OC基础语法-1.OC和C语言的对比

OC—基础语法 一、Objective-C语言简介 Objective-C简称Obj-C或者OC,Objective的意思就是面向对象的。OC其实就是在C语言的基础之上,封装了一层面向对象的语法,他并不是一门全新的编程语言。OC是Mac OS X系统和iOS系统的主要开发编程语言,当然马上要被Swift给替代了,然并卵,我们还是得好好学习OC,因为现在大多数公司还是使用OC来做iOS开发。 二、第一个OC程序... 阅读详情

1.OC和C语言的对比

Objective-C

==================

由于OC语言是基于C语言基础添加了面向对象的语法衍生而来,所以OC完全兼容C语言。


源文件对比

  • C中的源文件主要是.h和.c文件,其中.h文件是C语言的头文件,用来存放函数声明,.c文件是C语言源文件,用来实现头文件中声明的方法

  • OC中的源文件主要是.h和.m/.mm,其中.h是头文件,主要包含类/方法/属性的声明,.m/.mm是类的实现文件,参与编译的文件,用来实现类中声明的方法

关键字

  • 由于OC是基于C语言的,所以C语言中的关键字OC中都能使用
  • 另外苹果为了区分OC和C语言的关键字,OC中的大部分关键字都是以@开头的,如下图

关键字对比

数据类型对比

OC中除了C语言中的数据类型外,额外扩充了独有的数据类型,如下表

名称类型说明
BOOL类似于C语言中的逻辑值(0和1),只有两个取值,真和假
NSObject *OC中的对象类型,即指向对象的指针(指针类型和对象类型一致)
id动态数据类型,万能指针(即可以执行任何对象)
nil类似于C语言的NULL,空值类型
SEL选择器类型,用来封装方法
block代码块数据类型,类似于C语言中指向函数的指针

流程控制语句对比


  • OC中的流程控制语句和C语言中的基本类似,只是在for循环上扩充了一个增强的语句

if/if else语句
switch语句
while/do while语句
for语句
break/continue关键字
OC for增强语句(可以用来快速遍历数组或集合)

for(NSString *str in NSArray *arr ){
    <执行语句>
}

函数和方法对比

  • C语言函数
    • C函数声明: int sum(int value1,value2);
    • C函数实现:
 int sum(int value1,int value2){
     return value1 + value2      
 }
  • OC中的方法
    • OC中的方法只能写在类中,而C语言的函数可以写在任何地方
    • OC 方法声明:-(int)sumValue:(int)value1 andValue:(int)value2;
    • OC 方法实现:
-(int)sumValue:(int)value1 andValue:(int)value2{
    return value1 + value2;
}
OC基本语法 一。Oc语法预览: 1.关键字:绝大部分以@开头,部分不是: self、super、id、_cmd、__block、__strong、__weak、 2.字符串以@开头:@"hello"是OC中的字符串 3.其他: ---基本数据类型:char,int,float,double,BOOL(YES/NO) ---nil相当于NULL 也就是0 ---输出函数:NSLog(@"Hello... 阅读详情

相关推荐

C语言过渡python(基础语法篇)

这篇笔记旨在帮助有C语言背景的开发者顺利过渡到Python。文章首先对比了两种语言的核心设计思想,强调了Python从“面向机器”到“面向开发者”的转变,涵盖了编译型与解释型、静态与动态类型、以及手动与自动内存管理的差异。 接着,笔记详细梳理了基础语法的不同点,包括变量声明、以缩进代替大括号的代码块、以及更具可读性的操作符。文中还通过并排的代码示例,直观展示了for循环、函数定义、多返回值等方面的区别,并重点介绍了Python强大的内置数据结构,如列表、元组、字典和集合。

2301_80635989的博客 892

C语言——基础语法

不会在行尾自动添加换行符,运行结束后,光标就停留在输出结束的地方,不会自动换行。为了让光标移到下一行的开头,可以在输出文本的结尾,添加一个换行符。这种注释只能是单行,可以放在行首,也可以放在一行语句的结尾。C 语言的代码由一行行语句组成。如果语法单位不用空格就能区分,空格就不是必须的,只是为了增加代码的可读性。双引号里面的注释符号,会成为字符串的一部分,解释为普通符号,失去注释作用。,编译器会忽略注释,也就是说,注释对实际代码没有影响。如果不满5位,对应的值的前面会添加空格。,组成一个块,也称为复合语句。

qq_43163325的博客 3635

python爬取巨潮资讯网所有股票年报数据

爬虫获取巨潮资讯网数据

qq_42752524的博客 6133

【C语言入门】基本语法汇总

C语言基础语法涵盖变量定义、条件判断、循环控制、函数设计、指针操作与内存管理、数组与字符串处理。这些构成了编写高效C程序的核心要素。

byte轻骑兵的技术小窝 1万+

单细胞数据导入实战:Read10X函数常见报错与解决方案

本文针对单细胞转录组分析中Read10X函数数据导入的常见问题,提供了详细的实战解决方案。重点解析了因文件路径错误、压缩文件未解压、版本命名不符及内存不足导致的报错,并给出了检查路径、正确解压、重命名文件、调整参数及优化内存等具体操作步骤,帮助用户高效完成单细胞数据导入,为后续分析奠定坚实基础。

weixin_28235513的博客 244

bert-ini:一种基于bert的实体对齐交互模型

本次分享一项来自IJCAI-20的实体对齐工作,该工作提出了一种不同于以往的采用图结构信息进行实体对齐的技术方案,该方案取得了当时的最好效果;不仅如此,模型本身的对齐效率在该项工作中也被考虑,实际工作中非常具备借鉴意义。

qq_33331424的博客 3156

C语言-基础语法

本文总结了C语言基础语法要点,主要包括: 数据类型:介绍了整型、字符型、布尔型等基本数据类型,以及变量的定义规则和命名规范。重点讲解了char类型本质是1字节整型,bool类型的真伪判断标准,以及数据类型长度和取值范围。 常量与变量:区分了常量和变量的特性,说明了自定义常量的两种方式(#define宏定义和const修饰符),以及宏替换的使用方法。 数值表示:详细说明了不同进制数(十进制、八进制、十六进制、二进制)的表示方法及其输出格式。 输入输出:简要提及格式化输出函数printf的使用,包括不同数据类型

weixin_45417754的博客 1554

Python:同花顺全数据接口

# -*- coding: utf-8 -*- from iFinDPy import * from datetime import datetime import pandas as pd import time as _time import json from threading import Thread,Lock,Semaphore import requests sem = Semaphore(5) # 此变量用于控制最大并发数 dllock = Lock() #此变量用来控制实时行情推

代码过客 4万+

OC和C的区别和联系

C语言的特点: 1)C语言是结构化语言,层次清晰,调试和维护比较容易 2)表现能力和处理能力比较强,可直接访问内存的物理地址 3)c语言实现对硬件的编辑,c语言课用语系统软件的开发,也可用语应用软件的开发,是集高级语言和低级语言的功能一体。 4)C语言效率高,可移植性强。 OC的特点: 1、Objective-C,扩展了C 语言使它具备面向对象设计的能力,例如类、消息、继承;同时在Objective-C的代码中可以有C和C++语句,它可以调用C的函数,也可以通过C++对象访问方法; 2、Objective-

qq_45824823的博客 1555

带你了解如何分析Jmeter监听器常用图表并定位瓶颈

1.1 Jmeter监听器常用图表 目录 1.1 Jmeter监听器常用图表 1.1-1 查看结果树 1.1-2 汇总报告 1.1-3 集合报告 1.1-4 综合图 1.1-5 断言结果 1.1-6 图形结果 1.1-7 响应时间图 1.2 Jmeter性能瓶颈定位 1.2-1 性能瓶颈产生的原因 1.2-2 性能瓶颈的解决方法 1.2-3 性能瓶颈如何定位 1.1-1 查看结果树 查看结果树:调试利器。可以查看每个请求具体的详情,方便进行测试的比对。有点类似我...

weixin_49029722的博客 4454

uniapp:解决微信小程序包体积超过2M的优化方案+详解分包问题,编译小程序体积大于2M不能上传和预览提示体积太大的处理教程,uniApp微信小程序主包过大问题如何解决(排查可疑点+分包+最小改动)

uniapp微信小程序开发,如何解决打包太大无法预览发布的问题,uniApp微信小程序包体积超过2M的优化方法,uni-app打包微信小程序主包超2M终极解决方案,使用uniapp开发微信小程序使用uni_modules导致主包文件过大,无法发布的解决方法,UniApp开发的微信小程序主包过大问题及解决方案 编译小程序时Node-modules被打入主包,小程序体积大于2M不能上传和预览,怎么处理,解决微信小程序主包太大问题,微信小程序中主包和分包过大,详解分包问题,uni-app 微信小程序发布时,主包超

✅ 精选推荐文章 5068

C语言基础语法总结(附代码示例,适合新手,复习,期末速通等)

本文系统梳理了C语言基础语法,包括程序结构、数据类型、变量常量、运算符和控制语句等核心内容。详细讲解了C程序的基本组成(头文件、主函数等),基本数据类型(整型、字符型、浮点型)及其内存占用,变量与常量的定义和使用方法。同时介绍了算术、关系、逻辑、赋值等运算符,以及if-else、switch选择结构和for、while循环结构等控制语句。每个知识点都配有可执行的代码示例,便于理解和实践。文章适合作为C语言学习者的入门教程或复习资料。

瑶望的博客 4244

《Zephyr OS 入门与实战》第15章:LoRaWAN 集成

【代码】《Zephyr OS 入门与实战》第15章:LoRaWAN 集成。

2301_79143213的博客 617

OC简介与基础语法

一、OC简介     OC全称 Objective-C,它通过一套全新的语法,在C语言基础上添加了面向对象的特性。OC语法只频繁的使用方括号,而且不吝于写出极长的方法名,虽然代码冗长,但十分易读。OC完全兼容C语言,且可以在OC代码中混入C语言代码,甚至是C++代码。我们可以使用OC

爱家人,爱老婆,爱生活,爱coding,爱运动的有爱青年 1641

从误检率30%到99.7%:YOLOv8/v9工业零件缺陷检测实战(附产线部署全流程与参数调优秘籍)

工业场景YOLO实战:从实验室到车间的关键调优策略 本文针对工业缺陷检测的特殊性,系统总结了YOLOv8/v9在工业应用中的实战经验。通过齿轮厂缺陷检测案例,揭示了实验室模型与工业场景的三点本质差异:小目标特性(0.2-1mm缺陷)、复杂背景干扰(油污/反光)和数据量不足问题。重点提出了工业级解决方案:1)数据采集需覆盖极端工况(不同光照/污染/角度);2)标注采用LabelStudio+预标注提升效率;3)定制工业增强策略(反光模拟/缺陷复制粘贴)。文章还提供了完整的参数调优记录和TensorRT加速部署

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1736

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")

OC与C语言的区别

C语言是面向过程的编程语言,而OC则是面向对象的编程语言。 面向对象:打个比方,就是你做一次菜,让老婆做个菜,吃饭,这就是面向对象,效率高 面向过程,就是每一个细节:比如你要先把或开到合适的位置.然后还要洗菜 ,等油热了,才能开始炒菜,然后调料,.....

chengxunjuan4094的博客 996

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

OC语言篇—学习笔记1—C和OC的区别

学习笔记1—C和OC的区别 1.文件的后缀名 OC:类的头文件 .h,类的实现文件 .m C:类的头文件 .h,类的实现文件.c 2.导入头文件方式 C语言使用include导入头文件,如果想多次引用头文件,会出现重复定义,重复声明的情况,所以需要使用条件宏指令避免这种情况; #ifndef TEST_HHHHH #define TEST_HHHHH #include &lt;stdio....

璇子的blog 640

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

OC语言——基本语法和思想

今天学习了OC语言基础语法

Coder--雷潮 5975

OC基础DAY01 - OC基础语法

Objective - C概述OC的本质还是C语言在C的基础之上增加了一小部分的面向对象的语法将C语言复杂的繁琐的语法封装的更为简单 OC简要发展简史 OC的未来 基础班学习目标 OC基础语法import指令和include的区别 框架是苹果或者第三方将程序员在开发过程中经常要用的功能写好表贤盛一个一个类或者函数这些类型的函数集合我们叫做框架有点像C语言的函数库 Founation框架 基础基本的意

x2a5y_0的博客 592

OC 基础入门

OC 语法基础 OC 的语法知识其实有蛮多,以下知识基础的一部分. 目录部分: 文章目录 @ 符号 在 OC 语言中,绝大部分的关键字使用的@符号开头。记住这是一个规则就好了。 字符串 在 Java 中字符串和 C 语言中字符串定义的方式是一样的。 但是在 OC 中的字符串的定义是需要添加 @ 的,在OC 中字符串类型使用的是 NSString ,相对而言添加一个 NS 前缀。 Java: "Android" "Java" OC: @"OC" @"iOS" //比如定...

秋天的博客 2809

1.[ios初学者之路](C和OC的区别)

2019年 2月 @ios之路 C和OC的区别 文件的后缀名: OC 类的头文件.h 类的实现.m C语言 .h .c 导入头文件: C语言使用include导入头文件 如果想用多次引用头文件 会出现重复定义 重复声明 如果要避免这个问题 可以使条件宏  2.OC使用import导入头文件,封装了C语言的include可以避免上述问题 @autoreleasepool 自动...

weixin_44614751的博客 1190

oc语言和c语言,C语言及OC语言初期学习心得

2015-7-22,周三经过一个星期C语言的学习,对基础知识语法已经有了一定的了解和认识。同时通过这三天对OC语言的学习,更加了解编程语言都是相融相通的。虽然OC语言的语法和之前接触的C,JAVA有很大的区别,但是在讲师的解析和引导下,还是比较容易接受的。学习知识的过程不仅仅是对知识的认识,简单的认识是远远不够的。为了今后更好的开发,要对学过的知识加以理解、辨析,通过代码去实现,加深认知。以下是...

weixin_35911805的博客 277

黑马程序员-IOS-OC基础-OC简介及基本语法

-------------------------------------- android培训、java培训、ios培训期待与您交流! ---------------------------------  OC简介:OC是Objective-C的简称,OC是在C语言的基础上,增加了一层最小的面向对象语法;完全兼容C语言;可以在OC代码中混入C语言代码,甚至C++代码;可以使用OC开

qq_25027273的专栏 468

C,OC,C++语言对比

1.C与OC、C++的区别: C语言的特点:面向过程 1)C语言是结构化语言,层次清晰,调试和维护比较容易 2)表现能力和处理能力比较强,可直接访问内存的物理地址 3)c语言实现对硬件的编辑,c语言课用语系统软件的开发,也可用语应用软件的开发,是集高级语言和低级语言的功能一体。 4)C语言效率高,可移植性强。 C++语言特点:面向过程又面向对象 1、在C语言的基础上进...

Watchmen0320的博客 392

OC语言基本语法

------Java培训、Android培训、iOS培训、.Net培训、期待与您交流! ------- 一、OC语言简介    1. OC语言是在C语言的基础上加了一层最小的面向对象的语法    2. OC 语言完全兼容C语言    3. 可在OC代码中混入C语言代码,甚至是C++代码    4. 可使用OC开发MAC OS X平台和IOS平台的应

jsh_513的博客 467
下一篇: Foundation框架-01 NSString对象
MrRightZJ
博客等级 码龄11年 14粉丝 102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