华为ArkTS Navigation导航最简便的用法

【鸿蒙开发教程】HarmonyOS Next 页面路由 即 Navigation + NavPathStack + navDestination// 主页用Navigation// 子页面用 NavDestination})有很多小伙伴不知道该从哪里开始学习鸿蒙开发技术?也不知道鸿蒙开发的知识点重点掌握的又有哪些?自学时频繁踩坑,导致浪费大量时间。结果还是一知半解。所以有一份实用的鸿蒙(HarmonyOS NEXT)全栈开发资料用来跟着学习是非常有必要的。这份鸿蒙(HarmonyOS NEXT)资料包含了鸿蒙开发必掌握的核心知识要点,内容包含了。 阅读详情

router.pushUrl不再被推荐使用

新的导航系统Navigation,你是不是被各种官方示例、代码片段搞得头都大了。

有的示例建议你通过onReady或者aboutToApper来获取NavPathStack。

有的让你通过Param来获取,有的文档还很旧,还建议你去main_pages.json添加路由。

各种绕各种迷糊。

其实,用@Consume或@Consumer就行了。

第一步在第一个页面

@Entry
@ComponentV2
struct Splash {
  @Provider('pathStack') pathStack: NavPathStack = new NavPathStack();
  @Builder
  pathMap(routeName: string) {
    if (routeName === 'Main') {
      Main()
    } else if (routeName === 'page2') {
      page2()
    } //这里无限else if要纳入导航的页面。
  }
build() {
    Navigation(this.pathStack) {
        ...
    }
    .navDestination(this.pathMap)
  }
}

其他所有页面一行即可。

@Consumer('pathStack') pathStack: NavPathStack = new NavPathStack();

在任何地方调用

this.pathStack.pushPath({ name: 'pageName' });

以上就是那么简单清晰。

细节一:你的子页面必须export,不能有@Entry装饰符,build内第一个标签必须是NavDestination

@ComponentV2
export struct RecordList {
build() {
    NavDestination() {}
}
}

细节二:退回指定页面可以使用

this.pathStack.popToName('Main');

细节三:导航页面A->B->A-.B,这时后退就会退两次A和B页面,如果不想这样,可以用launchMode:

this.pathStack.pushPath(
            { name: 'Page5' },
            { launchMode: LaunchMode.POP_TO_SINGLETON }
          )

细节四:从一个页面(比如Page1)返回时,想要触发事件,除了用emitter.emit(),其实在pathStack可以这样回调

 this.pathStack.pushPath({ name: 'Page2',onPop:(evt:PopInfo)=>{
        let data = evt.result;
        console.log(data);    //'hetui!'
    } 
})

在Page2页面调用pop来返回时,带上你要返回的参数,比如'hetui',则Page1的回调就会触发onPop

this.pathStack.pop('hetui!');

HarmonyOS-ArkUI Navigation (导航组件)-第一部分 Row(){Text('菜单1')Text('菜单2')Text('菜单3')Text('菜单4')Text('菜单5')build() {Column(){.margin({top: 20,})})//设置为分栏模式//设置顶部标题.title("主标题")// 设置顶部菜单栏//设置底部工具栏。 阅读详情

相关推荐

保姆级教程:用YOLOv11和CRNN从零搭建一个车牌识别系统(附完整代码)

本文提供了一份详细的YOLOv11和CRNN实战指南,教你从零搭建高精度车牌识别系统。内容包括环境配置、数据集处理、模型训练与优化,以及系统集成与性能优化技巧,附完整代码实现。特别介绍了YOLOv11在车牌检测中的创新应用和CRNN在车牌识别中的关键技术。

weixin_28358083的博客 321

arkTs:使用Navigation结合路由表进行跳转和数据传递

本文的只是简单使用Navigation结合路由表的形式进行跳转,和数据传输。navigation本身的许多功能没有使用,如像自带的导航栏这些功能,没有使用。子页面也没有使用其他功能,连标题也是隐藏的。仅使用跳转功能和数据的传输功能。若需要其他功能可参考官方文档,或后续笔者另行编写。因为Navigation内容的数量本身是很多的,如果每个内容都要面面俱到,那编写的耗时会非常巨大,由于笔者的时间有限,先是碰到啥先写啥了。

小蜗牛764号的博客 1376

Armbian 国内源一键配置:告别卡顿,加速软件更新

本文详细介绍了如何为Armbian系统配置国内软件源,以解决默认国外源导致的更新缓慢、连接超时等问题。通过手动修改配置文件或使用高效的一键换源脚本,可将源切换至清华大学、阿里云等国内镜像站,实现apt更新与软件安装速度的质的飞跃,让Armbian开发体验更加流畅高效。

weixin_29215815的博客 247

HarmonyOS Navigation实现导航与路由切换

HarmonyOS Navigation实现导航与路由切换

老卫的技术站 1440

前端零代码丨UIOTOS + NodeRed:无代码搭建工控上位机的绝配组合!

用户类型价值硬件产品商软硬一体方案,无代码GUI上位机成新卖点软件服务商售前原型演示利器,交付成本降低至1/3平台开发商融合无代码技术,同质化竞争中脱颖而出🚀 总结UIOTOS的前端零代码设计(页面嵌套、属性继承、节点连线)与NodeRed的后端流程自动化,堪称工控与IoT开发的黄金组合。无论是串口通信、SCADA监控还是业务管理,均能实现“无代码交付”,真正让前端不求人,硬件交互触手可及!探索更多案例:UIOTOS官网在线体验。

2502_91192798的博客 757

汽车级智能栅极驱动器深度解析 | 连载03:功能框图与工作模式详解

在前两期连载中,我们分析了DRV871x-Q1的产品架构、引脚配置和电气特性。本期我们将深入探讨DRV871x-Q1的功能框图和工作模式,这是理解芯片内部工作机制的关键。通过分析功能框图,我们能够清晰地了解各功能模块之间的关系和信号流向;通过工作模式分析,我们能够掌握芯片在不同应用场景下的配置方法。这些知识对于系统设计和故障排查都至关重要。

VehSwHwDeveloper的博客 1108

操作ArkTS页面跳转及路由相关心得

在页面中写个@Builder@BuilderNavBar() {Flex({}) {Text('首页').fontSize(16)在build()build() {.title(this.NavBar) //

OpenTiny的博客 4782

EC20模块实战:5步搞定MQTT连接阿里云IoT(附常见错误排查)

本文详细介绍了使用EC20 4G模块通过AT指令连接阿里云IoT平台的完整实战流程。文章以智能农业项目为背景,从硬件接线、网络注册、PDP激活,到MQTT连接配置、一型一密动态注册及数据收发,提供了清晰的5步操作指南,并重点附上了常见错误排查方法,帮助开发者快速实现稳定可靠的物联网设备上云。

weixin_29209801的博客 198

【HarmonyOS NEXT 】应用开发:ArkTS导航组件一(Navigation)

Navigation组件一般作为页面的根容器,包括单页面、分栏和自适应三种显示模式。同时,Navigation提供了属性来设置页面的标题栏、工具栏、导航栏等。

weixin_47351913的博客 2461

CryoEM - 使用 ChimeraX 工具 操作 冷冻电镜的 MRC 密度图(Density Map) 教程

由冷冻电镜 CryoSparc 软件所生成的 Volume,需要观察其内部结构,建议使用 ChimeraX 进行操作。

AGI 4964

49、Linux内核内存管理:MGLRU、DAMON与OOM杀手详解

本文详细解析了Linux内核内存管理中的三大核心机制:MGLRU(多代LRU)页面追踪与回收机制、DAMON数据访问监控工具及其在内存优化中的应用,以及OOM(内存不足)杀手的工作原理和触发方式。同时,文章还介绍了VM overcommit_memory策略的设置及其对内存分配的影响,帮助开发者和系统管理员更好地理解Linux内存管理机制,从而优化系统性能和稳定性。

dropout6artist的博客 111

精讲鸿蒙navigation路由导航

navigation路由导航实践。

2301_77677027的博客 1257

Android 13 内置xapk安装包的方法

安装xapk 内置xapk

安卓兼职framework和app工程师的博客 226

鸿蒙开发——组件导航(Navigation)

鸿蒙开发-Navigition组件导航-路由跳转实现

2402_88991400的博客 1282

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

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。

鸿蒙_组件导航Navigation的基础用法

【代码】鸿蒙_组件导航Navigation的基础用法。

资深软件开发工程师,十余年全栈开发经验。 56

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

鸿蒙原生 ArkTS 布局之 Navigation + hideTitleBar 深度解析

HarmonyOS自定义标题栏开发指南 本文深入探讨了HarmonyOS中通过hideTitleBar实现自定义标题栏的核心技术方案。主要内容包括: 方案优势:对比系统默认标题栏,自定义方案在灵活度、视觉表达和交互能力上更具优势 核心技术: Navigation组件的三种标题模式 hideTitleBar属性的使用与动态显隐控制 自定义标题栏的布局实现 实践案例: 基础实现:隐藏系统标题栏并创建自定义布局 动态效果:通过状态绑定实现滚动/点击时的标题栏显隐动画 应用价值:适用于电商详情页、个人中心、沉浸式阅

2301_79407951的博客 545

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")

ArkTS 页面跳转与参数传递:Navigation 声明式路由深度实战

在上一篇文章中,我们系统讲解了页面路由的基础用法,包括页面跳转、参数传递和页面栈管理。然而,随着 HarmonyOS 生态的发展,在 API 12+ 中已被标记为不推荐,华为官方强烈推荐使用Navigation组件作为声明式导航方案。Navigation组件相比声明式组件导航让页面流转与 UI 结构天然绑定;Promise 双向通信机制彻底解决了页面间反向传参的痛点;系统路由表支持模块间解耦和动态加载,为大型应用的模块化架构提供了基础设施。本文将深入讲解Navigation。

从事移动开发八年,csdn博客专家,阿里云特邀专家,华为云云享专家,高级网络信息安全工程师,大数据工程师(高级),python技术开发(高级),HarmonyOS 应用开发者高级认证,现在某学校任教。 1万+

鸿蒙开发(API12)通过组件导航Navigation配合NavPathStack实现页面路由

在跳转之前需要在app/entry/src/main/resources/base/profile中新建文件route_map.json文件名可以随意,在文件中对子页面进行注册,并在PageTwo文件中写一个builder方法,最后在app/entry/src/main/module.json5,module.json5中绑定route_map.json,最后可以完成tia。属性进行隐藏,导航页不存在页面栈中,导航页和子页,以及子页之间可以通过路由操作进行切换。在API Version 9上,需要配合。

2301_81830829的博客 1142

HarmonyOS应用开发实战:萌宠日记 - 多栈导航深度解析

本文深入解析了HarmonyOS应用开发中NavPathStack多栈导航的实现原理与实践技巧。以萌宠日记应用为例,详细介绍了5个Tab独立导航栈的架构设计,包括栈初始化、页面压入弹出、Navigation绑定、NavDestination注册等核心功能。文章重点阐述了多栈隔离机制的优势,如导航独立、状态保持和性能优化,并提供了栈状态管理的实用方法。通过清晰的代码示例和对比表格,帮助开发者掌握HarmonyOS中复杂导航场景的解决方案。

echohelloworld11的博客 343

【鸿蒙ArkUI路由/导航系列】十二:Navigation路由拦截

摘要: 本文介绍了HarmonyOS中Navigation组件的路由拦截功能,通过setInterception回调实现跳转逻辑的灵活控制,无需修改原始路由代码。以电商App为例,未登录用户访问支付页时,通过willShow拦截跳转至登录页,登录后自动返回原页面,避免重复代码和模块耦合。示例代码展示了主页面、产品页、支付页和登录页的联动实现,包括全局登录状态管理(AppStorage)和路由信息传递。该方案提升了开发效率,降低了维护成本,适用于需权限校验的复杂路由场景。(150字) 关键词: Harmony

Alan_rust的博客 824

ArkTS学习

padding({left: 10, right: 20, top: 50, bottom: 100}) // 不同方向填充空白。1、页面布局中通过.layoutWeight(1),1代表在一个组件当中,其余组件都分配完空间之后,剩余空间都属于当前组件。.padding(10) // 四个方向都填充10的空白。item为List中的类型,index为索引值。@Prop将父组件的值传递到子组件用于UI刷新。padding控制组件的内边界,Text(“Border测试”)

weixin_45238806的博客 354

鸿蒙开发中 Navigation组件 自定义导航栏

使用@Builder装饰器 自定义构建函数,自定义导航栏

flikeu的博客 868

【最新鸿蒙应用开发】——Navigation路由管理

一多开发的项目适合使用Navigation进行统一的页面路由管理。Navigation还提供统一的标题栏、工具栏、菜单栏,并且自带导航返回功能。另外,Navigation还支持一些Router不支持的功能,比如:自带的路由拦截功能,自带的沉浸式功能等等。

m0_68038853的博客 1960

HarmonyOS开发实战:小分享-Navigation 导航容器——替代 router 实现现代路由

本文介绍了HarmonyOS Navigation组件在小分享App中的应用实践。作为官方推荐的现代化路由方案,Navigation相比传统router提供了更丰富的导航能力,包括路由栈管理、转场动画和类型安全的参数传递。文章详细讲解了Navigation的基本结构、NavPathStack路由栈操作、页面参数传递方式以及三种导航模式的区别。通过对比Navigation与router的特性差异,突出了Navigation在开发效率和功能完整性上的优势。最后总结了核心知识点和实战开发要点,为开发者迁移到Nav

weixin_54000324的博客 164

navigation传参以及跳转

Navigation组件主要包含导航页(NavBar)和子页(NavDestination)注意的是navigation是父组件,其他跳转页面是navdestination。以下是简单navigation路由组件跳转及传参的注意事项和操作。router换navigation。传递的参数是数组类型需要断言。navigation使用。跳转组件页面需配置文件。

2402_84171964的博客 742

HarmonyOS ArkTS API 24+ 实战:从零搭建注塑工程师助手首页与底部导航

学习 ArkTS 时,一个常见困难是:组件语法看懂了,真正开始做项目却不知道数据、状态和页面应该放在哪里。为了避开“只讲几个控件,写完仍然不会组织项目”的问题,本文从一个真实业务需求出发,搭建“注塑工程师助手”的首个可运行版本。这款 App 面向注塑现场,后续会逐步记录注塑机档案、调机参数、生产批次、不良原因和异常闭环。本篇先完成工程骨架、首页现场数据看板,以及“首页、机台、调机、异常、报表”五项底部导航。

kathy_tan的博客 442
上一篇: 华为AppGallery Connect的若干细节问题解决办法 云数据库篇 二
下一篇: 华为ArkUI-X 开发避坑指南 一 善用//@ts-ignore
waitPanda
博客等级 码龄2年 19粉丝 16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