金霸王 (漫威漫畫)

Multi tool usebody.skin-minerva .mw-parser-output table.infobox captiontext-align:center
金霸王 Kingpin |
---|

|
出版信息 |
---|
出版商 | 漫威漫畫
|
---|
首次登場 | 《The Amazing Spider-Man #50》(1967年7月) |
---|
创作者 | 斯坦·李 John V. Romita Sr. |
---|
故事信息 |
---|
全名 | 威爾遜·菲斯克(Wilson Fisk) |
---|
所属团队 | 九頭蛇 手合會 Emissaries of Evil
|
---|
重要别名 | The Brainwasher[1] Harold Howard |
---|
能力 | 人類巔峰的體能 非凡的敏捷與靈活 異常強壯的體格與力量 出色的格鬥技巧 內藏槍械的特製柺杖 隨時穿著的凱夫勒纖維衣 |
---|
金霸王(英语:Kingpin),原名威爾遜·菲斯克(英语:Wilson Fisk),是蜘蛛人和夜魔俠漫畫裡登場的超級反派。由作家斯坦·李和John V. Romita Sr.所創作,第一次登場是在《The Amazing Spider-Man #50》(1967年7月)。
簡介
金霸王是漫威漫畫中最有勢力的黑道老大,和制裁者、夜魔俠、蜘蛛人多次交手過,也曾與美國隊長、X戰警為敵。
看似是個肥胖的高大男子,實際上身上沒有半分贅肉,力量驚人,身手矯健。雖沒有超能力,但其戰鬥技巧之強,即使是漫威漫畫中有名的格鬥高手如美國隊長、夜魔俠也很難將他打敗。
智慧出色,能統御全美國的黑道。心狠手辣,反對者都會橫死,必要時犧牲手下也面不改色。
經歷
威爾遜·菲斯克(Wilson Fisk)自小桀驁不遜,充滿自我意識。他的父親本是一黑幫小頭目,因黑道火拼橫屍街頭。對當時的威爾遜而言父親的死並沒有讓他感到多麼悲傷,但他卻對弱肉強食的社會法則有了更為深刻的體會,從那時他便蒙生了要建立一個屬於自己的“黑道帝國”的野心。在這目標的驅使下威爾遜加入了紐約黑幫,燒殺搶掠無惡不作,終於登上了黑幫首腦的寶座。然而這並不能讓他就此滿足,近乎瘋狂的威爾遜利用他天生的邪惡頭腦對其他幫派進行了屠殺似的洗禮,終於牢牢的把整個美國黑幫控制在了自己的手中。他的“黑道帝國”也由一個夢想而逐漸變為現實了。他把本名改為“金霸王”(Kingpin),讓人談虎色變,而在得到一切的同時,金霸王也有了從沒有過的寂寞,那時一個名叫凡妮莎的女子進入到了他的生活,很快金霸王有了自己的孩子理查德·菲斯克。正當金霸王沉浸於正常的生活時,理查德卻遭到了暗殺。
兒子的死讓有退休念頭的金霸王再次變成一頭可怕的野獸,他瘋狂的對自己的所有仇敵進行報復。幾乎引發第三次世界大戰(主要是他的對頭遍布世界各地)。在冷靜下來後他終於明白到作為一個“王者”尤其是黑道的“王”。永遠不可能得到正常的生活,而家庭妻子都是自己霸業上的絆腳石,了解了這一點,金霸王親手掐斷了自己妻子的脖子。
其他媒體
電影
- 《夜魔俠》:由麥可·克拉克·鄧肯飾演[2]。
- 《蜘蛛人:新宇宙》:由李佛·薛伯聲演[3]。
電視劇
- 《無敵浩克的審判》,由约翰·里斯-戴维斯飾演。
- 《夜魔俠》:由文森特·諾費奧飾演[4]。
電子遊戲
- 《漫威:未來之戰》:手機遊戲,玩家可使用角色之一。
- 《蜘蛛人》:由特拉維斯·威林厄姆配音[5]。故事序章的頭目,被蜘蛛人擊敗後入獄,但仍在獄中操控著自己的手下從事犯罪行動。
參考資料
^ The Amazing Spider-Man #59-61 (1968)
^ McNary, Dave. Duncan takes on Daredevil. Variety. January 9, 2002 [2008-02-23].
^ Nyrem, Erin. ‘Spider-Man: Into the Spider Verse’ Casts Hailee Steinfeld, Mahershala Ali and Lily Tomlin. Variety. June 6, 2018 [June 6, 2018]. (原始内容存档于June 6, 2018).
^ Vincent D'Onofrio is Wilson Fisk on Marvel's Daredevil on Netflix. Marvel.com. June 10, 2014 [June 10, 2014]. (原始内容存档于六月 10, 2014).
^ Intihar, Bryan. Marvel's Spider-Man: Insomniac Details the E3 Trailer. PlayStation Blog. June 12, 2017 [June 14, 2017].
蜘蛛人登場角色
|
---|
| 蜘蛛人家族 |
秘密身份 | |
---|
| 公開身份 | - 彼得·帕克
- 班·萊利
- 潔西卡·德魯
- 茱莉亞·卡彭特
- 米格爾·奧哈拉
- 凱恩·帕克
- 瑪蒂·富蘭克林
- 安雅·克萊森
- 麥克·加根
- 麥爾斯·莫拉雷斯
- 奧托·奧克塔維斯 (究極蜘蛛人)
- 辛蒂·姆恩
- 關·史黛西
|
---|
|
---|
| 配角 |
主要配角 | - 麗茲·艾倫
- 梅嬸
- 貝蒂·布蘭特
- 黑貓
- 卡莉·庫珀
- 琴·德沃爾夫
- 格洛麗·格蘭特
- J·喬納·詹姆森
- 約翰·詹姆森
- 奈德·利茲
- 蛛網夫人
- 哈利·奥斯朋
- 理查德與瑪麗·帕克
- 蘭迪·羅伯遜
- 羅比·羅伯遜
- 喬治·史黛西
- 關·史黛西
- 閃電·湯普森
- 班叔
- 班·尤瑞克
- 瑪莉·珍·華生
|
---|
| 其他 | - 莎莉·艾薇兒
- 瑪莎·康納斯
- 比利·康納斯
- 斗篷與匕首
- 以西結
- 馮·岡薩雷斯
- 沃特·哈迪
- 阿什利·卡夫卡
- 安娜·瑪麗亞·馬可尼
- 肯尼·麥克法蘭
- 麥克斯·莫代爾
- 諾米·奧斯朋
- 由里·渡邊
- 莎拉·史黛西
- 鐵蜘蛛
- 黛布拉·惠特曼
|
---|
| 超級英雄盟友 | - 復仇者
- 刀鋒戰士
- 美國隊長
- 夜魔俠
- 黑鷹
- 死侍
- 奇異博士
驚奇4超人
- 火焰星
惡靈戰警
- 浩克
- 冰人
- 鐵拳俠
- 鋼鐵人
- 潔西卡·瓊斯
- 盧克·凱奇
- 月光騎士
- 尼克·福瑞
- 守夜神
- 制裁者
- 神盾局
- 索爾
白虎
- 金鋼狼
- X戰警
|
---|
|
---|
| 反派 |
|
---|
| 中立角色 | - 反猛毒
- 黑貓
- 心搏
- 吸血鬼莫比亞斯
- 潛行者
- 豹人
- 制裁者
- 火箭跑者
- 銀貂
- 毒素
|
---|
| 其他版本 |
蜘蛛人 | - 蜘蛛機甲戰士
- 蜘蛛女孩 (梅黛·帕克)
- 蜘蛛人UK
- 豬豬人
- 蜘蛛人 2099
- 暗影蜘蛛人
- 日漫蜘蛛人
- 蜘蛛人 (麥爾斯·莫拉雷斯)
- 蜘蛛人 (帕維特·普拉哈卡)
- 女蜘蛛人 (關·史黛西)
- 終極蜘蛛人
|
---|
| - 其他版本的瑪莉·珍·華生
- 其他版本的綠惡魔
- 其他版本的猛毒
|
|
---|
| 其他媒體 | |
---|
| 其他主題 | |
---|
|
夜魔俠
|
---|
| 創作者 | |
---|
| 配角 | - 幻影殺手
- 佛吉·尼爾森
- 凱倫·佩吉
- 制裁者
- 黑寡婦
真純會
- 以藏大師
- Big Ben Donovan
- 白虎
- 班·尤瑞克
- Echo
- 傑克·默多克
- 瑪姬·默多克
- 布萊克·塔沃
- 角鬥士
- Milla Donovan
- Dakota North
|
---|
| 反派 | - 金霸王
- 靶眼
- 手合會
- 紫人
- 海德先生
- 特克·巴雷特
- Jester
- Lady Bullseye
- 黑捕鳥蛛
- Bullet
- Death-Stalker
- Emissaries of Evil
- 强制者
- Nuke
- 貓頭鷹
- 高蹺人
- 傷寒瑪莉
- 跳蛙
- 公牛人
- Masked Marauder
- 鬥牛士
- Mr. Fear
|
---|
| 電影 | |
---|
| 電視劇 | |
---|
| 出版物 | - 夜魔俠
- 夜魔俠/蝙蝠俠:以眼還眼
- 夜魔俠/靶眼:目標
- 夜魔俠:世界末日
- 終極夜魔俠與艾麗卡
- 終極艾麗卡
- 夜魔俠:重生
|
---|
| 故事線 | - 重生
- Guardian Devil
- 無所畏懼
- 王者歸來
- 影域
- 夜魔俠:忍者
- 夜魔俠:唐人街
|
---|
|
mII7n05JgDSy1WHwlLX4pb G TjEzMPY8zcwutnoApvSaAE,H6VkYbtP K4AWi1ItAL3 3scce aQAeOh2P0cNq
Popular posts from this blog
Ramiro Burr's New Blog - to go back: www.ramiroburr.com From Latin rock to reggaeton, boleros to blues,Tex-Mex to Tejano, conjunto to corridos and beyond, Ramiro Burr has it covered. If you have a new CD release, a trivia question or are looking for tour info, post a message here or e-mail Ramiro directly at: musicreporter@gmail.com Top Tejano songwriter Luis Silva dead of heart attack at 64 By Ramiro Burr on October 23, 2008 8:40 AM | Permalink | Comments (12) | TrackBacks (0) UPDATE: Luis Silva Funeral Service details released Visitation 4-9 p.m. Saturday, Rosary service 6 p.m. Saturday at Porter Loring, 1101 McCullough Ave Funeral Service 10:30 a.m. Monday St. Anthony De Padua Catholic Church, Burial Service at Chapel Hills, 7735 Gibbs Sprawl Road. Porter Loring (210) 227-8221 Related New Flash: Irma Laura Lopez: long time record promoter killed in accident NewsFlash: 9:02 a.m. (New comments below) Luis Silva , one of the most well-known ...
1 I having trouble getting my ResourceDictionary.MergedDictionaries to load from app.xaml. My WPF app has a static class with a Main defined and startup object set to it. Within Main I created an instance of App and run it. The override OnStartup fires and the mainwindow.cs InitializeComponent gives the error "Message "Cannot find resource named 'MaterialDesignFloatingActionMiniAccentButton'. If I put the resources in the mainwindow.xaml everything is fine, but I wanted them to load at the app level so I they are not in each page. Any help appreciated. public partial class App protected override void OnStartup(StartupEventArgs e) base.OnStartup(e); var app = new MainWindow(); var context = new MainWindowViewModel(); app.DataContext = context; app.Show(); from the Main.. var app = new App(); app.Run(); app.xaml.. <Application x:Class="GS.Server.App" xmlns="http://schemas.microsoft.com/winfx/2006/xaml/presentation" xmlns:...
up vote 2 down vote favorite There is a clear pattern that show for two separate subsets (set of columns); If one value is missing in a column, values of other columns in the same subset are missing for any row. Here is a visualization of missing data My tries up until now, I used ycimpute library to learn from other values, and applied Iterforest. I noted, score of Logistic regression is so weak (0.6) and thought Iterforest might not learn enough or anyway, except from outer subset which might not be enough? for example the subset with 11 columns might learn from the other columns but not from within it's members, and the same goes for the subset with four columns. This bar plot show better quantity of missings So of course, dealing with missings is better than dropping rows because It would affect my prediction which does contain the same missings quantity relatively. Any better way to deal with these ? [EDIT] The nullity pattern is confirmed: machine-learning cor...