JAVA for和foreach 遍历的效率

5G MBS(组播广播服务)深度解析:从标准架构到商用实践 阅读详情

for循环下标遍历 和 foreach 的原理比较(JAVA)


今天看问答中又看到了类似的问题,就把自己理解过得写上来吧。去年看面试题也看到过,当时上网找没有搜到有说服力的。后来才弄明白并不是哪个一定好,是要分情况的。


首先需要提到一个很重要的接口:RandomAccess 。里面没有任何实现(标记接口),类似于序列化。作用在于:能够选择最优的算法来完成随机或者顺序读写。

foreach的实现机制是利用Iterator,等价于:

for(Iterator iterator = list.iterator();iterator.hasNext();){                    
    sum += iterator.next();                                
}

下面简单举两个例子,用ArrayList存100万条数据,LinkedList存10万条数据。然后分别用for和foreah遍历。

其中ArrayList 是实现RandomAccess

@Test
public void forCompareForeach(){
    List<Integer> list =new ArrayList<>(1000000);
    for (int i =0;i<1000000;i++){ //100万
        list.add(i);
    }
    int temp = 0;
    long start1 = System.currentTimeMillis();
    for (int i=0;i<list.size();i++){
        temp = list.get(i);
    }
    long end1 = System.currentTimeMillis();
    System.out.println("for循环遍历1 000 000 条数据:"+(end1 - start1) +"毫秒");

    long start2 = System.currentTimeMillis();
    for (int i : list){
        temp = i;
    }
    long end2 = System.currentTimeMillis();
    System.out.println("foreach循环遍历1 000 000 条数据:"+(end2 - start2) +"毫秒");
}
Connected to the target VM, address: '127.0.0.1:49548', transport: 'socket'
for循环遍历ArrayList 1000000 条数据:8毫秒
foreach循环遍历ArrayList 1000000 条数据:24毫秒
ArrayList集合中,下标存取的for循环效率效率远远高于foreach。 

我将ArrayList改为LinkedList 再做测试:

List<Integer> list =new LinkedList<>();
for (int i =0;i<100000;i++){ //10万
Connected to the target VM, address: '127.0.0.1:50837', transport: 'socket'
for循环遍历 LinkedList 100000 条数据:7093毫秒
foreach循环遍历 LinkedList 100000 条数据:4毫秒

LinkedList集合中,for循环的效率大大下降,也和get()方法实现有关。

所以,在实现原理都不清晰时,不要盲目相信别人的几个测试用例证明哪个效率高。遍历集合是要根据不同数据结构来选择的。而实现 RandomAccess 接口的集合随机存取会较快。



SpringBoot 系列教程(二):SpringBoot使用Devtools实现热部署 1.devtools   spring为开发者提供了一个名为spring-boot-devtools的模块来使Spring Boot应用支持热部署,提高开发者的开发效率,无需手动重启Spring Boot应用。 2.项目搭建   本文是采用IDEA搭建的Spring Boot应用,通过spring-boot-devtools配置,可以支持修改java文件会自动重启程序,一些资源无需触发重启,... 阅读详情

相关推荐

5分钟搞懂异构图注意力网络(HAN):从元路径到节点聚合的全流程解析

本文深入解析异构图注意力网络(HAN)的核心原理与实战应用,从元路径设计到多级注意力实现的全流程。HAN通过节点级和语义级双重注意力机制,有效处理包含多种节点和边类型的异构图数据,在电商推荐、学术网络分析等场景展现卓越性能。文章提供DGL实现代码和调参技巧,帮助开发者快速掌握这一强大工具。

weixin_29056701的博客 311

Java基础教程之 for-each循环

在普通的for循环中,我们可以通过索引来访问和操作集合或数组中的元素,但是在foreach循环中,我们无法直接获取当前元素的索引。首先,由于for-each底层使用迭代器进行循环遍历,就意味着在遍历过程中是无法修改集合或数组的长度的。它的设计旨在提供一种简洁、易读的语法,用于遍历集合或数组中的元素,从而减少了使用传统for循环时可能出现的冗余代码和错误机会。换言之,for-each是基于迭代器模式的一种改进版本,它使我们能够以简单直观的方式遍历集合或数组中的每个元素并对其执行相应操作。

mini_malism_的博客 8490

从智能手机到汽车电子:聊聊IPC-9702/9704A标准如何帮我们搞定不同场景下的PCB可靠性设计

本文探讨了IPC-9702/9704A标准在智能手机和汽车电子等不同场景下的PCB可靠性设计应用。通过分析消费电子、汽车电子和工业设备中的应力特征,详细解读了IPC标准在应变识别和测试方法论中的核心价值,并提供了具体的轻量化设计策略和全生命周期验证方案,帮助工程师提升PCB的长期可靠性。

weixin_30693683的博客 279

java forEach使用

java forEach使用 foreach 是 Java 中的一种语法糖,目的是方便程序员开发和提高性能。其实就是编译期间以特定的字节码或特定的方式来对这些语法进行处理。 1.普通数组forEach用法 对于数组,foreach 循环实际上还是用的普通的 for 循环,怎么说foreach 循环就是for 循环 int[] arr= {1,2,3,4,5} //forEach写法(效果跟下面同等...

qq_43203949的博客 4万+

使用openMVS对样例数据进行重建

openMVS根据github上的步骤进行编译。注意,如果没有GPU,用不了CUDA的话,那么需要在openMVS目录下找到CmakeLists.txt文件,把CUDA设置为OFF: SET(OpenMVS_USE_CUDA OFF CACHE BOOL "Enable CUDA library") 可执行的文件生成在openMVS_build/bin/里面,在openMVS_build文件夹下打开终端,按照顺序执行如下命令即可逐步重建。其中,-w 设置的是数据的总路径,-i 后接输入的文件名,-o

YuhsiHu的博客 2883

Dataworks实现接口调用

在本地linux虚拟机(不用在意linux版本),安装Anaconda后配置对应的虚拟环境,将虚拟环境的python包整体打包(路径一般为:~/anaconda/envs/env_name/lib/pyyhon3.7/site-packages):上传资源,将第三方包上传至dataworks(注意:所有上传文件均要打包上传,直接上传文件会乱码导致无法使用):PyODPS,其中PyODSP2的python版本为2.7,PyODSP3的python版本为3.7。:在PyODPS中引用资源,然后开发接口。

hutc_Alan的博客 1680

【17】面试官常问:Java 中 for、foreach、stream 哪个处理效率更高?

我们在开发中循环遍历一个数组经常会用到,jdk8推出了一些新特性,对循环做了比较,通过代码亲测,记录一下!

Java烂猪皮 4552

无人驾驶--车道线检测实战(附源码)

做完项目后写了个技术小结,供自己回顾也为他人学习提供参考。 另外准备建一个无人驾驶方面的微信交流群,有兴趣的朋友可以加我微信:wxl609278502 请注明: 姓名-单位/学校 项目描述: 使用opencv实时处理车载摄像机采集的道路图像,检测当前的车道,并计算出当前车辆偏离车道中心的距离,计算当前车道的曲率。 项目代码GitHub地址:https://g...

weixin_38746685的博客 6万+

java中的foreach循环

foreach语句是java5的新特征之一,在遍历数组、集合方面,foreach为开发人员提供了极大的方便。 foreach语句是for语句的特殊简化版本,但是foreach语句并不能完全取代for语句,然而,任何的foreach语句都可以改写为for语句版本。 foreach并不是一个关键字,习惯上将这种特殊的for语句格式称之为“foreach”语句。从英文字面意思理解foreach也就是...

JAVA代码搜集 1万+

SAP MM自动化进阶:STO交货单自动创建的配置与优化

本文深入解析了SAP MM模块中实现公司间库存调拨订单(STO)交货单自动创建的完整配置流程与优化策略。通过激活自动交货与绑定发货点两大核心配置,打通自动化链路。重点探讨了如何集成ATP可用性检查以智能处理库存不足等异常场景,确保自动化流程的可靠性与业务贴合度,并提供了进阶监控与问题排查方法,助力企业显著提升供应链效率。

weixin_29206669的博客 124

SAP 系统和银行系统通过 SM2 加密算法进行集成

SM2 是基于椭圆曲线离散对数问题(ECDLP)的一种公钥密码算法。椭圆曲线加密的核心原理,是利用了一个数学难题:在椭圆曲线群上,已知曲线上两点的运算结果,逆向推导出这两个点的具体信息是非常困难的。这样的复杂度使得基于椭圆曲线的密码体制比传统的 RSA 更加难以破解。在 SM2 加密中,公钥和私钥的生成与传统的椭圆曲线加密类似。选择一个椭圆曲线和一个基点 P。使用私钥 d,计算公钥 P’ = d * P。私钥 d 保密,而公钥 P’ 可公开分发,用于加密数据。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1211

java中foreach的用法

java中foreach,可以认为是增强版的for语句循环,它可以减少代码量,但是不是所有的foreach都可以代替for循环。 foreach的语句格式:for(元素类型type 元素变量value :遍历对象obj){ 引用x的java语句 } 用法1:输出一维数组 用法2:输出二维数组 foreach的局限性 foreach是for循环的增强版本,简化了编程,提高了代码的可读性和安全...

qq_44840148的博客 10万+

嵌入式工程师成长之路(1)——元件基础(试读版)

上拉电阻阻值选错导致MCU反复重启?0欧电阻竟然能“背锅”信号干扰?高精密采样电阻的温漂毁了整个控制系统?——这些问题,都是基础不牢!优快云硬件领域头部博主十年经验汇总,涵盖电阻分类、封装、实战选型、避坑指南,附带职业进阶路径,助你从小白进阶为“电路医生”!

云轩阁 34万+

java的foreach遍历,JAVA for和foreach 遍历的效率

for循环下标遍历 和 foreach 的原理比较(JAVA)今天看问答中又看到了类似的问题,就把自己理解过得写上来吧。去年看面试题也看到过,当时上网找没有搜到有说服力的。后来才弄明白并不是哪个一定好,是要分情况的。首先需要提到一个很重要的接口:RandomAccess 。里面没有任何实现(标记接口),类似于序列化。作用在于:能够选择最优的算法来完成随机或者顺序读写。foreach的实现机制是利用...

weixin_28950403的博客 682

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")

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!

java foreach与for遍历效率对比

由于本人在准备秋招,所以在看到foreach和for那个遍历效率更高的问题的时候,我百度了,又谷歌了,但是基本有的人说for更好,foreach更好,但是我无意中看到有人说如果是数组类型的迭代器的话,效率相差不大,如果硬要说那个更好就是for,因为迭代器增加了范围的判断,而for则我们自己判断。如果是LinkedList链表类型的话就是foreach遍历更好。个人觉得不需要一下子去写例子,你弄懂了

lywoct的博客 7226

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。

foreach是同步还是异步JAVA,Java中foreach与正常for循环效率对比

在Java中对于集合的遍历,一般有以下三种方法:for循环foreach循环Iterator遍历下面来分析一下for循环和foreach循环的效率对比以及简单分析一下原因。看下面的代码:public class ForTest {public static void testArrayList(ArrayList arrayList) {System.out.println("测试ArrayLis...

weixin_30596433的博客 4762

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

java中for和foreach遍历集合元素的差别

突然好奇for循环和foreach循环有什么差异,于是通过操作了一波。以下分别使用for循环和foreach循环对ArrayList和LinkedList集合进行了遍历测试。 import java.util.ArrayList; import java.util.LinkedList; public class Test { public static void...

qq_36923376的博客 713

Java的foreach循环(增强型for循环)是Java 5引入的语法糖,主要用于简化集合和数组的遍历操作。以下从工作原理、使用场景、限制及效率等方面说说

​推荐使用仅需读取元素,无需修改集合结构代码简洁性优先的场景(如快速调试输出)遍历链表结构(如LinkedList​避免使用需要增删集合元素需要获取元素索引对性能有极致要求(如超大规模数组遍历)通过合理选择循环方式,可提升代码可读性和运行效率。对于复杂操作,建议结合迭代器或Java 8的Stream API实现更灵活的控制。

m0_75236543的博客 1284

Java基础——foreach与正常for循环效率对比

在Java中对于集合的遍历,一般有以下三种方法: for循环 foreach循环 Iterator遍历 下面来分析一下for循环和foreach循环的效率对比以及简单分析一下原因。 看下面的代码: public class ForTest { public static void testArrayList(ArrayList&lt;Integer&gt; arrayLi...

qq_19703019的博客 6392

【Java】for、forEach,Iterator在ArrayList、LinkedList上的性能比较

你知道在哪种情况下遍历大量数据时 for循环要比forEach、Iterator差很多吗?本文通过简单的数据测试,得出结论

在~博客 1403

【java细节】for循环,for-each(增强for循环),forEach以及Iterator迭代器对比

【java细节】for循环,for-each(增强for循环),forEach以及Iterator迭代器对比

MR_Peach07的博客 3064

Iterator,for,forEach的遍历和效率

对应数据的遍历方式有很多,下面介绍下Iterator,for,forEach三种方式的遍历和执行效率问题 1.代码如下: /** * Iterator,for,forEach比较 * @author w2cboy * date 2014-03-24 */ public class Test { private static final int COUNT = 10000;

牧码心 7471

深究Java foreach循环的实现原理和其中的坑

集合、数组的遍历是必不可少的开发工具,foreach又是那么甜,二者走到一起会发生什么呢?这篇文章带你一起尝一尝其中的酸甜苦辣!

衷水木先生的博客 4429

浅析Java中for循环和foreach循环的区别

目录 一、for循环 二、foreach循环 三、区别 四、两者效率比较 一、for循环 1.语句最简形式为: for( ; ; ) 2.一般形式为: ​ for(单次表达式;条件表达式;末尾循环体){ 中间循环体; } ​ 二、foreach循环 1、foreach也叫增强for循环,foreach其实是for循环的一个特殊简化版。 2、foreach的书写格式: for(元素类型 元素名称 : 遍历数组(集合)(或者能进行迭代的)){ 语句 } ..

qq_50864729的博客 6542

java怎么遍历vo_集合在耗时程序中流遍历、迭代遍历的效率测量对比

测试环境操作系统:WIN10逻辑处理器:4核运行内存:16G测试程序:CloudLogVo.javaimport lombok.Data;/*** @className: CloudLogVo* @description: 日志信息Vo* @author: niaonao**/@Datapublic class CloudLogVo {private String level;private St...

weixin_33945547的博客 294

Java遍历List集合for循环,foreach,迭代器的区别

遍历List集合的三种方式 List集合在Java日常开发中是必不可少的,只要懂得运用各种各样的遍历集合方法就可以大大提高我们开发的效率,适当使用各种方法才会使我们开发事半功倍。   我总结了三种List集合的遍历方式,下面一一来介绍。 首先创建一个集合 ArrayList<String> names = new ArrayList<String>(); ...

weixin_45376741的博客 7417
上一篇: 非web的JAVA应用使用Spring的依赖注入
下一篇: maven导出项目中所有依赖jar包
yyoc97
博客等级 码龄12年 272粉丝 91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