逻辑结构与物理结构

数据结构的逻辑结构及物理结构 1、数据的逻辑结构 1.1、集合结构:集合中任何两个数据元素之间都没有逻辑关系,组织形式松散. 1.2、 线性结构:开始节点和终端节点都是唯一的,第一个节点认为是开始节点,第四个节点认为是终端节点。除了开始节点和终端节点以外,其余节点都有且仅有一个前驱节点,有且仅有一个后继节点。对于第二个节点来说,它的前驱节点就是第一个节点,它的后继节点是第三个节点。线性表,栈,队列 1.3、树形结构:开始节点... 阅读详情

《大话数据结构》——逻辑结构与物理结构

按照视点的不同,我们把数据结构分为逻辑结构和物理结构。

逻辑结构

逻辑结构:是指数据对象中数据元素之间的相互关系。

逻辑结构分为以下四种:

1. 集合结构
集合结构:集合结构中的数据元素除了同属于一个集合外,它们之间没有其他关
系。

集合
2. 线性结构
线性结构:线性结构中的数据元素之间是一对一的关系。
线性
3.树形结构
树形结构:树形结构中的数据元素之间存在一种一对多的层次关系。
树型
4.图形结构
图形结构:图形结构的数据元素是多对多的关系。
图形结构

物理结构

物理结构:是指数据的逻辑结构在计算机中的存储形式。

数据元素的存储结构形式有两种:顺序存储和链式存储。

1.顺序存储结构
顺序存储结构:是把数据元素存放在地址连续的存储单元里,其数据间的逻辑关系和物理关系是一致的。
顺序存储
2. 链式存储结构
链式存储结构:是把数据元素存放在任意的存储单元里,这组存储单元可以是连
续的,也可以是不连续的。

链式

以上摘自《大话数据结构》第一章数据结构绪论

21、数据的逻辑结构和物理结构 这篇文章会让你学到什么? 我们在学习数据结构与算法之前,普遍会觉得难度比较大,这是因为数据结构和算法这玩意,本身难度就大而且还抽象,而且很多书上说的和老师讲的,也许都对,但是就是过于官方化,不利于我们理解学习,我们需要的是大白话的讲解,需要的是我们真正能够听得懂的,而且还有许许多多的概念性知识,很重要,但是很多时候都被一笔带过了。 比如今天要学习的关于数据的逻辑结构和物理结构,虽说是个简单的概念性知识点,但是我觉得很多人是迷糊的,不信的话,回答一下,啥是数据的逻辑结构和物理结构啊? 你可知数据的逻辑结构和物 阅读详情

相关推荐

【CATIA的二次开发38】对象Selection交互选择部分方法介绍01

在CATIA V5的VBA开发中,Selection对象是用户交互的核心组件,用于管理用户在图形区域或特征树中的选择操作。Selection 对象是 CATIA VBA 中的中央交互枢纽,充当用户界面与程序逻辑之间的桥梁。它代表当前在图形区域或特征树中被选中的元素集合,是自动化操作的基础。

学习共勉:不积跬步,无以至千里; 不积小流,无以成江海。 1350

文件的逻辑结构和物理结构辨析

1.基本概念 逻辑结构:指一个文件在用户面前所呈现的形式。又称文件组织。 物理结构:指文件在外存上的存储组织形式。这不仅和存储介质的存储性能有关,还与所采用的外存分配方式有关。 这里首先关注逻辑结构:实际上讲的就是在文件的内部,逻辑上数据是如何被组织起来的。 2.逻辑结构 逻辑结构有两种形式:①记录式文件(有结构式文件).②字符流式文件(无结构式文件),也称流式文件。 其中,有结...

骐骥一跃,不能十步;驽马十驾,功在不舍。 2万+

linux入侵排查-综合日志分析

2.分析攻击者首次成功登录web管理后台的时间 还可以知道攻击者可能是通过10.2.4.11这个跳板服务器跳过来的,然后我们继续排查,可以发现日志中POST请求大多都是1047字节,然后往后大多是300字节,POST请求的响应状态码有200和302这两个,其中的302是爆破成功后持续爆破产生的日志,再1047字节和300字节中间夹着一个978字节,就是200响应和302响应的中间。7.分析攻击者留下的持久化后门的时间和后门执行情况 排查计划任务,发现有一个计划任务还是被加密的,应该是反弹shell的。

chinese_cabbage0的博客 644

【数据结构】数据结构的基本概念——逻辑结构、存储结构、抽象数据类型

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录 前言 一、pandas是什么? 二、使用步骤 1.引入库 2.读入数据 总结 前言 提示:这里可以添加本文要记录的大概内容: 例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。 一、基本概念和术语? 1.数据 数据是描述客观事物的符号,是计算机可以操作的对象,是能被计算机识别,并输入到计算机处理的符号集合。 (数据不..

Jacky_Feng的博客 3万+

避开PFC设计大坑:从环路分析到参数整定的5个常见误区与解决方案

本文深入解析PFC电路设计中从环路分析到参数整定的5个常见误区,包括电感参数设计、小信号模型适用边界、电压环与电流环耦合效应等。通过实际案例和PSIM仿真数据,提供工程落地的解决方案,帮助工程师避开设计陷阱,提升电路性能与可靠性。

weixin_30666401的博客 326

FFmpeg实战:5分钟搞定m3u8视频下载与ts文件合并(附完整命令)

本文详细介绍了如何使用FFmpeg快速下载m3u8视频并合并ts文件为mp4格式。通过简洁的命令行操作,读者可以轻松完成视频处理任务,包括环境准备、链接获取、下载合并及性能优化等实用技巧,特别适合需要高效处理流媒体内容的用户。

weixin_30836759的博客 222

数据结构之----逻辑结构、物理结构

逻辑结构是指数据元素之间的逻辑关系,而逻辑结构又分为线性结构和非线性结构两大类。线性结构比较直观,指数据在逻辑关系上呈线性排列在数组和链表中,数据按照顺序依次排列,体现了数据之间的线性关系。非线性结构则与线性结构相反,指数据在逻辑关系上呈非线性排列在图中,数据由节点和边构成,反映了复杂的网络关系。而在树中,数据从顶部向下按层次排列,表现出祖先与后代之间的派生关系。而非线性数据结构又可以进一步被划分为树形结构和网状结构。线性结构:数组、链表、队列、栈、哈希表。元素之间是一对一的顺序关系。树形结构。

weixin_43285931的博客 1985

AI原生应用评测:主流大语言模型性能对比

任务适配性:是否匹配应用的核心任务(如代码生成需强逻辑推理,内容创作需强创意性);上下文能力:处理长序列(如10万+字文档)的理解与生成能力;可靠性:幻觉(Hallucination)率、事实准确性、安全合规性;性价比:API调用成本、延迟、 scalability(扩展能力)。AI原生应用的核心是LLM与应用场景的深度协同。

架构师的AI之路,分享AI应用开发架构的学习与实践。 509

数据结构的逻辑结构和物理结构

图中数组错了 数组是一种具体的存储数据的方式,它可以用来实现线性表,但不是只能用来表示线性表,还可以表示树,也可以表示图。 数组是用一段连续的内存存储,可以随机访问。 线性表用数组实现叫做顺序表,用链表实现没有特殊的名字。 树用数组实现没有特殊的名字,用链表实现没有特殊的名字。 1.逻辑结构: 逻辑结构分为四种类型:集合结构,线性结构,树形结构,图形结构。 1.1 所谓集合结构: 表面意思,没有什么深刻意义,就是数据元素同属一个集合,单个数据元素之间没有任何关系。如下图所示。 1.2 线性结构: 类似于线.

Yuan.Z的博客 3979

基于Stateflow的驱动电机控制系统模式管理与安全策略研究

摘要 本文基于Stateflow状态机建模工具,研究了驱动电机控制系统的模式管理架构与安全策略实现方法。通过分析电机控制系统的工作模式,设计了包含初始化、待机、校准、对齐、运行、故障、复位七种状态的有限状态机模型,并建立了三级故障处理机制和降额保护策略。基于Simulink/Stateflow搭建的仿真模型实现了模式切换逻辑和安全管理功能,验证了系统能够正确响应各类控制事件,故障处理机制可有效保护系统安全。研究成果为电动汽车电机控制系统的工程开发提供了参考。 关键词:Stateflow;驱动电机控制;模式管

AI的内部世界的博客 59

Unreal5从入门到精通之一文搞懂Unreal的C++代码编译之谜

我们在开发Unreal项目时,如果时蓝图模板的项目,一般问题不大,因为当你修改完蓝图,点击编译Compile+保存Save,就可以继续开发了。这对于开发者来说也非常友好。但是,如果你使用的C++模板开发项目,代码编译一切都变得魔幻起来,IDE(VS/Rider)里面有编译,编辑器里面也有编译,有什么区别呢?我们来列举几个新手常碰到的问题。1.代码我明明新建了,编辑器里怎么看不到?2.昨天我新家的功能运行的好好的,今天怎么感觉还是老逻辑。或者昨天加的新代码,新蓝图不见了。

TxNet 1608

数据结构与算法之逻辑结构与物理结构

什么是逻辑结构与物理结构? 逻辑结构是指数据对象中数据元素之间的相互关系。分为: 集合结构: 线性结构: 树状结构: 图形结构: 每个圆圈代表一个数据元素。连线代表元素之间的 逻辑关系,并且这种关系是建立在具体问题之上的。 物理结构是指逻辑结构在计算机内存中的存储形式。 有两种存储形式: 顺序存储结构: 数据元素被存放到连续的存储单元中,数据间的逻辑关系和物理关系是一致的。 链式存...

weixin_44027897的博客 1289

手把手教你学Simulink--双足机器人的自动避障控制策略仿真

自动避障是双足机器人导航系统中的一个关键功能,它允许机器人在动态或静态环境中自主地避开障碍物。实现这一功能通常需要结合路径规划、环境感知和实时控制算法。在本教程中,我们将使用MATLAB和Simulink来创建一个简化版的双足机器人自动避障控制系统仿真。

MHD0815的博客 160

什么是逻辑结构以及物理结构

1.逻辑结构: 所谓逻辑结构就是数据与数据之间的关联关系,准确的说是数据元素之间的关联关系。 注:所有的数据都是由数据元素构成,数据元素是数据的基本构成单位。而数据元素由多个数据项构成。 逻辑结构有四种基本类型:集合结构、线性结构、树状结构和网络结构。也可以统一的分为线性结构和非线性结构。 2.物理结构: 数据的物理结构就是数据存储在磁盘中的方式。官方语言为:数据结构在计算机中...

arx31800的博客 3637

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

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")

数据结构中的逻辑结构和物理结构

按照视点的不同,我们把数据结构分为逻辑结构和物理结构。 一、逻辑结构:是指数据对象中数据元素之间的相互关系。 逻辑结构分为以下四种: 1、集合结构:集合结构中的数据元素除了同属于一个集合外,它们之间没有其他关系。 2、线性结构:线性结构中的数据元素之间是一对一的关系。 3、树形结构:树形结构中的数据元素之间存在一种一对多的层次关系。 4、图形结构:图形结构的数据元素是多...

俱往矣 1万+

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

数据结构——逻辑结构&物理结构的区别用法

目录: 一:逻辑结构 A:集合结构 B:线性结构 C:树形结构 D:图形结构 二:物理结构 A:什么是数据 B:什么是存储器 按照视点的不同,可以把数据结构分为逻辑结构和物理结构: 基本的目标就是将数据及其逻辑关系存储到计算机的内存中 一:逻辑结构 是指数据对象中数据元素之间的相互关系 面向问题的 可具体分为以下四种关系 A:集合结构 数据元素除了同...

刘鑫磊 5万+

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

什么是网站物理结构、逻辑结构

什么是网站物理结构、逻辑结构 网站结构分为物理结构和逻辑结构两种,很多刚刚接触SEO的新手,往往搞不清楚物理结构和逻辑结构的异同,进而造成自己的网站结构规划很乱,不但搜索引擎不容易快速建立起网站的整体结构体系,访问者更是很难找到自己想要的资料,这无疑对SEO的效果起着非常不好的作用。 下面简单介绍一下网站物理结构和逻辑结构的实际例子,以便读者快速理解、熟悉这两种典型结构。 ...

weixin_33824363的博客 297

数据结构的逻辑结构与物理结构

逻辑结构与物理结构 按照角度的不同,我们把数据结构分为逻辑结构和物理结构。 逻辑结构 逻辑结构是指数据对象中数据元素之间的相互关系,主要分为以下四种: (1)集合结构 集合结构中的数据元素除了同属一个集合外,它们之间没有任何关系。如图: (2)线性结构 线性结构中的数据元素之间是一对一关系。如图: (3)树形结构 树形结构中的数据元素之间存在一种一对多的层次关系。如图: (4)图形结构 图形结构的数据元素是多对多的关系。如图: 注意:每一个数据元素看做一个结点,用圆圈表示。元素之间的逻辑关系用线表

weixin_46002185的博客 2901

【数据结构】逻辑结构与物理结构

数据结构绪论篇(第3小节)学习笔记:数据结构中的逻辑结构与物理结构.

C/C++领域,数据结构,linux,MySQl学习者 2856

数据结构中的逻辑结构以及物理结构

1.逻辑结构: 所谓逻辑结构就是数据与数据之间的关联关系,准确的说是数据元素之间的关联关系。 注:所有的数据都是由数据元素构成,数据元素是数据的基本构成单位。而数据元素由多个数据项构成。 逻辑结构有四种基本类型:集合结构、线性结构、树状结构和网络结构。也可以统一的分为线性结构和非线性结构。 2.物理结构: 数据的物理结构就是数据存储在磁盘中的方式。官方语言为:数据结构在计算机中的表示(又...

Hello,小高同学 2万+

逻辑结构与物理结构的关系

数据的逻辑结构与物理结构是密不可分的两个方面,一个算法的设计取决于所选的逻辑结构,而算法的实现依赖于所采用的存储结构。逻辑结构                                          物理结构1:线性表                                            a: 顺序存储结构2:树                              ...

qq_41758629的博客 6960

Basics - 数据的逻辑结构和物理结构

前言 数据的存储方式可分为线性表、树和图三种存储结构,而每种存储结构又可细分为顺序存储结构和链式存储结构。数据存储方式如此之多,针对不同类型的数据选择合适的存储方式是至关重要的。 数据存储结构的选择取决于两方面,即数据的逻辑结构和存储结构(又称物理结构)。 逻辑结构 简单地理解,就是指的数据之间的逻辑关系。 如上图所示:这是一张家庭成员关系图,从图中可以看到,张平、张华和张群是兄弟,他们的父亲是...

🏆 前端领域优质创作者 1513

文件的逻辑结构与物理结构

逻辑结构:指一个文件在用户面前所呈现的形式.逻辑结构有两种形式:①记录式文件(有结构式文件).②字符流式文件(无结构式文件),也称流式文件.1) 顺序文件,其记录是按某种顺序排列所形成的,记录在文件中的位置由某种顺序决定,第一个位置上的记录,第二个位置上的记录,…,由某种顺序来决定记录在文件中的位置。2) 索引文件,记录在文件中的位置由索引表来指向,其实是按某个记录键来确定位置的,即第一个位置的记...

initHeart的博客 1万+

文件的物理结构和逻辑结构的区分

文件的。

qq_73792226的博客 935
上一篇: 数据、数据元素、数据项、数据对象
下一篇: form表单动态设置enctype不生效问题
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