arcmap删除图层点击保存时,提示无法保存编辑内容,无法获取锁

ArcGIS应用(二十一)Arcmap删除图层指定要素的方法 针对Arcmap删除矢量图层指定条件要素的问题,对于一个GISer来说,首先想到的应该就是使用Arcmap中编辑工具进行处理。即启动编辑工具之后,采用属性选择工具,选择要删除的要素,然后直接Delete之后保存数据即可,这是最直接和便捷的方法。当然还有很多其他的方法,比如采用AE编程实现要素删除,可以定制自己需要的各种功能,也可以是使用Python库-Gdal编程实现要素删除,比如这篇:python批量删除shapefile文件中某字段的指定属性值_空中旋转篮球的博客-优快云博客https://soder 阅读详情
AI摘要

在尝试编辑并删除ArcGIS中的图层时遇到无法保存编辑内容的错误,提示无法获取锁,可能原因是图层被其他程序占用。解决方案是检查是否有同事同时使用ArcGIS,并建议他们关闭软件以释放锁,从而能够正常编辑和删除图层。

点击编辑,删除选中的图层,然后点击报错,报错:
无法保存编辑内容,无法获取锁
在这里插入图片描述

报错原因:被另外一个程序打开占用了,看看身边的同事是不是也通过arcgis打开了,让他把arcgis关掉就可以编辑删除了。。。。

ArcMap学习笔记(三)地图数字化 地图数字化前言地图数字化实现步骤1.加载地形图2.新建要素图层3.开启编辑环境4.设置捕捉环境5.选择数字化图层6.数字化控制点7.数字化等高线8.数字化图幅边框9.保存数字化成果总结 前言 使用软件:ArcMap10.4.1中文版 如果出现侵权,请在评论留言,我会及时删除,谢谢。 地图数字化 空间数据采集(输入)是将现有的地图、外业观测成果、航空像片、遥感图片数据、文本资料等转换成GIS可以直接... 阅读详情

相关推荐

ArcMap学习笔记(一)坐标转换——地图配准

坐标转换——地图配准前言地图配准(1) 利用控制点坐标配准栅格数据。(2) 利用控制点文件配准矢量数据。总结 前言 使用软件:ArcMap10.4.1中文版 如果出现侵权,请在评论留言,我会及时删除,谢谢。 地图配准 地图配准就是将控制点配准为参考点的位置,从而建立两个坐标系统之间的一一对应的关系。控制点就是当前没有配准前的点的坐标,而参考点就是希望配准后的坐标。图像之间的配准主要包括两个方面:其...

JayWang博客 1万+

ArcGIS如何给属性表赋值以及无法保存字段编辑内容如何处理

第八步,一般到第七步就已经赋值完成了,但也会部分人出现以下无法保存编辑内容的情况,这是因为属性表含空白值即0。第四步,给属性表添加字段,我们添加的字段数值有小数,这里选择双精度,若是整数选择短整型,文本则选择文本类型。第二步,找到编辑器,在自定义里面的工具条给它勾选打开。注意,需要在未开始编辑的状态才能在表选项里添加字段。第三步,右击需要编辑的字段所在图层,打开属性表。第十步,接下来就可以正常编辑属性表字段并赋值了。第五步,开始编辑,选择需要编辑的字段所在图层。第七步,保存编辑内容并停止编辑。

2401_83024696的博客 7509

(三)ArcMap基础——数据层的基本操作

ArcMap 数据层基本操作。

qq_42540466的博客 4613

Arcgis:Editor Issue

TableJoin:     Arcgis中join的时候,若是外来表里面有非法字符,就可能导致连接失败。10.1中的validate功能可以用来检测错误。 小数显示: Arcgis属性表中小数点前面的0,要通过如下图设置。控制板面+区域和语言设置+自定义。 共享锁定溢出:     文件共享锁定溢出的解决方法,注册表中修改。先进入注册表:打开 “开始-运行”菜单在框中输入

shuihuyunyun的专栏 2239

ArcMap数据处理

ArcMap教程 Arcmap如何批量给属性字段赋值·怎样在ArcMap中打印地图ArcMap中擦除工具的使用ArcMap修复几何ArcMap如何创建图表?ArcMap怎么添加拓展控件图解如何在ArcMap中进行分类标注显示方案:将散点显示在ArcGIS中ArcMap中创建真实图层网格ArcMap中擦除工具的使用ArcMap如何切换为汉语版Arcmap如...

aodao8891的博客 1490

ArcMap地图导出AI格式后,在Adobe Illustrator里为啥编辑不了?手把手教你解决‘释放蒙版’问题

本文详细解析了ArcMap导出AI文件后在Adobe Illustrator中无法编辑的常见问题,特别是‘释放蒙版’问题的根源与解决方案。通过正确的导出设置、Illustrator中的蒙版释放技巧及高级修复方法,帮助用户轻松解决文件锁定问题,提升工作效率。

weixin_28523493的博客 371

解锁数据库

关于错误Error 000464 : 无法获取独占方案锁 出现错误【Error 000464 : 无法获取独占方案锁】时,可以采用以下方法解锁数据库 IWorkspaceFactoryLockControl pWorkFacLock = Workspace.WorkspaceFactory as IWorkspaceFactoryLockControl; if (pWorkFacLock.SchemaLockingEnabled) { pWorkFacLock.DisableSc

weixin_41320904的博客 1780

arcgis保存文件时文件溢出的解决办法!

arcgis在保存数据量较大的文件是,经常会提示“文件溢出”,此文档专门解决此问题,只需照文档中的描述设置一下注册表就不会再出现这种提示了,OK!

ArcMap教程

ArcMap教程 Arcmap如何批量给属性字段赋值 ·怎样在ArcMap中打印地图 ArcMap中擦除工具的使用 ArcMap修复几何 ArcMap如何创建图表? ArcMap怎么添加拓展控件 图解如何在ArcMap中进行分类标注 显示方案:将散点显示在ArcGIS中 ArcMap中创建真实图层网格 ArcMap中擦除工...

aodao8891的博客 2733

Unity Shader实战:用Matcap给你的低模角色快速换上‘次世代’材质(附完整Shader代码)

本文详细介绍了Unity中Matcap技术的实战应用,通过Shader代码实现低模角色的次世代材质表现。Matcap技术利用预烘焙光照贴图,显著提升材质质感同时保持极低性能消耗,特别适合移动游戏和独立开发。文章包含完整Shader代码、平面模型着色优化方案及动态环境反射增强技巧,帮助开发者快速提升低模视觉效果。

weixin_28718755的博客 385

Zemax实战:20×超高清变焦镜头设计全流程解析(从架构到制造)

本文详细解析了使用Zemax软件设计一款20倍变焦比、恒定F2.8光圈8K超高清镜头的全流程。从应对恒定光圈、宽光谱与8K解析力三大挑战的初始架构规划,到构建多重组态模型、分七阶段进行像差优化与公差分析,最终跨越制造鸿沟,为广播级影视与高精度工业检测应用提供了实战指南。

sun99的博客 552

ArcMap编辑要素服务

创建服务的本地副本 ArcMap 允许您通过从要素服务创建数据的本地副本,从而编辑要素服务中的数据。之后,您可以在 ArcMap 中对本地副本进行编辑,并将编辑内容重新同步到服务中。编辑本地副本时无需连接服务器。仅在创建本地副本或将本地副本中的更改应用到服务器时需要访问服务器。此工作流适用于组织中存在离线员工的情况,并且提供了使用多个客户端(例如通过 web 或使用桌面应用程序)编辑同一数据的常用方法。该功能已被嵌入到 ArcMap 中,无需进行任何的自定义设置。 默认情况下,会将数据复制到自动...

qq_40098572的博客 546

银河麒麟V10系统grub崩溃急救指南:从光盘救援到完整恢复(附常见错误排查)

本文详细介绍了银河麒麟V10系统grub崩溃的急救方法,从使用安装光盘进入救援环境到完整恢复系统的全流程。针对不同损坏程度(轻度、中度、严重)提供了分级恢复策略,包括grub2-install和grub2-mkconfig等关键命令的使用,并附有常见错误排查表,帮助用户快速解决引导问题。

weixin_30955617的博客 484

ArcGIS入门——ArcMap基础认知(精品)

ArcMap 中数据层大多是具有地理坐标系统的空间数据,创建新地图并加载数据层时,第一个被加载的数据层的坐标系统被作为该数据框的默认坐标系统,随后被加载的数据层,无论其原有的坐标系如何,只要满足坐标转换的要求,都将被自动转换为该数据框的坐标系统,但不会影响数据层所对应的数据本身。对于没有足够坐标信息的数据层,一般情况下由操作人员来提供坐标信息。若没有提供坐标信息,ArcMap 按默认办法处理:先判断数据层的X坐标是否为-180~180,Y坐标是否为-90~90,若判断为真,则按照大地坐标来处理;

weixin_72925698的博客 1万+

173、LLC谐振变换器的PCB设计实战(布线)

LLC谐振变换器PCB设计实战要点 LLC谐振变换器的PCB设计核心在于控制寄生参数,避免高频振铃和EMI问题。功率回路需确保电流路径最短且紧耦合,谐振电容焊盘需加宽以减少发热。驱动走线应独立于功率回路,避免干扰,并合理控制宽度和长度。变压器绕组结构影响共模噪声,建议原边在外层并加屏蔽铜箔。地平面设计需根据功率等级选择整块或分割,大功率下功率地与信号地应单点连接。谐振电流采样推荐四端开尔文电阻以减少电感干扰。散热需优化铜皮和过孔布局,功率器件优先放置顶层。布局应先确定谐振腔,再排布控制电路。经验上需实测寄生

Jack010169的博客 47

公开 学生课堂行为数据集 SCB-Dataset: A Dataset for Detecting Student and Teacher Classroom Behavior

公开 学生课堂行为数据集 SCB-Dataset Student Classroom Behavior dataset

CSPhD-winston的博客 1万+

收藏 | ArcMap最常用的数据编辑

数据编辑包括几何数据和属性数据的编辑。几何数据的编辑主要是针对图形的操作(图形编辑),包括平行线复制、缓冲区生成、镜面反射、图层合并、结点操作、拓扑编辑等。AecGIS中属性数据的编辑包括图形要素属性的添加、删除、修改、复制、粘贴、属性表导出等。 1 图形编辑 进入ArcMap工作环境,打开已有的地图文档或新建地图文档后,进行数据编辑一般需要经过下列5个步骤: 1.加载编辑数据。单击【文件】|【添加数据】,选择需要加载的数据层。 2.打开编辑工具。在工具栏的空白处点击右键,选择【编辑器】,出现编辑器工具条.

qq_43173805的博客 3448

Coze智能体开发:如何搭建一个生成长文本的工作流

扣子工作流提供了流程定制化的能力,我们可以把长文生成的流程拆分为多个步骤,例如先通过大模型节点生成大纲、再使用循环节点依次扩写各个段落,最后将各个段落组合起来,从而实现长文生成流程。此工作流可适用于学术写作、商业报告、小说创作等多种场景。

王国平的博客 1792

ArcMap学习笔记(五)空间数据编辑与处理

空间数据编辑与处理前言空间数据编辑与处理1.常见的数字化错误:2.非拓扑编辑3.拓扑编辑步骤1.非拓扑编辑2.拓扑查错 前言 使用软件:ArcMap10.4.1中文版 如果出现侵权,请在评论留言,我会及时删除,谢谢。 空间数据编辑与处理 数字化得到的数据往往会存在着一定的错误或误差,属性数据在输入时,也难免会存在错误,因此对图形数据和属性数据进行检查、重新编辑和后续处理,是保证数据正确可用的必要条...

JayWang博客 3780

【新能源汽车DCDC变换器测试优化全攻略:解决电能质量/发热/过充等核心痛点】

高压直流转12V低压的DCDC变换器是新能源汽车电源系统的核心枢纽,承担着为整车低压附件、控制器及12V蓄电池供电/补电的关键作用。在新能源汽车乘用车、商用车等不同车型实际运营中,因PDU内DC/AC等模块干扰、DCDC自身设计缺陷、整车匹配性不佳及测试验证不充分,频发12V输出电能质量差导致后端元器件烧毁、变换器发热严重、蓄电池过充/欠充、智能补电功能失效等问题,还伴随低压侧电压瞬跌/浪涌、电磁干扰超标、振动后接触不良、高温下效率骤降等行业高频故障,直接影响整车可靠性和运营安全性。本文基于国标。

优快云-新能源汽车研发测试专业博主 1271

【通信】多径衰落信道的matlab仿真

1 简介 2 部分代码 clearf_c=1e3; %carrier frequency(no modulation)time_1 = (linspace (0, 10, 1000)); %timesignal_in = sin (2 * pi *f_c* time_1); %sine wave plot (time_1, signal_in, 'b');grid on;

qq_59747472的博客 1383

【ArcMap操作】卫星TIF转岸线SHP

鼠标按住中建拖动图层,可继续编辑创建折线。若编辑错误,可选择编辑器“3”,对折线进行断点,选择编辑器“1”选中错误折线右键选择删除折线,再点击编辑器“2”进行创建(可从折线的端点开始创建)。将TIF文件拖入ArcMap窗口,在“默认工作目录”下右键,选择“新建”,选择“新建Shapefile”,依次编辑名称,选择折线,再选择编辑选取所需坐标系类型(此处选择“地理坐标系-World-WGS 1984”)。右键图层窗口的目标“shapefile”,选择“编辑要素”,再选择“开始编辑”,弹出编辑器窗口。

2202_75461391的博客 2011

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

arcgis新建图层信息复制_怎么在arcgis中把一个图层复制到另一个图层上

如何把图层A的线性要素L复制到图层B?1、图层A、B的shapfile文件需要放在同一个文件夹D中,且B要包含A的要素类型(如L是线性要素,图层B就要有线性要素)。2.Arcmap操作界面的左侧“内容列表”中...1、添加图层到ARCGIS。2、ARCGIS菜单栏空白处点击鼠标右键,将Advanced Editing、editor工具调出。3、点击Editor,选择start editing。4、...

weixin_39525812的博客 1万+

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")

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

ArcMap学习笔记(四)属性数据操作

属性数据操作前言属性数据操作实现步骤1.加载并浏览数据2.开启编辑环境3.增加和删除记录4.属性数据的编辑5.编辑成果的保存6.增加和删除字段7.属性表的合并与关联8.属性表记录的排序总结 前言 使用软件:ArcMap10.4.1中文版 如果出现侵权,请在评论留言,我会及时删除,谢谢。 属性数据操作 地理信息系统的空间数据库中,包括属性数据,空间数据,以及空间数据与属性数据间的连接信息。属性数据(...

JayWang博客 9962

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

上一篇: vivo手机界面换了,安装的app突然找不到了,但是能搜索到
下一篇: 刷新maven project报错: unable to import maven project ,see logs fot details
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