收缩数据库
四、收缩完毕后查看效果
日志已经从100多兆收缩为1m了
五、收缩完毕后记住改为完整模式

在MS Sql Server中可通过以下的方法查询出磁盘空间的使用情况及各数据库数据文件及日志文件的大小及使用利用率:

1、查询各个磁盘分区的剩余空间: 
Exec master.dbo.xp_fixeddrives;

2、查询数据库中的所有数据库名: 
SELECT Name FROM Master..SysDatabases ORDER BY Name;

3、查询某个数据库中所有的表名: 
SELECT name FROM SysObjects Where XType=’U’ ORDER BY Name;

4、查询数据库的数据文件及日志文件的相关信息(包括文件组、当前文件大小、文件最大值、文件增长设置、文件逻辑名、文件路径等) 
select * from [数据库名].[dbo].[sysfiles]; 
转换文件大小单位为MB: 
select name, convert(float,size) * (8192.0/1024.0)/1024. from [数据库名].dbo.sysfiles;

5、查询当前数据库的磁盘使用情况: 
Exec sp_spaceused; 
exec sp_spaceused ‘表名’; –取得表占用空間

6、查询数据库服务器各数据库日志文件的大小及利用率 
DBCC SQLPERF(LOGSPACE);

----------------------------------------------------------------
总结:
完整的收缩日志文件的 T-SQL 语句:
BACKUP LOG xxdb to disk='x:\work\1.bak'
DBCC SHRINKFILE (xxdb_log,10)
GO
--
BACKUP LOG <db_name> to disk=<'backupfilename'>
DBCC SHRINKFILE (<log_filename>,10)
GO
里面的x:\work是随意设置的。当然也可以收缩到比如5M或1M。


7、收缩数据库日志文件(sql server2005) 
backup log [数据库名] with no_log 
DBCC SHRINKDATABASE(N’[数据库名]’, 15, TRUNCATEONLY)

8、收缩数据库日志文件(sql server2008) 
USE[master] 
GO 
ALTER DATABASE [数据库名] SET RECOVERY SIMPLE WITH NO_WAIT 
GO 
ALTER DATABASE [数据库名] SET RECOVERY SIMPLE –简单模式 
GO 
USE [数据库名] 
GO 
DBCC SHRINKFILE (N’[数据库名]_Log’ , 11, TRUNCATEONLY) 
DBCCSHRINKFILE(N'YHDB_log', 11,TRUNCATEONLY)
GO 
USE[master] 
GO 
ALTER DATABASE [数据库名] SET RECOVERY FULL WITH NO_WAIT 
GO 
ALTER DATABASE [数据库名] SET RECOVERY FULL –还原为完全模式 
GO

【SQL Server 2016】【数据库扩充与收缩】 文章目录新建数据库SSMS数据库扩充添加数据文件数据库收缩收缩数据文件T-SQL数据库扩充添加数据文件数据库收缩收缩数据文件Reference 新建数据库 SSMS 数据库扩充 右键需要扩充的数据库→\rightarrow→“属性”→\rightarrow→“文件”→\rightarrow→“初始大小”&“自动增长/最大大小”分别修改数据库文件的初始大小&数据库文件的增长方式→\rightarrow→“确定” 添加数据文件 右键需要扩充的数据库→\rightarrow→“属性”→\rig 阅读详情

相关推荐

数据库收缩是在SQL Server中用于减小数据库文件大小的操作

它通过重新组织数据和索引的方式来回收未使用的空间,从而提高数据库的性能和存储效率。需要注意的是,数据库收缩操作可能会导致一定的性能开销,并且在一些情况下可能并不是必需的。因此,在执行数据库收缩之前,建议先评估数据库的实际需求和性能瓶颈,以确定是否需要进行收缩操作。综上所述,通过分析表的碎片化情况、选择需要收缩的表、优化表的结构,并执行数据库收缩操作,可以有效减小MySQL数据库文件的大小,提高数据库的性能和存储效率。选择需要收缩的表:根据分析结果,选择需要进行收缩的表。

带你成为别人眼中的大佬! 1057

【Sqlserver】收缩数据库

收缩数据库目的: 1、收缩已经分配的但是还未使用的页; 2、收缩后,空间自动减少; 分类: 1、自动收缩; 2、手动收缩; 工具/原料 电脑 Sqlserver数据库软件 方法/步骤 打开Sqlserver数据库软件; 第一种方式:自动收缩数据库; 选中数据库,右键属性---常规--查看数据库空间大小和可用大小; 选中数据库,右键任属性---选项--设置为自动收缩为True,设置自动收缩数据库; 由于数据库服务器每半小时查看

姜太小白的博客 1万+

SQL Server 数据库日志收缩详细操作步骤

SQLServer事务日志管理摘要:事务日志记录数据修改,支持事务回滚和恢复。日志过快增长通常由未备份、恢复模式不当或长事务导致。收缩操作前需检查日志使用情况(DBCC SQLPERF),备份日志(BACKUP LOG)是释放空间的前提。通过DBCC SHRINKFILE收缩,注意目标大小应大于已用空间。建议配置合理的自动增长参数,定期备份监控,避免频繁收缩。高可用性环境需特殊处理,AlwaysOn需确认同步状态。最佳实践包括定期维护、合理配置、主动监控和操作验证。

shenjqiang的专栏 1255

SQL server数据库日志文件收缩

SQL server 2014数据库日志文件收缩 不影响正常业务收缩日志文件

weixin_57084645的博客 1万+

SQL Server数据库第一课2:数据库的备份和还原、收缩数据库、删除数据库

知识点:数据库的备份和还原、收缩数据库的方法、删除数据库。 1、备份和还原数据库 在数据库运行过程当中,难免会遇到诸如人为错误、硬盘损坏、电脑病毒、断电或是其他灾难,这些都会影响数据库的正常使用和数据的正确性,甚至破坏数据库,导致部分数据或是全部数据丢失。备份和还原是一种保护数据库中关键数据的重要手段,在数据库的正常状态下对数据库进行备份,当数据库出现一位故障时就可以用备份集把...

王迪 5371

SQL Server数据库日志文件收缩指南

数据库收缩的主要目的之一是释放未被使用的空间。随着数据库的日常操作,如插入、更新、删除等,可能会导致数据库中的数据文件和日志文件出现空间碎片。这些碎片造成了文件的实际大小大于实际存储数据所需的大小。通过收缩操作,可以将这些未使用的空间释放出来,供系统或其他数据库使用,这样不仅可以减少物理存储空间的浪费,也有利于提高存储设备的使用效率。此外,释放空间还有利于降低存储成本。在云服务环境中,存储成本是按照使用量计费的。通过收缩数据库,可以减少实例的存储需求,从而直接降低云服务费用。

weixin_29717341的博客 2208

SQL Server收缩数据库

SQL Server收缩数据库 官网: https://docs.microsoft.com/zh-cn/sql/t-sql/database-console-c...

小麦苗DBA宝典 3105

Windows Server 2012评估版过期自动关机问题:两种高效解决方案详解

本文针对Windows Server 2012评估版过期导致的自动关机问题,提供了两种高效解决方案。一是通过slmgr.vbs命令重置授权,临时延长评估期;二是使用DISM工具将评估版转换为正式版,一劳永逸。文章详细解析了两种方法的操作步骤、注意事项及适用场景,帮助用户快速恢复服务器稳定运行。

pytorchlight8的博客 1194

sqlserver收缩日志收缩数据库日志-20200305

--sqlserver收缩日志收缩数据库日志 --查询出数据库对应的日志文件名称 DECLARE @strDBName AS NVARCHAR(500) DECLARE @strLogName AS NVARCHAR(500) DECLARE @strSQL AS NVARCHAR(1000) SELECT @strLogName = B.name, @strDBName = A.name...

qq_29072459的博客 529

Lede(OpenWrt)安装和双宽带叠加

LEDE是一个专为路由器和嵌入式设备设计的自由和开源的操作系统。LEDE是OpenWRT项目的一个分支项目。LEDE操作系统包括许多路由器有用的功能,如网络地址转换、防火墙、端口转发、DHCP服务器等。

我的博客 6441

从零构建:如何用MATLAB工具箱打造你的第一个多体动力学仿真模型

本文详细介绍了如何使用MATLAB的Simscape Multibody工具箱从零开始构建多体动力学仿真模型,特别适合初学者学习倒立摆系统的建模与仿真。文章涵盖环境准备、坐标系设置、物理模型构建、参数化建模及性能优化等关键步骤,帮助工程师快速掌握这一强大的仿真工具。

water的专栏 962

sqlserver收缩数据库、收缩数据文件的操作

一些实际工作中的总结1、实际工作中收缩数据文件的情况比收缩库的情况多,不建议直接收缩数据库2、收缩很容易出现等待,收缩会话对应sys.sysprocesses的字段waitresource值类似为15:1:4700649,sys.sysprocesses的字段lastwaittype值为PAGEIOLATCH_SH或PAGEIOLATCH_EX等3、收缩数据文件时,不要一次性...

caiyouyin1447的博客 1万+

Mac上VMware Fusion手动安装VMware Tools实现跨系统复制粘贴

本文详细指导了在Mac的VMware Fusion中手动安装VMware Tools的完整流程,以解决虚拟机与宿主机之间无法复制粘贴的常见问题。通过定位安装镜像、挂载、解压并运行安装脚本,最终实现跨系统无缝数据交换,提升工作效率。

orange的博客 696

[zt] 收缩用户数据库 (shrink database)

简单方法 --收缩数据库 DBCC SHRINKDATABASE (dbname, 10) --收缩文件 DBCC SHRINKFILE (DataFil1, 7) --...

cuixie2370的博客 421

鸿蒙开发实战项目(九十二):HUAWEI Health血压测量

是华为开发的用于运动健康领域的一个开放平台, 三方APP可以借助HUAWEI Health开放平台提供的。

斌擎科技 1131

第10章《VTK自定义部件Widget》

是用于交互式操作 3D 场景的组件,例如移动对象、调整尺寸、创建标注等。VTK 提供了一些内置的 Widget,如。,用户可以点击鼠标,在 3D 场景中放置一个点。负责绘制一个点,并控制其颜色、大小等。,可用于 3D 标注、对象拾取等应用!等,但在某些应用中,我们需要。这样,我们就创建了一个。

yumeiguo的博客 523

收缩DB

/*--特别注意请按步骤进行,未进行前面的步骤,请不要做后面的步骤否则可能损坏你的数据库.一般不建议做第4,6两步第4步不安全,有可能损坏数据库或丢失数据第6步如果日志达到上限,则以后的数据库处理会失败,在清理日志后才能恢复.--*/--下面的所有库名都指你要处理的数据库的库名 1.清空日志DUMP  TRANSACTION  库名  WITH  NO_LOG     

szyyjzy的专栏 533

STM32 之十三 看门狗(WDG)及低功耗下的处理

  最近在做低功耗项目时,遇到了看门狗不好处理的问题。在 ST 的各系列 MCU 中,看门狗应该算是使用配置起来最简单的一个外设了。我们通常仅需要配置很少的配置项,但是,一旦要配合低功耗模式则配置就比较麻烦了。MCU 中有两只狗,一只叫 Independent watchdog (IWDG);另一只叫 System window watchdog (WWDG)。下面是这两只狗的简单介绍! IWDG   IWDG 基本就等同于我们独立使用的看门狗芯片。最适合那些要求看门狗作为一个完全独立的进程在主应用程序之外

技术干货 7850

SqlServer 在创建数据库时候指定的初始数据库大小是不能被收缩的

当你在SqlServer创建数据库的时候可以指定数据库文件的初始大小,比如下图中我们将新创建的数据库MyDB的大小设置成了1024MB 那么你建好的数据库的确也就会占用1024MB左右的磁盘空间 不过使用存储过程sp_spaceused可以看到其中有1021.85 MB的空间是MyDB占用着并未使用。 于是我们在想是不是可以用DBCC ShrinkDa...

576

CRMEB开源电商系统 /api/products SQL注入漏洞复现(CVE-2024-36837)

2024年6月,CRMEB开源电商系统发布了新补丁,修复了一处SQL注入漏洞(CVE-2024-36837)。经分析,该漏洞可以通过请求api的路径接口来进行SQL注入,进而可能导致敏感信息泄露,该注入可暴露后台web绝对路径,深入利用可获取服务器权限,该漏洞无前置条件且利用简单,建议受影响的用户尽快修复漏洞。

0xSec 2880

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

关于SQL 2008数据库压缩后收缩(database shrink)的测试实验和性能比较

Normal 0 7.8 pt 0 2 false false false ...

cuge2009的博客 297

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

DB太大?一键帮你收缩所有DB文件大小(Shrink Files for All Databases in SQL Server)

本文介绍一个简单的SQL脚本,实现收缩整个Microsoft SQL Server实例所有非系统DB文件大小的功能。   作为一个与SQL天天打交道的程序猿,经常会遇到DB文件太大,把空间占满的情况: 而对于开发测试人员来说,如果DB数据不是特别重要的话,不会特意扩大磁盘空间,而是直接利用SQL的Shrink File功能缩小DB文件大小,详见:https://docs.

王浩然的博客 679

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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")

SQL Server 数据库之收缩数据库和文件

收缩数据库和文件 自动收缩数据库 手动收缩数据库 手动收缩文件

程序员小白的博客 1万+

SQLServer数据库收缩/可用空间查询

收缩数据库虽然可以腾出磁盘空间,但是不一定是一种优化操作收缩前考虑:1.在执行会产生许多未使用空间的操作(如截断表或删除表操作)后,执行收缩操作最有效。2.大多数数据库都需要一些可用空间,以供常规日常操作使用。如果反复收缩数据库并注意到数据库大小变大,则表明收缩的空间是常规操作所必需的。在这种情况下,反复收缩数据库是一种无谓的操作。3.收缩操作不会保留数据库中索引的碎片状态,通常还会在一定程度上增...

xiaoye1202的博客 8445

sqlserver2008 tempdb 收缩不了 sql server数据库的收缩方法

-选择日志文件--在收缩方式里选择收缩至XXM,这里会给出一个允许收缩到的最小M数,直接输入这个数,确定就可以了。企业管理器--右键你要压缩的数据库--所有任务--收缩数据库--收缩文件。企业管理器--服务器--右键数据库--属性--选项--选择"自动收缩"右建数据库属性窗口--故障还原模型--设为大容量日志记录。企业管理器--服务器--数据库--右键--分离数据库。企业管理器--服务器--数据库--右键--附加数据库。企业管理器--服务器--右键数据库--属性--事务日志。

qq_38011247的博客 1118
上一篇: 区分大小写
下一篇: 数据库修复
thy822
博客等级 码龄19年 313粉丝 294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