基于SpringBoot+Vue3的实验室设备管理系统|WebSocket实时通知+全流程审批报修 毕设项目

SpringBoot+Vue社区报修系统开发实践 报修管理系统是智慧城市基础设施的重要组成部分,通过前后端分离架构实现高效协同。SpringBoot作为Java领域主流后端框架,提供自动配置和快速开发能力;Vue.js则以其响应式特性优化前端交互体验。系统采用RESTful API进行通信,结合WebSocket实现实时状态推送,在提升运维效率的同时降低管理成本。典型应用场景包括社区健身器材维护、公共设施管理等,通过二维码识别、智能排班算法等技术创新,将传统人工报修流程数字化。本方案特别适合需要集中管理300-500件设备的中型社区,实测故障响应时间缩短8 阅读详情

一、技术栈

二、系统核心功能

2. 借用申请与审批

设备使用完成后,借用人可线上发起归还申请,管理员根据设备清单逐项核验验收,验收无误后完成订单结单。针对逾期未归还设备,系统自动推送提醒通知,并临时冻结借用人的设备借用权限,规范借用秩序。

5. 设备检索与扫码功能

系统自动统计设备利用率、设备借用热度、故障维修概况等核心数据,生成日、周、月多维度可视化报表。支持管理员自定义配置单次借用时长、个人同时借用设备上限等核心规则,灵活适配实验室管理规范。

#SpringBoot #Vue3 #实验室设备管理系统 #Java毕设 #计算机毕业设计 #前后端分离 #WebSocket #课程设计

SpringBoot+Vue小区报修系统设计与实现 在管理类系统的开发实践中,前后端分离架构与数据库建模能力是衡量开发者工程水平的关键。SpringBoot与Vue的组合凭借高效开发与灵活部署成为主流技术栈,而工单状态机设计则保证了业务流程的严谨性与可追溯性。通过合理的数据库表设计,可以完整记录每一次状态变更,为纠纷追溯和运营分析提供数据支撑。这类技术方案广泛应用于物业报修、运维工单等场景,帮助开发者快速构建具备权限控制、消息通知、数据看板的完整业务闭环。本文以小区报修系统为例,围绕技术选型、数据库设计、工单流转核心逻辑及论文写作展开拆解,为毕业设计或项目复 阅读详情

相关推荐

GitLab中国区注册终极解决方案:绕过+86手机验证的实战技巧(2023最新)

本文详细解析了GitLab中国区注册时绕过+86手机验证的三种实战技巧,包括开发者工具调试方案、使用国际号码的变通方案以及本地化部署替代方案。通过技术分析和实践验证,帮助开发者顺利注册GitLab账号,提升团队协作效率。

rl6adventurer的博客 1509

Springboot+websocket+vue实现监听mysql数据库且实时通知前端

前言 前端采用:vue+sock.js+stomp.js 后端采用:springboot+websocket 项目需求:多个用户端提交报修信息,管理端web实时接收并显示。 实现思路:参考 我简单叙述下:后端通过轮询数据库进行监听,如何监听数据库及判断是否为新的报修信息–这部分业务代码可以参考上述链接。 本篇文章的重点有两个: (1)前端如何建立websocket连接 (2)后端如何通过websocket的订阅模式同时通知所有订阅者有新的消息到达。 后端实现 (1)导入websocket依赖 &lt

一个还在上学的程序缘 8811

pytorch实现手语识别

连续手语识别项目,中文数据集CSL

masteryi-0018的博客 1万+

基于SpringBoot+Vue3实验室设备管理系统|WebSocket消息推送|多级审批|周历排课

项目采用SpringBoot+Vue3前后端分离架构,利用WebSocket实现站内消息实时推送,实现设备全生命周期管理、借还申请流转、故障维修工单、实验室排课调度、多级审批流转、资源量化分析等功能,满足高校实验室日常数字化运维需求,可作为Java计算机毕业设计、课程设计的实战项目。设备使用结束执行归还操作,管理员对设备外观、功能完好程度进行检查核验,系统留存完整使用日志,记录使用人员、借用起止时间、设备归还状态,做到每一台设备的借用行为均可追溯。申请人可以随时查看申请所处审批节点、驳回意见。

ykhZuojava的博客 209

SV fork join_none & for循环结合使用

fork join_none与循环联用常见问题解决方案

ZhangShuHuai11的博客 881

ABAP BOM展开避坑指南:CS_BOM_EXPL_MAT_V2函数参数配置详解

本文深入解析了SAP ABAP开发中用于物料清单展开的核心函数CS_BOM_EXPL_MAT_V2。针对其复杂的参数配置,如CAPID、STLAN、DATUV和MEHRS,提供了详细的避坑指南和最佳实践,帮助开发者避免数据错误与性能陷阱,实现高效、准确的BOM多层展开。

pea55的博客 857

基于SpringBoot3与Vue3的宿舍报修系统开发实践

现代Web开发中,前后端分离架构已成为主流技术方案,其中SpringBoot作为Java领域的高效开发框架,与Vue3的组合能够构建响应式、高性能的应用系统。通过RESTful API和WebSocket实现实时数据同步,这种技术组合特别适合需要状态跟踪的业务场景,如工单管理系统。在实际工程实践中,采用JSON类型存储多媒体数据、实现RBAC权限控制、运用多级缓存策略等方案,能显著提升系统性能与用户体验。本文以高校宿舍报修系统为例,展示了如何结合SpringBoot3和Vue3解决传统报修方式的数据割裂问题

weixin_30431445的博客 228

【数学模型】灰色关联分析

数学模型-灰色关联分析

suic009的博客 1万+

SpringBoot+Vue 宿舍报修系统管理平台源码【适合毕设/课设/学习】Java+MySQL

直接拿走,意外获得200多套代码,需要的滴我SpringBoot+Vue 宿舍报修系统管理平台源码【适合毕设/课设/学习】Java+MySQL(可提供说明文档(通过*AIGC*)

yydYYDD的博客 379

Imatest-Star模块(西门子星图)

星图分析指南:基于ISO12233标准的MTF测试方法,通过放射状射线和正弦灰度变化评估相机SFR性能。

weixin_64706696的博客 1577

CTF-Web学习笔记:服务端请求伪造(SSRF)篇

本文系统介绍了CTF比赛中SSRF漏洞的攻防技术。首先解析了SSRF的核心原理,即利用服务器对用户输入URL的未校验缺陷,诱导其访问内网资源。然后详细分析了5类常见CTF题型:文件读取、内网探测、云服务元数据窃取、协议绕过及组合漏洞利用。重点讲解了绕过URL过滤、利用特殊协议(如dict://、gopher://)等实战技巧,并通过一道SSRF+Redis的高阶题目演示完整攻击链。最后给出防御建议:严格校验输入URL、禁用危险协议、实施内网隔离等。

Deng7326的博客 1711

Springboot3+vue3实验室设备借用报修管理系统

后端采用Spring Boot 3(Java 17+),集成Spring Security、JPA、Redis;前端使用Vue 3 + TypeScript + Pinia + Element Plus;数据库选用MySQL 8.0,支持JSON字段存储动态表单数据。对于本系统,我们提供全方位的支持,包括修改时间和标题,以及完整的安装、部署、运行和调试服务,确保系统能在你的电脑上顺利运行。需要成品或者定制,如果本展示有不满意之处。查看详细的视频演示,或者了解其他版本的信息。前端开发框架:vue.js。

wx_bishe288的博客 396

3D深度饼图的QT实现

首先,我们需要创建一个QT项目并创建一个窗口,用于显示我们的饼图。在QT Creator中,选择创建一个新的QT Widgets应用程序项目,并创建一个新的窗口类。在本文中,我将介绍如何使用QT实现一个3D深度饼图(Pie 3D)的可视化效果。在构造函数中,我们将创建一个饼图(QChartView)并设置饼图的数据。这是一个简单的示例,您可以根据需要自定义和扩展代码来创建更复杂的饼图。现在,我们已经完成了3D深度饼图的QT实现。您将看到一个具有相应数据的3D深度饼图显示在窗口中。3D深度饼图的QT实现。

CodeJolt的博客 278

springboot多媒体教室报修管理系统-vue

基于SpringBoot和Vue的多媒体教室报修管理系统是一个前后端分离的Web应用,旨在实现教室设备故障的快速申报、处理与跟踪。系统通过角色权限划分(如管理员、维修人员、普通用户)实现报修流程的数字化管理,提升校园后勤服务效率。

qq2295116502的博客 628

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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&#39;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(&#39;DeepLearnToolbox&#39;));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(&#39;state&#39;,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&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,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 = &#39;sigm&#39;;%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, &#39;Too big error&#39;);```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(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;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)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;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, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% 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&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 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, &#39;Too big error&#39;);```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(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,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, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % 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, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);%% 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(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % 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, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Springboot3+vue3语言的设备故障报修管理系统

Spring封装了很多的java类库文件,在开发过程中,不需要写太多复杂的类文件,只需要引用spring这个框架,就可以完成快速开发的需要,所以Java编程的逻辑代码就变得比较清晰,各层之间的解耦性也比较强,可重用性也得到了很好的发挥,使得开发难度也更加轻松容易,它的主要两个特性就是依赖注入、面向接口思想;(AOP)切面思想;Vue实现了MVVM框架,通过后台的模型进行业务逻辑的处理,并将数据绑定到视图层中,在视图层绑定显示控件,将Model对象的数据绑定到页面控件中,实现数据的自动同步。

qq2295116502的博客 680

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Springboot3+vue3的学生宿舍故障报修系统

Spring封装了很多的java类库文件,在开发过程中,不需要写太多复杂的类文件,只需要引用spring这个框架,就可以完成快速开发的需要,所以Java编程的逻辑代码就变得比较清晰,各层之间的解耦性也比较强,可重用性也得到了很好的发挥,使得开发难度也更加轻松容易,它的主要两个特性就是依赖注入、面向接口思想;Vue实现了MVVM框架,通过后台的模型进行业务逻辑的处理,并将数据绑定到视图层中,在视图层绑定显示控件,将Model对象的数据绑定到页面控件中,实现数据的自动同步。数据库:mysql (版本不限)

qq2295116502的博客 746

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

SpringBoot3+Vue3智慧园区管理平台:全栈毕设项目与AI助手实战

前后端分离架构是现代Web应用的主流范式,其核心思想是将界面展示与业务逻辑解耦,通过RESTful API实现数据交互。SpringBoot作为Java后端开发的事实标准,结合Vue3这一渐进式前端框架,能够高效构建企业级管理系统。此类技术栈的价值不仅在于开发效率,更在于清晰的分层结构、易于维护的代码组织以及灵活扩展的能力。在高校、园区等复杂管理场景中,基于该架构构建的智慧管理平台可覆盖师生管理、门禁通行、访客预约等核心业务,并通过接入大模型能力实现智能问答与数据分析辅助。本文以毕业设计为背景,详细拆解一个

weixin_33985679的博客 467

springboot+vue基于web的高校学生宿舍报修系统

对于本系统,我们提供全方位的支持,包括修改时间和标题,以及完整的安装、部署、运行和调试服务,确保系统能在你的电脑上顺利运行。该系统通过数字化流程可显著提升报修处理效率,平均响应时间预计可缩短50%以上,同时通过透明化流程提升学生满意度。需要成品或者定制,如果本展示有不满意之处。点击文章最下方名片联系我即可~,总会有一款让你满意。数据库工具:Navicat/SQLyog/ MySQL Workbench等都可以。查看详细的视频演示,或者了解其他版本的信息。前端开发框架:vue.js。

我的个人的博客 217

SpringBoot+Vue实验室设备管理系统开发实践

实验室设备管理系统是资产数字化管理的重要应用,通过SpringBoot+Vue前后端分离架构实现设备全生命周期管理。系统采用OCR技术实现设备智能入库,结合WebSocket实现状态实时追踪,运用RBAC模型保障数据安全。在高校实验室场景中,该系统可有效解决设备台账混乱、借用流程繁琐等问题,提升设备利用率37%以上。关键技术包含多级缓存策略、分布式锁控制高并发预约,以及基于STOMP协议的实时通信方案,为实验室管理提供智能化解决方案。

weixin_30667649的博客 408

基于SpringBoot的校园设备维护报修系统

未来可集成物联网(IoT)设备状态监测、AI故障预测等功能,进一步升级为智能化运维平台。基于SpringBoot的系统可实现线上化、自动化管理,减少人工干预,缩短响应时间,提高故障处理效率。系统积累的报修数据可通过分析工具(如SpringBoot整合的BI组件)生成报表,为校园设备更新、维护策略调整提供数据依据,推动智慧校园建设。系统能实时统计设备故障类型、频率及维修进度,帮助管理部门分析设备损耗规律,合理分配维护预算和人力资源,避免重复采购或资源浪费。ECharts(数据可视化,用于统计报表)

2501_93250029的博客 1204

springboot小区物业报修缴费管理echart 功能多—vuepython

采用SpringBoot作为后端框架,Vue.js作为前端框架,Python用于数据处理或特定功能模块(如数据分析)。需要成品或者定制,文章最下方名片联系我即可~ 所有项目都经过测试完善,本系统包修改时间和标题,包安装部署运行调试,不满意的可以定制。通过以上模块化设计,系统可实现报修、缴费、数据可视化的闭环管理。数据库工具:Navicat for mysql。开发软件:PyCharm/vscode。框架:flask/django。数据库 mysql 版本不限。开发语言:Python。

QQ_188083800的博客 264

基于Java springboot小区物业报修系统维修(源码+文档+运行视频+讲解视频)

基于Java SpringBoot的智能小区物业报修系统开发 摘要:针对小区物业管理精细化需求,设计开发了一套智能报修系统。系统采用前后端分离架构,后端使用SpringBoot+MyBatisPlus技术栈,前端基于Vue框架。实现了业主移动端报修、智能工单派发、维修进度跟踪、物料管理等功能模块,通过WebSocket实现实时通知,集成SpringSecurity权限控制。系统测试采用黑盒测试方法,验证了各功能模块的可靠性。该方案有效提升了物业维修服务效率和业主满意度,为物业数字化转型提供了完整解决方案。

weixin_mrw479640的博客 949

springboot-vue基于Android的智慧社区居民报修互助平台

"的Toast消息。作为主要的数据存储解决方案,使用 MySQL 数据库与后端服务进行集成,通过 Spring Boot 的数据访问技术来简化与 MySQL 数据库的交互,确保数据的安全性和一致性。(5)写Controller.java,连接页面请求和服务层,获取页面请求的参数,通过自动装配,映射不同的URL到相应的处理函数,并获取参数,对参数进行处理,之后传给服务层。维护:android系统的更新总是很快,而且不总是向后兼容的,所以设计一个程序并不难,如何让它适应不同版本的os是有难度的。

ztopmind的博客 338
上一篇: 基于SpringBoot+Vue3的健身运动管理系统|WebSocket实时消息 健身房毕设项目
下一篇: 基于SpringBoot+Vue3的图书馆座位预约系统|WebSocket实时座位状态 信用爽约机制 毕设项目
【赫兹威客】浩哥
博客等级 码龄14年 118粉丝 194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