java基础——String的equals()方法和equalsIgnoreCase()方法及equal与==

String类比较方法全览:深入解析equals、compareTo与regionMatches String类的比较方法主要用于判断两个字符串是否相等,或者比较它们的字典顺序。这些方法在编程中十分常见,特别是在处理文本数据、比较用户输入、排序字符串列表等场景中。 阅读详情

转自zhiweianran的博客,为自己记录用~~~~

equals是重写object的方法,而
equalsIgnoreCase是String自己定义的方法
前者用于比较两个对象是否相等,而后者用于比较字符串忽略大小写的情况下是否相等


public boolean equalsIgnoreCase(String anotherString)将此 String 与另一个 String 进行比较,不考虑大小写。如果两个字符串的长度相等,并且两个字符串中的相应字符都相等(忽略大小写),则认为这两个字符串是相等的。 在忽略大小写的情况下,如果下列至少一项为 true,则认为 c1 和 c2 这两个字符相同。 这两个字符相同(使用 == 运算符进行比较)。 对每个字符应用方法 Character.toUpperCase(char) 产生相同的结果。 对每个字符应用方法 Character.toLowerCase(char) 产生相同的结果。 参数: anotherString - 与此 String 进行比较的 String。 返回:如果参数不为 null,且这两个 String 在忽略大小写时相等,则返回 true;否则返回 false。


String.equals()对大小写敏感,而String.equalsIgnoreCase()忽略大小写
 例如:"ABC".equals("abc")是false

 "ABC".equalsIgnoreCase("abc")为ture

equal与==的区别:

“==”用于标胶基本数据类型(比较值,也可以比较内存的存放地址)

equals方法是继承自Object中的equals方法,初始行为是比较对象的内存地址,一般情况下都会被覆盖,比较对象的内容是否相等。

重写equals方法时,必须重写hashCode方法。如果没有重写,任何对象的hashCode()的返回值都是不相等的。

hashCode()与equals()生成算法的重写:

    1、尽量保证使用对象的同一个属性来生成hashCode()和equals();

    2、二者必须同时重写

例如:

public boolean equals(Object obj){
   if(this==obj)
      return true;
   if(obj==null)
      return false;
   if(getClass()!=obj.getClass())
      return false;
   Employee other=(Employee)obj;
   if(age!=other.age)
      return false;
   if(id==null){
      if(other.id!=null)
         return false;
   }else if(!id.equals(other.id))
      return false;
   return true;
}
public int hashCode(){
   final int prime=31;
   int result=1;
   result=prime*result+age;
   result=prime*result+((id==null)?0:id.hashCode());
   return result;
}


Java字符串比较的3种方法—equals() 、equalsIgnoreCase() 和compareTo() 方法 字符串比较是常见的操作,包括比较相等、比较大小、比较前缀和后缀串等。 在Java中,比较字符串的常用方法有 3 个:equals() 方法、equalsIgnoreCase() 方法、compareTo() 方法。下面简单介绍这 3 个方法的使用。 equals() 方法 equals() 方法将逐个地比较两个字符串的每个字符是否相同。如果两个字符串具有相同的字符和长度,它返回 true,否则返回 false。对于字符的大小写,也在检查的范围之内。equ... 阅读详情

相关推荐

域控制器开发避坑实录:从硬件设计到软件集成的5个关键挑战

本文深入剖析了域控制器开发中的5大关键挑战,从硬件选型到软件集成,涵盖智能驾驶芯片选择、实时性优化、AUTOSAR架构适配等核心问题。通过实战案例和数据对比,为工程师提供避坑指南,助力提升开发效率和系统可靠性。

weixin_29258297的博客 398

Java equalsIgnoreCase() 方法

Java equalsIgnoreCase() 方法

李长渊的博客 1万+

VINS-Mono 代码详细解读——IMU预积分的残差、Jacobian和协方差 processIMU()+intergrationBase类+imu_factor.h

IMU离散中值预积分 1.1、IMU模型 测量值:加速度计a^、陀螺仪w^, 加上了bias游走和随机白噪声。 真实值:加速度计a、陀螺仪w。 实际情况下,可以获得测量值a^和w^,需要反推真实值。一般忽略随机游走高斯噪声n w=w^-bg; a=qwb(a^-ba)-gw; 1.2、连续时间IMU运动模型,积分 PVQ(两帧之间) 将第k帧和第k+1帧所有的IMU进行积...

try_again_later的博客 9269

java equals equalsignorecase 性能_Java equalsIgnoreCase() 方法

Java equalsIgnoreCase() 方法equalsIgnoreCase() 方法用于将字符串与指定的对象比较,不考虑大小写。语法public boolean equalsIgnoreCase(String anotherString)参数anObject -- 与字符串进行比较的对象。返回值如果给定对象与字符串相等,则返回 true;否则返回 false。实例public class...

weixin_42376118的博客 1万+

【时空数据分析#06】实战:基于Python与ArcGIS的NDVI长期趋势制图与分级

本文详细介绍了基于Python与ArcGIS进行NDVI长期趋势制图与分级分析的完整工作流。通过整合MODIS卫星数据,利用ArcGIS进行空间处理与栅格转换,结合Python进行时序统计与趋势计算,最终生成直观的植被变化趋势分级图,为生态评估与环境监测提供可靠的空间分析工具。

lilh34434的博客 481

VXLAN技术详解

VXLAN(虚拟可扩展局域网)是一种Overlay二层虚拟化技术,通过MAC-in-UDP封装在IP网络上构建大规模虚拟二层网络。核心组件包括VTEP(隧道端点)、24位VNI(支持1600万个虚拟网络)和VXLAN网关。相比VLAN,VXLAN具有超大规模扩展、跨三层互联、支持虚拟机无缝迁移等优势,适用于云数据中心多租户隔离、跨数据中心互联等场景。其基于IP路由的封装方式无需改造物理网络,为现代云网络提供了弹性、安全的虚拟化解决方案。

kjkdd的博客 600

java equals与equalsignorecase详解

Java中的equals()方法用于比较两个对象是否相等,它在Object类中定义,通常需要在子类中进行重写以实现特定的行为。equalsIgnoreCase()方法也是用于比较字符串是否相等,但不考虑大小写,即它会忽略字符串中字符的大小写差异。equals()方法的默认实现是检查两个对象的引用是否相同,即它们是否指向同一个内存地址。如果不同,则继续比较它们的内容是否相等。需要注意的是,equalsIgnoreCase()方法比较字符串时会消耗一定的性能,因此在需要高效的。对象的类型是否一致;

左安青的博客 1万+

目标检测YOLO实战应用案例100讲-基于激光雷达点云的三维目标检测算法研究

近几年来,在计算机视觉领域,利用深度学习卷积神经网络技术来实现各种任务的算法越来越多。毫米波雷达、相机、激光雷达、超声波雷达等车载传感器生产成本的降低,汽车的自动驾驶技术得到了飞速发展,在我们的日常生活中经常能看到该技术辅助汽车驾驶员进行行车。和非自动驾驶汽车相比,自动驾驶汽车存在诸多优点,如进一步减少交通事故,保障人身安全;提供安全合理的路线,避免交通拥堵;采用清洁无污染的电能作为汽车新能源,从而降低大气污染等。现如今,自动驾驶技术已经逐渐深入到各个领域并发挥着关键的作用。

qq_36130719的博客 3738

Java - String equalsIgnoreCase() 方法

说明 此方法将此 String 与另一个 String 进行比较,忽略大小写考虑。如果两个字符串的长度相同,并且两个字符串中对应的字符是相等的忽略大小写,则认为两个字符串是相等的忽略大小写。 语法 这是此方法的语法 - public boolean equalsIgnoreCase(String anotherString) 参数 这是参数的详细信息 - anotherString- 与此字符串进行比较的字符串。 返回值 如果参数不为空且字符串相等,则此方法返回 true,.

allway2的博客 3433

麻雀搜索算法(SSA)详解:从鸟群智能到优化实践

麻雀搜索算法(SSA)是一种新型群智能优化算法,模拟麻雀群体的觅食行为和反捕食机制。该算法将优化问题转化为麻雀群体对食物源的搜索过程,通过发现者、加入者和警戒者的角色分工实现高效优化。SSA具有原理新颖、参数合理、收敛快速等特点,在函数优化、工程设计和机器学习等领域展现出良好应用前景。算法通过数学模型模拟麻雀的觅食策略,包括发现者全局探索、加入者局部开发和警戒者危险预警机制,有效平衡了全局搜索与局部开发能力。SSA相比传统优化算法具有更好的收敛性和优化效果。

qq_42212808的博客 1075

详解FreeRTOS:FreeRTOSConfig.h系统配置文件(拓展篇—1)

FreeRTOS的系统配置文件为FreeRTOSConfig.h,在配置文件中可以完成FreeRTOS的裁剪和配置,这是非常重要的一个文件,本篇博文就来讲解这个文件。

不脱发的程序猿 1553

JAVAString的比较

而出现这样的结果原因是==比较的是地址值,直接定义的字符串存在于堆内存的字符串常量池中,所以有str1==str2是true,经过new创建的字符串在这个池之外,地址值与之不同。str2.equals("Hello")会出现空指针报错NullPointerException情况,不太完美,那为了避免报错,推荐使用"Hello".equals(str2)注意:a.equal(b)与b.equal(a)是对称的,但是推荐"Hello".equals(str2)这种写法。//将str2修改为null。

2301_76188747的博客 552

详解Xilinx FPGA高速串行收发器GTX/GTP(6)--Pattern Generator/Pattern Checker

详解Xilinx FPGA高速串行收发器GTX/GTP(6)--Pattern Generator/Pattern Checker

孤独的单刀 1630

Java中String的equalsIgnoreCase()方法与equals()方法

- equals()方法 equals()方法用于将字符串与指定的对象比较,比较时区分大小写。 equals()源码: public boolean equals(Object anObject) { if (this == anObject) { return true; } if (anObject instanceof String) { String anoth...

ngc_1277 3056

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

equals和==的区别以及equalsIgnoreCase()使用

/** * equals和==的区别以及equalsIgnoreCase()使用 * @author Administrator * */ public class TestEquals { public static void main(String[] args) { String s1 = "abCd"; String s2 ...

无名老仙 350

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。

equalsIgnoreCase() 方法

equalsIgnoreCase() 方法用于将字符串与指定的对象比较,不考虑大小写。 实例 equals() 会判断大小写区别,equalsIgnoreCase() 不会判断大小写区别: public class Test { public static void main(String args[]) { String s1= new String("today"); String s2= s1; String s3= new String

qq_46209794的博客 2万+

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")

equals()与equalsIgnoreCase()对比

“==”: ①基本类型比较的是值; ②引用类型比较的是地址; ③不同类型不能用它比较,无法通过编译。 equals(Object obj): ①用于应用类型的比较; ②String重写Object的equals方法,先用“==”判断地址,地址相同则直接返回true;然后再比较类型,类型不同则直接返回false;最后才比较内容。代码如下: public boolean equals(Object a...

蒙奇D路飞 335

String的一些常用方法,charAt(),toCharArray(),substring(),length(),equals()和equalsIgnoreCase(),trim()等

1.charAt():截取一个字符 例如: String a=“It is String”; System.out.println(a.charAt(3)); 结果为a下标为3的字符 i 。 2.**toCharArray():**将字符串变成一个字符数组 例如: String a=“It is String”; char b[ ]=a.toCharArray(); System.out.println(b[3]); 结果为字符 i 。 3.**substring()????*截取字符串 例如: Strin

foneyao的博客 1152

Java中equals()、equalsIgnoreCase()和==的区别

用久了C#,在Java中,判断一个字符串还是习惯性的用了==,但是总是不能按照正确的判断分支运行,后来才想起来Java中是有equals的,然后就有引出了equalsIgnoreCase。 这三种的正确运用能对敲代码的时候减少不少烦躁的机会。 一、== ==是最经典的判断,此符号判断的是两个对象的值,即对象的内存地址。 [java] String s1 = new Str...

anjie9876的博客 193

StringUtils.equalsIgnoreCase与equals的区别

一、简要概述 equalsIgnoreCase() 方法用于将字符串与指定的对象比较,不考虑大小写。 equalsIgnoreCase() 方法中如果给定对象与字符串相等,则返回 true;否则返回 false。 equals() 方法用于将字符串与指定的对象比较。 String 类中重写了 equals() 方法用于比较两个字符串的内容是否相等。 二、代码介绍 看一下equalsIgnoreCase()和equals()方法的区别 String Str1 = new String("runoo

xiaoleilei666的博客 2270

Java字符串equals()

Java String equals() method is used to compare this string with the passed object as argument. Java字符串equals()方法用于将该字符串与传递的对象作为参数进行比较。 Java字符串equals() (Java String equals()) Java String equals() me...

从零开始的教程世界 884

String类的equals()和equalsIgnoreCase()

代码: package cn.tedu.string; public class StringDemo1 { public static void main(String[] args) { // String str1="abc"; String str2=new String("Abc"); //instanceof--关键字 //对象 instance...

qq_45453185的博客 419

Equals和EqualsIgnoreCase源码分析

Equals和EqualsIgnoreCase源码分析 先看下模拟案例 package csdn.hsy.cool.blog; /** * 源码分析练习:简单篇之字符串比较Equals和EqualsIgnoreCase方法 * 2020/08/20 */ public class EqualsAndEqualsIgnoreCase { public static void main(String[] args) { //模拟构造一个字符串数组,尽可能模拟各种条件

郝啊的博客 702

String 比较中 equals()和equalsIgnoreCase()的区别

1.equals()和equalsIgnoreCase()都是字符串比较的方法,但比较的方式有区别 String.equals(str) ; 该方法比较的是两个字符串的长度和每个字符,当长度和每个字符完全相等的时候该方法返回true,当有一项不相等时放回false; String.equalsIgnoreCase(str); 该方法也是比较两个字符串的长度和每个字符,但是该方法在比较每

Nothing 982

Java字符串比较(3种方法)详解

equals() 方法 equals() 方法将逐个地比较两个字符串的每个字符是否相同。如果两个字符串具有相同的字符和长度,它返回 true,否则返回 false。对于字符的大小写,也在检查的范围之内。 equals() 方法的语法格式如下: str1.equals(str2); equalsIgnoreCase() 方法 equalsIgnoreCase() 方法的作用和语法与 equals() 方法完全相同,唯一不同的是 equalsIgnoreCase() 比较时不区分大小写。 下面的代码说明了 eq

netjic的博客 1万+

android equalsIgnoreCase 和 equals 的比较说明

1、使用equals( )方法比较两个字符串是否相等。它具有如下的一般形式: boolean equals(Object str) 这里str是一个用来与调用字符串(String)对象做比较的字符串(String)对象。如果两个字符串具有相同的字符和长度,它返回true,否则返回false。这种比较是区分大小写的。 2、为了执行忽略大小写的比较,可以调用equalsIgnoreCase( )...

yang451212的博客 1143
上一篇: java 大数BigInteger总结
下一篇: java基础——String存放的区域
赤瞳寓言
博客等级 码龄14年 56粉丝 56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
⌂ 换网址