PowerApps教程08-记录的新建、编辑和删除

PowerApps教程01-创建你的第一个App 一、疑问 我之前的一篇文章有说到,我会发一些教程,但是现在这篇教程就叫做“创建你的第一个App”,我是不是漏写了什么啊,到现在什么教程都还没有看到,怎么就开始做第一个App了啊。。。 二、解惑 大家不要着急,如果我讲纯粹的理论,那大家何必要看我这个教程呢,PowerApps本身就带有学习的网页,大家参照网页一页一页看不就可以了嘛,但是理论归理论,只有结合实际才学的更快,至少我是这么学出来的。所以我想这样可能效果更好。 三、教程 1、数据源 任何数据库或者软件肯定都有其数据源的,那么PowerApps也一样, 阅读详情

一、回顾

上一个教程我们讲到了记录的详细信息显示,但对于记录本身来讲,更重要的是,我们需要新建记录,然后需要对记录进行编辑甚至是删除等操作。
有了上一讲作为基础,这一讲就变得轻松、容易多了,因为概念上跟信息显示差不多。好了,我们进入正文吧。

二、目的

我们先看一下图片,这个就是我们想要达到的效果。
在这里插入图片描述
当我们点击“新建”按钮之后,到达编辑页面,然后进行记录的新建,最后点击“保存”从而保存新建的记录。点击“取消”则返回。

三、信息编辑页面

1. 新建屏幕
我们可以复制一下之前的详细信息显示界面,然后更改屏幕的名称,再删除一下不需要的控件,然后添加“取消”和“保存”按钮,比方如下:
在这里插入图片描述
然后从菜单栏选择“插入(Insert)”,“窗体(Forms)”,之后选择“编辑(Edit)”窗体。

之后调整显示窗体的大小,位置,同时可以设置窗体的数据源,在这里,我的数据源(DataSource)是项目清单,所以设置为了“Project”。这个跟详细信息显示的界面的数据源应该是相同的,因为显示信息的记录来源与这个编辑界面的数据来源应该是同一个。
在这里插入图片描述
2. 设置格式
我前面说了,有

PowerApps教程07-记录的详细信息显示 一、回顾 大家好,最近有一段时间没有写教程了,是因为实在太忙,今天抽空赶紧又来更新一章。前面的教程有教大家如何显示记录集,但是一直都没有提到如何查看记录的详细信息,以及如何编辑、删除、新建记录,那么今天我们就先来讲讲如何查看记录的详细信息。 二、目的 我们先看一下之前创建的界面/屏幕,就是显示记录集的屏幕: 在这个屏幕上,我们之前有创建了“新建”按钮,这个是预留给新建记录使用的,目前没有编写代码,所以点击之后不会有什么反应。 在每条记录的最右侧,有一个向右的箭头“>”,这个就是我们今天可以用到的按钮 阅读详情

相关推荐

使用PowerApps设计项目群管理系统

使用PowerApps设计项目群管理系统 最近折腾了一下PowerApps,发现PowerApps确实很简单,能达到所见即所得的效果,感觉甚爽。 废话少说,先上截图吧! 登录界面,或者说进入主页前的界面: 登录之后,便是主界面: 从这个主页面包含了各方面想进行汇总的,或者信息显示的等各种链接图标或者按钮。 下面这个界面是点击“客户订单”之后的界面: PowerApps支持柱状图,饼图,线状图等,在这里我使用的是柱状图。 然后下面这个页面是点击项目清单之后的页面,显示的是项目群里所有的项目: 这个有显

jacky_shenfh的博客 1997

PowerApps入门实战:从零构建增删改查应用

增删改查(CRUD)是数据驱动型应用的核心基础操作,涵盖了数据的创建、读取、更新与删除。其原理在于通过界面交互与后端数据源建立连接,实现数据的持久化与动态管理。掌握增删改查对于理解应用的数据流和业务逻辑至关重要,是构建各类管理系统的技术基石,例如员工信息管理、工单系统或客户名录等场景。本文聚焦于低代码平台PowerApps,通过SharePoint列表连接与Gallery、Form等核心控件的运用,详细拆解了如何从零实现一个完整的图书借阅管理应用,并深入探讨了数据筛选、表单提交及用户体验优化等实战技巧,帮助

weixin_30697239的博客 470

【Power Apps】实现一个简单的可编辑列表

当“onEdit”为true时,说明编辑键被点击了,当“ThisItem.IsSelected”为true时,说明点的是我这一行的编辑键,而不是其他行的编辑键,如果不判断“ThisItem.IsSelected”的值,那么后果就是一点编辑键,所有列就都可以编辑了。一个是一个Collection(tableValue),这个Collect的值就是我们在库中要显示的表的值,到时候我们要把库的数据源给换成这个Collection,不再直接连接对应的表,因为我们要实现点击“添加新项”按钮后在库中加一个空行的效果。

薛定谔的项目 2595

13、PowerApps 屏幕自定义与控件使用指南

本文详细介绍了PowerApps中屏幕自定义与控件使用的实用技巧,涵盖删除确认屏幕、选项卡式布局构建、主题应用、各类控件(如文本输入、单选、滑块、开关、评分、下拉等)的配置方法,以及嵌套下拉、日期时间处理和定时器等高级功能。通过具体示例帮助开发者提升应用界面美观性与交互体验,助力高效构建专业级低代码应用。

p5l2m9n4o6q的博客 80

27、PowerApps 离线工作指南

本文详细介绍了如何构建支持离线工作的 PowerApps 应用,涵盖离线场景下的数据存储、同步机制与冲突处理策略。通过使用 SaveData 和 LoadData 函数缓存数据到本地设备,并结合连接信号检测网络状态,实现应用在无网络环境下的持续可用性。文章还深入讲解了对新增、更新、删除操作的离线支持,以及构建同步屏幕完成数据回传的完整流程,并提供了性能优化、测试验证和冲突解决的最佳实践,帮助开发者打造稳定高效的离线移动应用。

p5l2m9n4o6q的博客 74

23、PowerApps 的安全与数据导入导出全解析

本文全面解析了PowerApps的安全机制与数据导入导出功能。在安全方面,涵盖权限检查、自定义权限级别、应用内权限验证、控件显示模式控制、记录级访问配置以及数据丢失预防(DLP)策略的创建与测试;在数据处理方面,详细介绍如何使用导入导出控件、与CDS和SharePoint数据源交互、借助Excel操作数据,并提供应对关联数据维护和同步挑战的解决方案,帮助用户构建安全高效的应用系统。

p5l2m9n4o6q的博客 104

6、PowerApps的应用分享与数据来源探索

本文深入探讨了PowerApps的应用分享机制与数据来源,涵盖应用快捷方式、多语言支持、权限分享流程及开发与生产环境的迁移策略。重点介绍了常见数据服务(CDS)的使用方法,包括数据库创建、安全设置、通用数据模型探索、自定义实体与字段添加,并对比了CDS与其他数据服务如Excel和SharePoint的应用场景。同时分析了语言设置对数据处理的影响,帮助开发者高效构建跨语言、结构化的PowerApps应用。

p5l2m9n4o6q的博客 56

2、探索PowerApps:构建移动业务应用的利器

PowerApps是微软推出的低代码移动业务应用构建工具,旨在帮助非专业开发者快速创建跨平台应用。它支持多种数据源连接,如Excel、SQL Server、Dynamics 365和Salesforce,并提供可视化设计器和类似Excel的公式系统,极大降低了开发门槛。用户可通过Office 365或独立订阅使用PowerApps,适用于资产管理、预算跟踪、服务台管理等多种业务场景。结合丰富的示例应用和灵活的部署方式,PowerApps为企业提升业务流程效率提供了强大支持。

p5l2m9n4o6q的博客 66

25、PowerApps 数据导入导出与 Microsoft Flow 使用指南

本文详细介绍了PowerApps中的数据导入导出方法,以及如何利用Microsoft Flow构建自动化工作流。涵盖数据处理、文件操作、SQL任务、审批流程、OData过滤、变量与循环、邮件通知等核心功能,并提供具体操作步骤和流程图示,帮助用户高效实现业务自动化。同时提醒注意许可证限制和技术使用要点。

p5l2m9n4o6q的博客 135

开发power apps canvas时用到的一些公式和小技能

一、公式 1、显示Events表开始日期为日历中选择的日期的记录 Filter(Events,Text(开始时间,DateTimeFormat.ShortDate)=Text(_dateSelected,DateTimeFormat.ShortDate)) 2、跳转页面并传值 Navigate(Screen2,ScreenTransition.Cover,{thisdoctor:ThisItem}) 3、显示开始日期为今天的数据 Filter(Events,Text(开始时间,DateTi

jiankang66的博客 3853

PowerApps:欢迎来到我的PowerApps存储库,

成分 IBAN检查器 该组件将允许您检查IBAN编号是否正确。 。 链接以下载组件MSAPP文件:。 控制动画师 该组件将使您可以在Power Apps canvas应用程序中对控件进行动画处理。 。 链接以下载组件MSAPP文件: 。 自动宽度标签生成器 该组件将为您提供一个解决方案,以使您的Power Apps标签控件适应其内容的宽度。 。 链接以下载组件MSAPP文件: 。 拨动开关 该组件使您可以创建和定制一组可以切换的项目: 。 链接以下载组件MSAPP文件:。 地铁垂直进度栏 该组件是一个完全可定制的进度条,具有地铁/车站的外观: 。 链接以下载组件MSAPP文件: 。 影圈 此组件使您可以使用可配置的阴影,内部实心或渐变颜色填充来创建一个圆: 。 链接以下载组件MSAPP文件:。 终极拾色器 这个高度可定制的颜色选择器将根据您提供的主要颜色(中间行)显

利用gprMax与Matlab实现SFCW雷达信号的高效仿真与优化

本文详细介绍了如何结合gprMax与Matlab实现SFCW雷达信号的高效仿真与优化。通过利用gprMax获取地下场景的冲激响应,并在Matlab中运用卷积与信号处理技术,可大幅提升SFCW雷达系统仿真的效率与灵活性,为探地雷达研究与设计提供强大工具。

book8的博客 714

为什么你的SSE连接总断?深入对比EventSource与fetch-event-source的5大差异点

本文深入对比了原生EventSource与@microsoft/fetch-event-source库在SSE连接稳定性上的五大关键差异。重点剖析了后者在请求能力、连接控制、错误处理、数据解析及性能优化方面的优势,特别是其支持POST请求、自定义Header、精细化的重连策略与生命周期管理,为解决生产环境中SSE连接频繁断开的问题提供了专业方案。

weixin_28077113的博客 503

RC Correlation Scale Factor:数字后端签核的精度校准核心

RC Correlation Scale Factor(RC相关性缩放因子)是连接版图寄生提取模型与真实硅片物理特性的关键校准参数,其本质源于PDK建模固有的系统性偏差。在先进工艺节点下,金属互连电阻R与耦合电容C的仿真误差会显著放大,导致时序违例、IR Drop失真及功耗偏差等sign-off风险。该因子通过比对SPEF提取值与实测黄金标准(如测试芯片数据),经统计回归反推得出,直接决定Innovus寄生提取、PrimeTime时序分析及Ostrich功耗仿真的可信度。正确生成与跨工具链一致应用Scale

weixin_42538645的博客 296

KVNAND架构:解决边缘设备部署LLM的内存与带宽挑战

大语言模型(LLM)在边缘设备部署时面临内存容量和带宽限制的核心挑战。传统方案依赖DRAM存储KV缓存,导致高昂成本和性能瓶颈。闪存计算(IFC)通过计算单元下沉和流水线优化缓解部分问题,但仍受限于DRAM依赖。KVNAND架构创新性地将KV缓存直接存储在3D NAND闪存中,结合异构计算和页面级KV映射技术,显著降低延迟和能耗。该架构特别适用于长上下文场景,如文档分析和个人助理应用,能有效解决内存溢出(OOM)问题并提升计算单元利用率。关键技术包括头组并行(HG)执行和混合键合设计,为边缘AI部署提供了新

weixin_27215337的博客 323

使用MeshLab高效对齐3D模型:从OBJ导入到坐标修正全流程

本文详细介绍了使用MeshLab高效对齐3D模型的全流程,涵盖从OBJ导入、坐标修正到最终导出的核心步骤。通过将模型中心归位至坐标原点,并利用主轴对齐功能快速摆正模型,为后续的3D打印、体素化等处理奠定精确的几何基础。

weixin_29313423的博客 99

EU 2021/646 eCall工程拆解:MSD、测试模式与型式核准

紧急呼叫系统(eCall)是车载通信中面向事故救援的安全功能,其原理是在碰撞或人工触发后,通过蜂窝网络向公共安全应答点发送最小数据集(MSD),并建立语音链路。技术价值在于缩短救援响应时间、提升事故后生存率,应用场景覆盖乘用车、轻型商用车及车载T-Box等前装通信模块。面向欧盟市场时,EU 2021/646把eCall从安装要求推进到型式核准测试,关注触发链路、备用电源、GNSS定位、MSD字段、音频质量与回拨能力。工程落地需要围绕测试模式、字段校验、配置管理和送检样件建立可交付合规方案。

weixin_31815843的博客 212

详解大端模式和小端模式

详解大端模式和小端模式 一、大端模式和小端模式的起源         关于大端小端名词的由来,有一个有趣的故事,来自于Jonathan Swift的《格利佛游记》:Lilliput和Blefuscu这两个强国在过去的36个月中一直在苦战。战争的原因:大家都知道,吃鸡蛋的时候,原始的方法是打破鸡蛋较大的一端,可以那时的皇帝的祖父由于小时侯吃鸡蛋,按这种方法把手指弄破了,因此他的父亲,就下令,命令

ce123的技术博客 19万+

2023华为od机试C卷【推荐多样性】Java&Go 实现

推荐多样性需要从多个列表中选择元素,一次性要返回N屏数据(窗口数量),每屏展示K个元素(窗口大小),选择策略1.各个列表元素需要做穿插处理,即先从第一个列表中为每屏选择一元素,再从第二个列表中为每屏选择一个元素,依次类推2.每个列表的元素尽量均分为N份,如果不够N个,也要全部分配完,

MISAYAONE的博客 2186

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

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")

上一篇: PowerApps教程07-记录的详细信息显示
下一篇: PowerApps教程09-下拉列表以及联动筛选
正经哥们儿
博客等级 码龄6年 238粉丝 12原创
评论 17
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
⌂ 换网址