分享个外部类操作Excel文件
CSpreadSheet.h
A、新建Excel文件,并写入默认数据
// 新建Excel文件名及路径,TestSheet为内部表名 CSpreadSheet SS("c://Test.xls", "TestSheet"); CStringArray sampleArray, testRow; SS.BeginTransaction(); // 加入标题 sampleArray.RemoveAll(); sampleArray.Add("姓名"); sampleArray.Add("年龄"); SS.AddHeaders(sampleArray); // 加入数据 CString strName[] = {"小明","小丽","小宝","小新","小文"}; CString strAge[] = {"46","45","47","45","49"}; for(int i = 0; i < sizeof(strName)/sizeof(CString); i++) { sampleArray.RemoveAll(); sampleArray.Add(strName[i]); sampleArray.Add(strAge[i]); SS.AddRow(sampleArray); } SS.Commit();
B、 读取Excel文件数据CSpreadSheet SS("c://Test.xls", "TestSheet"); CStringArray Rows, Column; //清空列表框 m_AccessList.ResetContent(); for (int i = 1; i <= SS.GetTotalRows(); i++) { // 读取一行 SS.ReadRow(Rows, i); CString strContents = ""; for (int j = 1; j <= Rows.GetSize(); j++) { if(j == 1) strContents = Rows.GetAt(j-1); else strContents = strContents + " --> " + Rows.GetAt(j-1); } m_AccessList.AddString(strContents); }
C、 对已存在Excel表格数据进行添加、插入、替换操作// 初始化测试行数据,进行添加、插入及替换数据操作演示 for (int k = 1; k <= 2; k++) { testRow.Add("Test"); } SS.AddRow(testRow); // 添加到尾部 SS.AddRow(testRow, 2); // 插入新行到第二行 SS.AddRow(testRow, 6, true); // 替换原第四行来新的内容 SS.AddCell("徐景周", 1,2); // 添加(不存在)或替换(存在)第二行,第一列单元格内容 SS.Commit();D、 对已存在Excel表格数据进行行、列、单元格查询
void CExcelAccessDlg::OnQuery() { CSpreadSheet SS("c://Test.xls", "TestSheet"); CStringArray Rows, Column; CString tempString = ""; UpdateData(); if(m_strRow == "" && m_strColumn == "") // 查询为空 { AfxMessageBox("行号、列号不能同时为空!"); return; } else if(m_strRow == "" && m_strColumn != "") // 查询指定列数据 { int iColumn = atoi(m_strColumn); int iCols = SS.GetTotalColumns(); if(iColumn > iCols) // 超出表范围查询时 { CString str; str.Format("表中总列数为: %d, ", iCols); AfxMessageBox(str + " 查询列数大于Excel表中总列数,请重新输入!"); return; } // 读取一列数据,并按行读出 if(!SS.ReadColumn(Column, iColumn)) { AfxMessageBox(SS.GetLastError()); return; } CString tmpStr; for (int i = 0; i < Column.GetSize(); i++) { tmpStr.Format("行号: %d, 列号: %d ,内容: %s/n", i+1,iColumn,Column.GetAt(i)); tempString += tmpStr; } AfxMessageBox(tempString); } else if(m_strRow != "" && m_strColumn == "") // 查询指定行数数据 { int iRow = atoi(m_strRow); int iRows = SS.GetTotalRows(); if(iRow > iRows) // 超出表范围查询时 { CString str; str.Format("表中总行数为: %d, ", iRows); AfxMessageBox(str + " 查询行数大于Excel表中总行数,请重新输入!"); return; } // 读取指定行数据 if(!SS.ReadRow(Rows, iRow)) { AfxMessageBox(SS.GetLastError()); return; } CString tmpStr; for (int i = 0; i < Rows.GetSize(); i++) { tmpStr.Format("行号: %d, 列号: %d ,内容: %s/n", iRow, i+1, Rows.GetAt(i)); tempString += tmpStr; } AfxMessageBox(tempString); } else if(m_strRow != "" && m_strColumn != "") // 查询指定单元格数据 { int iRow = atoi(m_strRow), iColumn = atoi(m_strColumn); int iRows = SS.GetTotalRows(), iCols = SS.GetTotalColumns(); if(iColumn > iCols) // 超出表范围查询时 { CString str; str.Format("表中总列数为: %d, ", iCols); AfxMessageBox(str + " 查询列数大于Excel表中总列数,请重新输入!"); return; } else if(iRow > iRows) { CString str; str.Format("表中总行数为: %d, ", iRows); AfxMessageBox(str + " 查询行数大于Excel表中总行数,请重新输入!"); return; } // 读取指定行、列单元格数据 if(!SS.ReadCell(tempString, iColumn, iRow)) { AfxMessageBox(SS.GetLastError()); return; } CString str; str.Format("行号: %d, 列号: %d ,内容: %s", iRow,iColumn,tempString); AfxMessageBox(str); } }
E、 将存在的Excel转换另存为指定分隔的文本文件// 将原Excel文件转换为用分号分隔的文本,并另存为同名文本文件 SS.Convert(";"); F、删除Excel中表格SS. DeleteSheet(); // 删除Excel文件中所有表格 SS. DeleteSheet(" TestSheet "); // 删除Excel中TextSheet表格G、 获取Excel中总行数、总列数、当前行
int iCols = SS.GetTotalColumns(); // 总列数 int iRows = SS.GetTotalRows(); // 总行数 int iCurRow = SS.GetCurrentRow(); // 当前所在行号H、 获取行头数据
CStringArray rowHeader; SS.GetFieldNames(rowHeader); CString tmpStr; for (int i = 0; i < rowHeader.GetSize(); i++) { tmpStr.Format("行号: %d, 列号: %d ,内容: %s/n", 1, i+1, rowHeader.GetAt(i)); tempString += tmpStr; } AfxMessageBox(tempString);源码地址:
相关推荐
C++读写Excel表格
该资源用封装了一个对Excel进行读取、创建、写入的类,该demo是用vs2015创建的MFC程序。
C++ Excel表格解析(一、MFC工程中的应用)
一、前言 C++怎么解析Excel呢,这两天研究了一下,这一篇就来谈一谈MFC中如何解析Excel。 二、准备 2.1 代码结构 2.2 类说明 2.2.1 类型库 图中圈出来的这些类,都是一些自带的类,两种方式, 方式一:你直接复制其他工程的即可 方式二:添加新项->添加类->选择这几个类即可。(VS2019不支持)(2.3.2有介绍) 2.2.2 主界面类 2.2.3 加载图片界面类 2.2.4 MFC生成的启动类 2.3 新建工程 2.3.1 新建项目(两个关键步骤)
Dual-stream multiple instance learning networks for tumor detection in Whole Slide Image——论文笔记
关于多示例学习的资料网上比较少,但是在医学图像方面还是有人在应用的。主要是因为一般比较大,几个G都是十分常见的,这么大图片是无法直接训练,一般都会进行切图,所以天然契合多示例学习bag和instance的概念。最近看了一篇论文刚好关于这方面的,所以做下笔记。 github地址:https://github.com/binli123/dsmil-wsi paper:https://arxiv.org/abs/2011.08939 背景知识 在多示例学习(MIL)中,一组训练样本被视为包含多个instance的
MFC/VC C++ 【xls文件/文本文件】读写与按条件删除
MFC/VC C++ 【xls文件】读写与删除 一、必备知识:相关 类/API 类 CStdioFile CFileFind CFile CFileStatus CTime CTimeSpan 函数 CTime::GetCurrentTime CFile::Open CFile::Write CFileFind::FindFile CFileFind::FindNextFile CFileFind::IsDirectory CFileFind::GetFilePath WideCharT
浅析MOS管导通过程及RC吸收电路设计要点
RC吸收电路 米勒电容 MOS导通过程
什么!!!寒假就要准备暑期实习
介绍暑期实习,从作用,时间线,投递渠道,技术准备,常见问题,经验教训几个方面介绍暑期实习
剖析VC中的文件操作
剖析VC中的文件操作作者:燕山大学 聂栋栋发表日期:2001年12月 日转自:内容提要 关键字 文章正文 各种关于文件的操作在程序设计中是十分常见,如果能对其各种操作都了如指掌,就可以根据实际情况找到最佳的解决方案,从而在较短的时间内编写出高效的代码,因而熟练的掌握文件操作是十分重要的。本文
从零到一:uniPush2.0全链路集成与多厂商通道配置实战
本文提供了uniPush2.0从零开始的全链路集成与多厂商通道配置实战指南。详细讲解了DCloud平台配置、uniCloud云函数开发、客户端CID获取与消息监听,并重点攻克了华为、小米、OPPO、vivo等主流厂商推送通道的配置难点与避坑技巧,帮助UniApp开发者实现“一次集成,全端覆盖”的高效消息推送方案。
一个简单的C++操作Excel的方案
因为工作的关系,我需要时常操作一下excel的数据,按照一定的格式加工原文件中的数据后,搞到另一个excel中 然后搜索了不少excel操作的开源类库,但搜到的代码要么就是需要第三方库配合,要么就是功能过于强大,导致使用成本较高 最终,找到一篇2006年的文章 BasicExcel - A Class to Read and Write to Microsoft Excel BasicExcel,一个读写Excel的类 一.基本介绍 BasicExcel 是一个非常简单的操作Excel的库.
详解Pytorch求导
本文主要详解Pytorch求导,希望能对学习Pytorch的同学有所帮助。 文章目录 1. pytorch求导问题 2. pytorch三大类求导代码示例 2.1 标量求导 2.2 向量求导&矩阵求导
c语言实现求一个矩阵特征值和特征向量
前言 求矩阵的特征值,主要是用的QR分解,在我的有一次博客里,我已经详细地给出了计算的过程,大家有兴趣可以去看下,经过几天的钻研,终于完成了整个的eig算法。下面我将把我的整个代码附上,有不懂的可以问我,欢迎一起讨论学习! 这是对上一次的修改版,上一次写的程序是在C++编译环境下编译的,所以放在c里面编译有些会出错。 最后,如果有不对的地方希望大...
C++新建xls表并写入数据
#include "BasicExcel.hpp" using namespace YExcel; int main(int argc, char* argv[]) { BasicExcel e; // Create a new workbook with 2 worksheets and write some contents. e.New(2); e.Rename
【招商银行笔试题汇总】[全网首发]2024-04-23-招商银行春秋招笔试题-三语言题解(CPP/Python/Java)
🏳️ 难难难!!!本次招商银行的笔试算是今年春招最难的场次之一了K小姐所在的公司有 NNN 个部门,编号从 111 到 NNN。由于公司网络系统比较老旧,对于同一个数据 ddd,不同部门记录的值可能不同。数据 ddd 在各部门被记录为 d1,d2,...,dNd_1, d_2, ..., d_Nd1,d2,...,dN。公司提出可以通过会议来实现数据的一致性。每次会议会让相邻编号范围内的所有部门一起参加,如果有超过半数的部门能够对数据 ddd 的值达成共识,那么在此次会议后,参与会议的所有部门会将
傻瓜式教学:c++操作Excel
理论性的东西就是不讲了,简单的ji
当C#遇见声音魔法:从麦克风到文字的0.1秒奇幻漂流
为什么选300Hz?因为人声基频通常在85-255Hz,但清脆的“啊”可能到2kHz,所以300Hz是安全区!(参考知识库[1])
IEM模型,地表粗糙度模拟
利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟
纯 C++ 代码创建并保存 EXCEL 文件
<br />本来OFFICE已经为大家提供了很好用的COM组件,但我发现我怎么用怎么不顺手(估计是本人太菜了)。<br />于是便绞尽脑汁想用纯 C++ 代码来实现,终于,哈哈,嘿嘿,嚯嚯……<br /><br />好了,下面是我的步骤(偶用的VC++ 6.0):<br />1. 先新建一个“Win32 控制台应用/Win32 Console Application”工程,工程名不妨叫做“createXLS”。<br />2. 工程向导里选择“A "Hello,World!" application”,新建
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');```[](https://bitdeli.com/free "Bitdeli Badge")
基于C++mfc的数据库增删改查含图片音视频word_excel_pdf等数据上传服务器在线查看播放下载
基于C++mfc的数据库增删改查含图片音视频word_excel_pdf等数据上传服务器在线查看播放下载
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
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
VC++ 中操作Excel文档的方法,读取,查询,写入,修改,删除
这里是在VC++中操作EXCEL文档的一个例子,可以对EXCEL文档进行读写,查询,修改等操作
利用MFC处理Excel的几种方式
据很多地方说,用MFC处理Excel的方式有4种,或者更多...由于学浅,
C++通过COM操作EXCEL
** C++通过COM操作EXCEL ** C++操作EXCEL网上有很多方法,我觉得通过微软自带的COM操作还是比较方便并且兼容性比较好的,总结了网上各个网页的博客分享,整理了一份我自己的理解。 一、封装Excel库 1、环境配置:VS2013加EXCEL2013 2、封装步骤 1、新建一个MFC项目 2、右击项目选址类向导 ...
创建xls文件,并写入数据
package com.proj; import java.io.File; import java.io.FileNotFoundException; import java.io.FileOutputStream; import java.io.IOException; import java.util.List; import org.apache.poi.hssf.user
使用VC++操作Excel文件
<br />转载:http://xfrog.blogbus.com/logs/24923682.html本文档适用于:Microsoft Foundation Classes (MFC), Microsoft Visual C++, 32-bit Editions, version 6.0 以上 Microsoft OLE 库 第一步:建立一个自动化工程启动VC 6.0,打开新建对话框,新建一个MFC AppWizard(exe)工程,这里工程明设置为TestExcel。进入MFC 应用程序向导,选择 基本
MFC 删除图片类型的文件
BOOL CFile6Dlg::DeleteDirectory(char *sDirName) { CFileFind tempFind; char sTempFileFind[200] ; sprintf(sTempFileFind,"%s\\*.*",sDirName); //将第二个参数写入到第一个参数当中 BOOL IsFinded = t
【MFC/C++操作Excel】Excel篇
MFC操作Excel 下面的操作基于Excel2003 一.初始化操作 1.导入类库 点击查看->建立类向导-> Add Class...\From a type Library...-> C:\Program Files\Microsoft Office\Office\EXCEL.EXE,接下来就可以看到导入的类excel.h, excel.cpp。 2.初...
在 VS2008 下操作 Excel 的方法总结
这些天做个软件,需要读取 Excel 并导入到数据库中,所以研究了一下在 VC 下操作 Excel 的方法,这里做个总结,以作备忘。 一、最常用的 OLE 自动化方式这个方式应该说是功能最全的方式,可能也是应用的最多的方式。由于这种方式采用的是隐藏启动 Office Excel 的方式,所以几乎是全能,任何功能都可以完成。不过缺点也是比较明显的:1、采用 OLE 方式,需要用户计算
C++之xlsx文件操作之读操作
采用xlnt开源库的实现,声明如下: #define XLNT_STATIC 1 #include "./xlnt/xlnt.hpp" #ifdef _DEBUG //#pragma comment(lib, "./xlnt/lib/xlntd.lib") #pragma comment(lib, "./xlnt/xlntd.lib") #else #pragma comment(lib, "./xlnt/lib/xlnt.lib") #endif // _DEBUG namespace xlnt {
2288



被折叠的 条评论
为什么被折叠?



