漫谈Spring的成功轨迹

如果你使用Spring的话,
你可以轻而易举地得到 ioc,singleton,facotry,aop这些设计模式的支持,还能避免hardcode的弱点。可以说Spring的核心就是IOC这个设计模式,外围再增加其他模式,然后再叠加支持性的模块。
它干了什么?本质上是降低了几种设计模式的门槛,使我们更容易产出优雅的软件设计。
它得到了什么?
从2003年起,到2007年底,看看Rod:
[b]出两本书 --->写一个框架 ---> 扩展成一个平台 --->形成一个社区 --->创立一个新公司 ---> 被邀进入J2EE6.0规范委员会[/b]
惊叹!这样的奇迹怎么不能发生在中国呢?!

=============================================
09年补记:
SpringSource收购了G2one公司,从此介入groovy/grails领域,另外还开发基于OSGI的应用服务器,与Adobe公司合作开发与Flex的无缝衔接。
显然,SpringSource已经做好了统揽服务器到RAD开发到前端显示的准备!
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。 立即下载

相关推荐

保姆级避坑指南:用IWR6843ISK毫米波雷达实现区域检测,从软件安装到可视化调试全流程

本文提供IWR6843ISK毫米波雷达区域检测的全流程实战指南,涵盖环境搭建、固件烧录、可视化工具配置及性能优化等关键步骤。重点解决软件版本兼容性、烧录失败等常见问题,帮助开发者高效实现精准区域检测,避免开发过程中的常见陷阱。

weixin_42653691的博客 378

【Spring之轨迹】SpringMVC 笔记快速梳理

—— 目录 ——0. SpringMVC 简介1. 基本开发全流程2. 执行流程3. 使用注解开发(推荐使用)4. RestFul 风格5. 重定向和转发6. 参数的接收7. 乱码问题 0. SpringMVC 简介 SpringMvc 是基于 Java 实现的轻量级 Web 框架,是 Spring 框架的一部分,因此可以和 Spring 无缝整合 1. 基本开发全流程 ① 导入依赖: spring-webmvc(这个包会将其他 Spring 需要的基本都导入,一步解决),servlet-api ② 配

Ice__Clean的博客 628

不用写代码!用AIStarter 5.0.0离线包部署InfiniteTalk的完整指南(Windows/Mac/Linux全平台)

本文详细介绍了如何使用AIStarter 5.0.0离线包在Windows、Mac和Linux平台上零代码部署InfiniteTalk数字人。从环境准备、离线资源获取与验证,到全平台部署实操指南,提供了完整的本地化安装流程和优化建议,帮助用户快速实现AI项目的一键部署。

weixin_30275415的博客 276

【Spring之轨迹,深度解读Netty

(2) 如果代码没有问题却出现了 404,考虑为 idea 没有帮我们自动导包,需要手动导包 在 Artifacts 中选择 WEF-INF,新建一个 lib 文件夹,点击加号将所有需要的包放入 lib 中 2. 执行流程 ====================================================================== 前端发出请求到 DispatcherServlet 请求转发器 请求转发器请求 HandlerMapping (处理器映射器)寻找 H

m0_60229361的博客 174

Keystone变换(4)MATLAB仿真

关于Keystone变换三种方法(DFT-IFFT法、Sinc插值法和Chirp-Z法)的仿真

qq_45846079的博客 1571

揭秘大厂智能生产调度AI系统架构:架构师拆解中台化设计3大优势

智能生产调度AI系统是基于AI算法(如遗传算法、强化学习、深度学习),结合生产数据(如订单、设备、库存、人员),自动生成最优生产计划与调度方案的系统。最大化设备利用率(减少停机时间);最小化生产周期(快速交付订单);优化库存水平(降低积压与短缺);提升准时交货率(满足客户需求)。维度传统调度系统智能调度AI系统决策逻辑规则引擎+人工经验AI算法(预测+优化)数据处理手工汇总+静态数据实时数据整合+动态更新适应能力固定场景(如单一产品、单一工厂)

AI Python 编程之道的博客 761

漫谈单点登录(SSO)

1. 摘要 ( 注意:请仔细看下摘要,留心此文是否是您的菜,若浪费宝贵时间,深感歉意!!!) SSO这一概念由来已久,网络上对应不同场景的成熟SSO解决方案比比皆是,从简单到复杂,各式各样应有尽有!开源的有OpenSSO、CAS ,微软的AD SSO,及基于kerberos 的SSO等等……这些优秀的解决方案尽显开发及使用者的逼格,当然需求所致无谓好坏高低,满足实际之需才是王道! 本文并不讨...

azhegps的博客 1769

LFI Scanner 本地文件包含漏洞扫描、文件路径遍历、敏感文件读取(etcpasswd)

✅ **敏感文件读取验证**:内置`/etc/passwd、/windows/system32/drivers/etc/hosts、phpinfo.php`等敏感文件字典,一键验证漏洞可利用性;🔴 **Windows**:`/windows/win.ini`(系统配置)、`/windows/system32/drivers/etc/hosts`;🔴 **Linux**:`/etc/passwd`(用户信息)、`/proc/version`(内核版本)、`/etc/hosts`(域名解析);

寒寒豆豆软件公司的博客 132

【WebApp】 漫谈单点登录(SSO)

https://www.cnblogs.com/EzrealLiu/p/5559255.html 1. 摘要 ( 注意:请仔细看下摘要,留心此文是否是您的菜,若浪费宝贵时间,深感歉意!!!) SSO这一概念由来已久,网络上对应不同场景的成熟SSO解决方案比比皆是,从简单到复杂,各式各样应有尽有!开源的有OpenSSO、CAS ,微软的AD SSO,及基于kerberos 的SSO等等……这些优秀的解决方案尽显开发及使用者的逼格,当然需求所致无谓好坏高低,满足实际之需才是王道! 本文并不讨论上述提到的

学长的猫的博客 965

YOLOv11改进有效涨点专栏目录 | 含卷积、主干、注意力机制、Neck、检测头、损失函数、二次创新C2PSA/C3k2等各种网络结构改进

Hello,各位读者们好.本文为最新YOLOv11有效涨点专栏目录,YOLOv11以及发布了一个月左右,这个过程中我也是给大家整理了许多的机制,其中包含了C3k2、主干(均支持根据yolov11训练的版本进行二次缩放,全系列都能轻量化)、检测头、注意力机制、Neck多种结构上创新,也有损失函数和一些细节点上的创新。

Snu77的博客 8万+

ABAP 7.40 新语法介绍系列之六:使用 FILTER 关键字对 ABAP 内表进行过滤

笔者之前写过的关于 ABAP 740 新语法的文章:本文介绍另一个新的关键字:FILTER.FILTER 是 ABAP 740 中引入的一个关键字,用于简化数据操作,它能够将内部表(Internal Table)中的数据按特定的条件进行过滤,并生成一个新的内部表。FILTER 的引入旨在使代码更加现代化和高效,尤其是在面对大量数据需要过滤的情况下。传统上,开发人员可能需要使用 LOOP AT 结合条件判断来实现,但使用 FILTER 关键字后,代码显得更加简洁且易于维护。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1181

Vue3 组合式函数(Composables)设计模式:从封装到复用

本文以一次因复制粘贴导致的全局状态污染事故为引,深入剖析 Vue 3 Composable 的三大陷阱:单例状态误用、生命周期钩子注册失效与异步请求竞态。作者通过重构实践,强调 Composable 复用的核心是“带生命周期的响应式上下文”,而非简单代码复用。提出关键规范:状态归属决定 ref 位置、钩子必须在 setup 同步执行、用序号或 AbortController 解决竞态,并倡导基于“状态与生命周期”判断抽取时机,最终提升代码健壮性与团队协作效率。

滴水成河,汇流成海 135

后仿真中的必懂VCS仿真选项之initreg和deposit

后仿真中,我们常常对于没有复位寄存器和存储器单元,使用仿真选项之initreg和deposit,两种处理方式。今天做总结。请注意:请勿将两者进行同时使用。对于到底选取哪种方式,要结合实际的情况决断。但是,两者同时使用,会有冲突,得不到预期结果。

那么菜的博客 4334

DeepSeek学习设计模式设计定制柜

DeepDraw AI设计新架构引入“设计模式”概念,突破AI在美学与创意上的局限。人类设计师日常多依赖成熟设计模式,90%场景可套用。该系统通过明确规则、边界与生活经验,指导AI精准套用模式,结合用户需求(如多挂衣、多抽屉),生成符合常识的3D模型。流程清晰:选模式→AI生成方案→程序落地建模,有效避免“床头对窗”等常识错误。涵盖卧室、厨房、卫生间等六大核心场景,实现高效人机协作,显著提升设计准确性与实用性。

weixin_42377388的博客 208

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")

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

DeepSeek三维建模,让AI理解什么是设计

设计是AI很难学习到的,尤其是美学,生活常识,物理世界认知,好的AI工具,不是把需求全部丢给AI就万事大吉了,而是把标准化的过程用代码实现,让AI完成代码干不了的设计模式,最后有10%没有可参考的设计模式,还是得人机协作完成

weixin_42377388的博客 491

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

23种经典设计模式速览 - (二)结构型

有时需要在不修改原对象的前提下,为它增加额外的控制逻辑(如延迟加载、权限校验、日志、事务),或者直接访问原对象存在障碍(如远程调用)。当对象之间存在"整体-部分"的层次结构(如文件夹与文件、公司部门与员工、UI 窗口与控件),希望客户端能以统一的方式对待单个对象(叶子)和组合对象(容器),而不必区分它们。将一个类的接口转换成客户期望的另一个接口,使原本接口不兼容的类可以一起工作。当一个类有两个(或多个)独立变化的维度时(例如"形状"和"颜色"、“品牌"和"操作系统”),如果用继承去组合,会产生。

罗小爬的技术宝书 370

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

AI建模中的设计模式

将设计模式封装进模型库,实现“设计即模式”的理念。在生成式AI趋势下,通过简洁的指令一次性生成完整模型,避免交互编辑,契合AI高效生成逻辑。模型库既是成果载体,也是设计过程的沉淀,推动设计标准化与可复用性。

weixin_42377388的博客 49

23种经典设计模式速览 - (一)创建型

背景当系统需要创建"一系列相互关联/依赖的产品"(一个产品族,例如同一风格下的按钮、复选框、菜单)时,工厂方法一次只能创建一种产品,难以保证同一族产品被一起使用。原理提供一个创建一系列相关或相互依赖对象的接口,而无需指定它们具体的类。每个具体工厂负责创建一个完整产品族。抽象工厂(声明多个创建方法)、具体工厂(创建一族产品)、抽象产品族(多个产品的公共接口)、具体产品。模式类图fill:#333;important;important;fill:none;fill:none;important;

罗小爬的技术宝书 209

1. 设计模式介绍

由勃兰特·梅耶(Bertrand Meyer)提出,他在 1988 年的著作《面向对象软件构造》(Object Oriented Software Construction)中提出:软件实体应当对扩展开放,对修改关闭(Software entities should be open for extension,but closed for modification)降低维护带来的新风险。

2301_78486960的博客 173

JavaScript|第39章:设计模式在 JavaScript 中的应用

本文探讨了设计模式在JavaScript中的应用,强调其在应对需求变化、提升代码可维护性与扩展性方面的重要性。通过对比“烂代码”与模式化设计,揭示了策略、单例、观察者等模式如何解决职责过载、硬编码分支与耦合问题。结合函数式特性(如闭包、高阶函数)与现代语法(如ES Module),展示了JavaScript中模式实现的轻量化与灵活性。重点解析了单例(闭包/模块)、策略(规则配置)、观察者与发布订阅的区别,并通过表单验证与事件总线实战,体现“高内聚、低耦合、开闭原则”的核心思想。

xhmico的博客 333

AI建模本质和模型生成器

AI建模本质是利用AI生成代码,结合固定设计模式(占95%以上)与人机协作应对不确定性。以橱柜建模为例,柜体、门板等组件高度参数化,适合通过训练SKILL实现AI生成可复用的生成器/插件。DeepDraw AI作为人机交互枢纽,将设计意图转化为精准建模指令,显著提升效率。通过提示词驱动,AI可自动生成柜体、门板及安装插件代码,经微调后直接应用,实现从智能生成到工程落地的闭环。

weixin_42377388的博客 311

Java 反射与设计模式实训笔记

本文面向Java 初学者反射和设计模式。反射:反射是什么、能干什么、优缺点,Class类的地位,获取Class对象的三种方式,以及通过反射获取构造器、方法、属性,最后落到典型使用场景。设计模式:先建立设计模式的基本思想,再重点拆解单例模式(饿汉式、懒汉式,并横向对比静态内部类、枚举)和简单工厂模式,每种都配可运行的代码示例,并区分适用场景。用自己的话说清"反射到底在运行时做了什么",并写出获取Class、构造器、方法、属性的代码;判断什么时候该用反射、什么时候不该用,避免滥用踩坑;

cats_eat_fish_的博客 311

《Agent设计模式 图解可复用智能体架构》下篇思维导图(7–9 章)

《Agent设计模式 图解可复用智能体架构》下篇思维导图(7–9 章)

皮卡丘在充电 232

《Agent设计模式 图解可复用智能体架构》下篇思维导图(4–6 章)

《Agent设计模式 图解可复用智能体架构》下篇思维导图(4-6章)

皮卡丘在充电 217

JS - 设计模式基础

本文系统阐述设计模式的基础概念与核心原则,强调其在提升代码质量、可维护性与可扩展性中的关键作用。聚焦SOLID原则,以单一职责(SRP)和开闭原则(OCP)为例,结合JS/TS及React开发实践,展示如何通过函数拆分、组件组合、Hook封装等手段实现逻辑解耦。总结指出,设计模式是面向对象思想的具象化落地,尤其在前端领域支撑组件化、状态管理与工程降本,助力团队高效协作与系统演进。

D_xw_的博客 153

后端学习笔记,设计模式相关以及微服务相关

其实这是和刚才说的锁的力度是相关联的。然后对于调用方不可见,这其实是可以引入适配器模式的,因为不同的模型,它基本上它的调用方式,或者说它的接口或者参数可能是有一定的区别的,或者说我们使用不同的中转平台也是有区别的。比如我们是一个 Agent 的提供商,那我们 Agent 的底层是使用大模型的,那我们提供给别人的时候,要确保当模型不可用的时候,对方不会感知到,那我们就可以部署多个模型,然后自动的替换,也就是说在发生错误的时候,在服务端自动的替换第三方的服务,在微服务中就是替换第三方调用的服务。

m0_57222081的博客 244
上一篇: 漫谈《C++语言核心》
下一篇: 漫谈“设计模式”
yooylet
博客等级 码龄14年 4粉丝 106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