第三阶段第一章——PySpark实战

最新推荐文章于 2024-09-18 07:25:07 发布
最新推荐文章于 2024-09-18 07:25:07 发布
阅读量1.6k 收藏
点赞数 6
分类专栏： Python之路 文章标签： python spark
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DDDDWJDDDD/article/details/134274882
版权

学习了这么多python的知识，是时候来搞点真玩意儿了~~

春风得意马蹄疾，一日看尽长安花

o(*￣︶￣*)o

 1.前言介绍

（1）什么是spark

        Apache Spark是一个开源的分布式计算框架，用于处理大规模数据集的计算任务。它提供了一种高性能、通用、易用的计算引擎，支持数据并行处理、内存计算、迭代计算等多种计算模式，并提供了丰富的API，比如Spark SQL、Spark Streaming、Mlib和Graphx等。Spark的基本单元是弹性分布式数据集（RDD），它是一种可分区、可并行计算的数据结构，可以在多个节点上进行操作。Spark可以运行在多种集群管理器上，包括Hadoop YARN、Apache Mesos和Standalone等。Spark的特点是速度快、易用、灵活、可扩展，已经成为了数据处理和数据科学领域的一个重要工具。

（2）什么是pyspark

        PySpark是指Spark的Python API，它是Spark的一部分，可以通过Python语言进行Spark编程。PySpark提供了Python与Spark之间的交互，使Python开发人员能够使用Python语言对Spark进行编程和操作。PySpark可以使用Python进行数据预处理和分析，同时扩展了Python语言的功能，能够同时使用Spark的分布式计算能力，加快了数据处理和分析的速度。与其他编程语言相比，Python在数据处理和科学计算方面有广泛的应用和支持，因此PySpark特别适合处理Python与大规模数据集交互的数据科学项目。

 

2.基础准备

（1）先下载  pyspark软件包

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ pyspark

（2）SparkContext入口对象 

初体验代码：

"""
    演示
"""
# 导包
from pyspark import SparkConf, SparkContext

# 创建sparkConf对象
conf = SparkConf().setMaster("local[*]").setAppName("test_spark_app")
# 基于SparkConf类对象创建SparkContext对象
sc = SparkContext(conf=conf)
# 打印PySpark的运行版本
print(sc.version)
# 停止SparkContext对象的运行（停止PySpark程序）
sc.stop()

（3）PySpark编程模型

详细过程 ==>>

3.数据输入

（1）RDD对象

数据输入完成之后都会得到一个RDD对象

（2）数据容器转RDD对象

"""
    演示数据输入
"""
from pyspark import SparkConf, SparkContext

conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)

# 通过parallelize方法将Python对象加载到Spark内，成为RDD对象
rdd1 = sc.parallelize([1, 2, 3, 4, 5])
rdd2 = sc.parallelize((1, 2, 3, 4, 5))
rdd3 = sc.parallelize("abcdefg")
rdd4 = sc.parallelize({1, 2, 3, 4, 5})
rdd5 = sc.parallelize({"key1": "value1", "key2": "value2"})
# 查看rdd里面的内容需要使用collect()方法
print(rdd1.collect())
print(rdd2.collect())
print(rdd3.collect())
print(rdd4.collect())
print(rdd5.collect())

sc.stop()

（3）读取文件转化为RDD对象

代码示例


# 用过textFile方法，读取文件数据加载到Spark内，成为RDD对象
from pyspark import SparkConf, SparkContext

conf = SparkConf().setMaster("local[*]").setAppName("test_spark")
sc = SparkContext(conf=conf)

rdd_file = sc.textFile("D:\\IOText\\b.txt")
print(rdd_file.collect())

sc.stop()

4.数据计算

pyspark是通过RDD对象内丰富的：成员方法（算子）

（1）map方法

功能：将RDD的数据一条条处理（处理的逻辑 基于map算子中接收的处理函数），返回新的RDD

语法：

代码示例

"""
    演示map方法
"""
from pyspark import SparkConf, SparkContext
import os
#配置环境变量
os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("map_test")
sc = SparkContext(conf=conf)

# 准备RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])


# 通过map方法将全部数据都乘以10
# (T) -> U
def func(data):
    return data * 10


rdd2 = rdd.map(func)
print(rdd2.collect())

# 链式调用,快速解决
rdd3 = rdd.map(lambda e: e * 100).map(lambda e: e + 6)
print(rdd3.collect())

（2）flatMap方法

和map差不多，多了一个消除嵌套的效果

功能:对rdd执行map操作，然后进行解除嵌套

代码示例

"""
    演示 flatmap 方法
"""
from pyspark import SparkConf, SparkContext
import os

# 配置环境变量
os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("flatmap_test")
sc = SparkContext(conf=conf)

# 准备一个RDD
rdd = sc.parallelize(["a b c", "e f g", "uuu ggg"])
rdd2 = rdd.flatMap(lambda x: x.split(" "))
print(rdd2.collect())

（3）reduceByKey方法

功能：自动分组，组内聚合

代码示例

"""
    演示 reduceByKey 方法
"""
from pyspark import SparkConf, SparkContext
import os

# 配置环境变量
os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("reduceByKey_test")
sc = SparkContext(conf=conf)

# 准备一个RDD
rdd = sc.parallelize([('男', 99), ('男', 88), ('女', 99), ('女', 66)])
# 求男生和呃女生两个组的成绩之和
rdd1 = rdd.reduceByKey(lambda a, b: a + b)
print(rdd1.collect())

（4）练习案例1

目标，统计文件内出现单词的数量.

代码示例：

"""
    读取文件，统计文件内，单词出现的数量
"""

from pyspark import SparkConf, SparkContext
import os

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("test_1")
sc = SparkContext(conf=conf)

# 读取文件
file_rdd = sc.textFile("D:\\IOText\\b.txt")

# 取出所有的单词
words = file_rdd.flatMap(lambda line: line.split(' '))
print(words.collect())
# 将其转化为map类型，value设置为1,方便在之后分组统计
word_one = words.map(lambda w: (w, 1))
# 分组求和
res = word_one.reduceByKey(lambda a, b: a + b)

print(res.collect())

我的文件数据是

word1
word2 word2
word3 word3 word3
word4 word4 word4 word4

（5）filter方法

功能：过滤想要的数据进行保留

filter返回值为TRUE则保留，不然会被过滤

语法：

代码示例：

"""
    filter方法演示
"""
from pyspark import SparkConf, SparkContext
import os

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("filter_test")
sc = SparkContext(conf=conf)

# 准备一个RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])
# filter返回值为TRUE则保留，不然会被过滤
rdd2 = rdd.filter(lambda e: e % 2 == 0)
print(rdd2.collect())

（6）distinct方法

功能：对RDD数据进行去重，返回新的RDD

语法：

rdd.distinct( )   # 这里无需传参

代码示例：

"""
    distinct方法演示
"""
from pyspark import SparkConf, SparkContext
import os

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("filter_test")
sc = SparkContext(conf=conf)

# 准备一个RDD
rdd = sc.parallelize([1, 1, 2, 2, 2, 3, 4, 5])
# filter返回值为TRUE则保留，不然会被过滤
rdd2 = rdd.distinct()
print(rdd2.collect())

（7）sortBy方法

功能：对RDD数据进行排序，基于你指定的排序依据

语法：

"""
    sortBy方法演示
"""
from pyspark import SparkConf, SparkContext
import os

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("filter_test")
sc = SparkContext(conf=conf)

# 读取文件
file_rdd = sc.textFile("D:\\IOText\\b.txt")

# 取出所有的单词
words = file_rdd.flatMap(lambda line: line.split(' '))
# print(words.collect())
# 将其转化为map类型，value设置为1,方便在之后分组统计
word_one = words.map(lambda w: (w, 1))
# 分组求和
res = word_one.reduceByKey(lambda a, b: a + b)
# print(res.collect())
# 按照出现次数从小到大排序
final_rdd = res.sortBy(lambda x: x[1], ascending=True, numPartitions=1)
print(final_rdd.collect())

（8）练习案例2

需要的数据已经上传到博客

三个需求：

# TODO 需求一：城市销售额排名
# TODO 需求2：全部城市有哪些商品类别在售卖
# TODO 需求3：北京市有哪些商品类别在售卖
"""
    sortBy方法演示
"""
from pyspark import SparkConf, SparkContext
import json
import os

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("filter_test")
sc = SparkContext(conf=conf)

# TODO 需求一：城市销售额排名
# 1.1 读取文件
file_rdd = sc.textFile("D:\\IOText\\orders.txt")
# 1.2 取出一个个JSON字符串
json_str_rdd = file_rdd.flatMap(lambda x: x.split("|"))
# 1.3 取出城市和销售额数据
dict_rdd = json_str_rdd.map(lambda x: json.loads(x))
# print(dict_rdd.collect())
# 1.4 取出城市和销售额数据
city_with_money_rdd = dict_rdd.map(lambda x: (x['areaName'], int(x['money'])))
# 1.5 按城市分组按销售额聚合
city_result_rdd = city_with_money_rdd.reduceByKey(lambda a, b: a + b)
# 1.6 按销售额聚合结果进行排序
result_rdd_1 = city_result_rdd.sortBy(lambda x: x[1], ascending=False, numPartitions=1)
print("需求1的结果：", result_rdd_1.collect())

# TODO 需求2：全部城市有哪些商品类别在售卖
# 同时记得去重
category_rdd = dict_rdd.map(lambda x: x['category']).distinct()
print("需求2的结果：", category_rdd.collect())

# TODO 需求3：北京市有哪些商品类别在售卖
# 3.1 只要北京市的数据
rdd_beijing = dict_rdd.filter(lambda x: x["areaName"] == "北京")
# 3.2 取出全部商品类别并且去重
result_rdd_3 = rdd_beijing.map(lambda x: x['category']).distinct()
print("需求3的结果：", result_rdd_3.collect())

5.数据输出

（1）输出为Python对象：collect算子

功能：将RDD各个分区内的数据，统一手机到Driver中，形成一个List对象

用法：

rdd.collect( )   # 返回值是一个list

（2）输出为Python对象：reduce算子

功能：对RDD数据集按照你传入的逻辑进行聚合

语法：

（3）输出为Python对象：take算子

功能：取RDD的前N个元素，组合成list返回给你

语法：

（4）输出为Python对象：count算子

功能：计算RDD有多少条数据，返回值是一个数字

语法：

（5）上述1-4算子代码示例

"""
    collect算子
"""

from pyspark import SparkConf, SparkContext
import os

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"

conf = SparkConf().setMaster("local[*]").setAppName("filter_test")
sc = SparkContext(conf=conf)

# 准备RDD
rdd = sc.parallelize([1, 2, 3, 4, 5])

# collect算子，输出RDD为list对象
rdd_list: list = rdd.collect()
print(type(rdd_list))
print(rdd_list)

# reduce算子，对RDD进行两两聚合
num = rdd.reduce(lambda a, b: a + b)
print(num)

# take算子，取出RDD前N个元素，组成list返回
take_list_3 = rdd.take(3)
print(take_list_3)

# count算子，统计rdd内有多少条数据，返回值为数字
num_count = rdd.count()
print(f"有{num_count}个元素")

 

（6）输出到文件中：saveAsTextFile算子

功能：将RDD的数据写入文本文件中

支持  本地写出，hdfs等文件系统

语法：

注意事项：

 代码示例：

"""
    saveAsTextFile
"""

from pyspark import SparkConf, SparkContext
import os

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"
os.environ['HADOOP_HOME'] = "D:\\CodeSoft\\Hadoop\\hadoop-3.0.0"

conf = SparkConf().setMaster("local[*]").setAppName("filter_test")
sc = SparkContext(conf=conf)

# 准备RDD1
rdd1 = sc.parallelize([1, 2, 3, 4, 5])
# 准备RDD2
rdd2 = sc.parallelize([("hello", 3), ("spark", 5), ("java", 7)])
# 准备RDD3
rdd3 = sc.parallelize([[1, 3, 5], [6, 7, 9], [11, 13, 11]])

# 输出到文件之中
rdd1.saveAsTextFile("D:\\IOText\\saveAsTextFile测试1")
rdd2.saveAsTextFile("D:\\IOText\\saveAsTextFile测试2")
rdd3.saveAsTextFile("D:\\IOText\\saveAsTextFile测试3")

上述方法会使文件内有对应你CPU核心数量的分区

修改RDD分区为1个

方式一：SparkConf对象设置属性为全局并行度为1

 

方式二：创建RDD的时候设置（parallelize方法传入numSlices的参数为1）

6.综合案例

搜索引擎日志分析

实现代码：
 

"""
    综合案例
"""

from pyspark import SparkConf, SparkContext
import os
import json

os.environ['PYSPARK_PYTHON'] = "D:\\Python310\\dev\\python\\python3.10.4\\python.exe"
os.environ['HADOOP_HOME'] = "D:\\CodeSoft\\Hadoop\\hadoop-3.0.0"

conf = SparkConf().setMaster("local[*]").setAppName("filter_test")
conf.set("spark.default.parallelism", "1")
conf.set("spark.default.parallelism", "1")
sc = SparkContext(conf=conf)

# 读取文件转换成RDD
file_rdd = sc.textFile("D:\\IOText\\search_log.txt")

# TODO 需求一：热门搜索时间段Top3（小时精度）
# 1.1 取出全部的时间并且转换为小时
# 1.2 转换为（小时，1）的二元组
# 1.3 key分组聚合value
# 1.4 排序（降序）
# 1.5 取前三
res1 = (file_rdd
        .map(lambda x: (x.split("\t")[0][:2], 1))
        .reduceByKey(lambda a, b: a + b)
        .sortBy(lambda x: x[1], ascending=False, numPartitions=1)
        .take(3)
        )
print(f"需求一的结果：{res1}")

# TODO 需求二：热门搜索词Top3
# 2.1 取出全部的搜索词
# 2.2 （词，1）二元组
# 2.3 分组聚合
# 2.4 排序
# 2.5 top3
res2 = (file_rdd
        .map(lambda x: (x.split("\t")[2], 1))
        .reduceByKey(lambda a, b: a + b)
        .sortBy(lambda x: x[1], ascending=False, numPartitions=1)
        .take(3)
        )
print(f"需求二的结果：{res2}")

# TODO 需求三：统计黑马程序员关键字在什么时间段被搜索的最多
# 3.1 过滤内容，只保留黑马程序员关键词
# 3.2 转换为（小时，1）的二元组
# 3.3 分组聚合
# 3.4 排序
# 3.5 取前一
res3 = (file_rdd
        .map(lambda x: x.split("\t"))
        .filter(lambda x: x[2] == "黑马程序员")
        .map(lambda x: (x[0][:2], 1))
        .reduceByKey(lambda a, b: a + b)
        .sortBy(lambda x: x[1], ascending=False, numPartitions=1)
        .take(1)
        )
print(f"需求三的结果：{res3}")

# TODO 需求四：将数据转化为JSON格式，写出到文件之中
# 4.1 转换为JSON格式的RDD
# 4.2 写出为文件
(file_rdd
 .map(lambda x: x.split("\t"))
 .map(lambda x: {
    "time": x[0],
    "user_id": x[1],
    "key_word": x[2],
    "rank1": x[3],
    "rank2": x[4],
    "url": x[5]}
      )
 .saveAsTextFile("D:\\IOText\\综合案例")
 )

结语

有啥好说的。呃呃呃呃呃呃呃没啥好说的

下班

┏(＾0＾)┛

WenJGo
关注
专栏目录
Python学习之PySpark案例实战
2301_79600088的博客
04-12 458
RDD,自动按照key分组,然后根据你提供的聚合逻辑,完成****组内数据[value)****的聚合操作.注意: reduceByKey中接收的函数 只负责聚合,不理会分组，分组是自动 by key来分组的。****数据计算的方法,返回值依旧是RDD(RDD迭代计算)后续对数据进行各类计算，****功能:将RDD各个分区内的数据,统一收集到Driver中,形成一个List对象。(img-m2xUW1Ih-1712913770981)]PySpark的数据计算，都是基于RDD对象来进行的那么如何进行呢?
PySpark实战指南：大数据处理与分析的终极指南【上进小菜猪大数据】
m0_71592416的博客
06-09 2252
上进小菜猪，沈工大软件工程专业，爱好敲代码，持续输出干货。大数据处理与分析是当今信息时代的核心任务之一。本文将介绍如何使用PySpark（Python的Spark API）进行大数据处理和分析的实战技术。我们将探讨PySpark的基本概念、数据准备、数据处理和分析的关键步骤，并提供示例代码和技术深度。数据处理 一旦数据准备完毕，我们可以使用PySpark对数据进行各种处理操作，如过滤、转换、聚合等。PySpark提供了丰富的操作函数和高级API，使得数据处理变得简单而高效。
（PySpark）RDD实验实战——取最大数出现的次数
最新发布
m0_75208179的博客
09-18 449
keyfunc,是从 RDD 的每个元素中提取用于排序的键，多分区的话可以通过指定key的排序，来达到操作目的。#filter起到的作用是一个过滤器，我们这里用它来过滤data中最大值，并用count来记录最大值出现的次数。#创建一个SparkConf对象，用于配置Spark应用程序，用setAppName来设置程序名称，#用setMaster来设置运行模式和线程数，这里为本地模式，4个线程。#rdd.sortBy()用于对RDD中的元素按照指定的排序键进行排序。#取数据总长，方便后面调用，输出。
python语法-pyspark实战（基础知识）
qq_45833373的博客
06-16 245
第一次执行遇到的问题：搭建PySpark执行环境入口时出现RuntimeError: Java gateway process exited before sending its port number 原因：未安装java的jdk程序 解决方法：去官网下载jdk，安装配置好重启pycharm，解决后程序结果如下
python语法-pyspark实战（数据输入）
qq_45833373的博客
06-17 190
python语法-pyspark实战（数据输入）
训练八：sqoop+pyspark实战
wangxn216的博客
05-10 539
1. 下载安装下载地址： http://archive.cloudera.com/cdh5/cdh/5/sqoop-1.4.6-cdh5.9.3.tar.gz 下载 sqoop-1.4.6-cdh5.9.3.tar.gz解压后安装在/home/hadoop/tools/文件夹下2. 修改环境变量sudo vim /etc/profile# SQOOP export SQOOP_HOME=/home...
第三阶段第一章-PySpark实战 练习二数据
11-08
第三阶段第一章——PySpark实战。练习二数据
Python3实战Spark大数据分析及调度-第9章 Spark Streaming.zip
04-30
在本章"Python3实战Spark大数据分析及调度-第9章 Spark Streaming"中，我们将深入探讨Apache Spark的实时处理框架——Spark Streaming。Spark Streaming是Apache Spark的一个重要组件，它允许开发人员以微批处理的...
Python并发优化案例研究：从理论到实战的全攻略
Python作为一种广泛使用的高级编程语言，其并发编程能力成为提升软件性能和处理大规模数据的关键技术之一。并发编程可以让我们在多核处理器上同时执行多个任务，从而提高程序执行的效率和吞吐量。 在本章中，我们将...
Python大数据之Spark编程基础与提升视频课程课件PPT模板.pptx
06-12
### 第3章 Spark机器学习之特征提取 3-1 one-hot向量的原理与实战 特征编码是机器学习中常见的数据预处理步骤，one-hot编码将类别特征转化为数值特征，便于模型处理。本章将讲解其原理并给出实际操作示例。 3-2 ...
python数据分析论文报告_python数据报告
weixin_39920338的博客
11-24 2112
广告关闭腾讯云11.11云上盛惠 ，精选热门产品助力上云，云服务器首年88元起，买的越多返的越多，最高返5000元！处理数据的 pandas，绘制可视图的 matplotlib，生成交互图的 bokeh，实现机器学习的 scikit-learn 等等，python 数据分析师早就能把这些工具用得出神入化了。 但今天呆鸟要和大家聊一聊 python 数据分析报告的痛点。 ----用 python 做...
pyspark 实践汇总1
yepeng2007fei的博客
12-04 4854
1. filter过滤函数 df.filter(df.列名==值) 或者 df.filter("列名==值")   中间可以使用(或操作|)   (与操作&) 2. union函数 df.union(df1) 可进行行合并的操作，df与df1的列名相同 3. 本地集合求并集 totalset = set1 | set2   set1=set(pandas['列名']) 4. panda
pyspark执行逻辑流程
weixin_30349597的博客
05-16 284
这里记录pyspark的执行逻辑图 代码版本为 spark 2.2.0 1.执行逻辑 这里简述一下代码调用流程 1. 用户通过spark-submit提交python代码,spark-submit检测到此次提交任务类型是python类型则会设置mainClass为PythonRunner 2. PythonRunner 会负责(通过process的方式)执行用户的python代码,并且启动py4...
Pyspark基础运行原理
phthon1997的博客
05-09 523
1.类库VS框架 2.什么是pyspark？ 3.应用入口：SparkContext
java spark 运行原理_解读pyspark运行原理
weixin_26757925的博客
02-24 206
python在近几年的势头很猛，在很多的编程语言排行榜中都能占据第一第二的位置。对初学者比较友好，优雅的编程风格，较高的开发效率，这些特点让python成为很多互联网行业从业者的选择。尤其是python在数据科学领域里面丰富的生态支持，让很多软件架构师在既要做系统架构，又要做数据算法的场景中为了统一编程语言，就进入了python的怀抱。在spark支持的开发语言中，python拥有比较高的使用比例...
Pyspark 基础知识
不忘初欣丶的博客
04-05 3548
Pyspark基础知识，包括Pyspark基本介绍，和Spark框架对比，WordCount执行流程，Pyspark执行原理等
pyspark（1）介绍与安装概要
Carl_changxin的博客
02-18 3471
目录 1.什么是pyspark 2.pyspark的特点 3.pyspark的优点 4.pyspark架构 5.pyspark的模块 6.pyspark的安装 1.什么是pyspark PySpark是一个用Python编写的Spark库，用于使用Apache Spark功能运行Python应用程序，使用PySpark，我们可以在分布式集群（多个节点）上并行运行应用程序。 换句话说，PySpark是用于Apache Spark的Python API。 Apache Spark是一个分析处
CAD2006入门：第一章——基础设置与应用概述
本资源主要介绍了CAD2006入门学习的第一章——基础知识，内容涵盖了AutoCAD2006的基本安装、使用和功能更新。AutoCAD2006是由美国Autodesk公司开发的一款里程碑式的计算机辅助设计软件，它在1982年发布后不断迭代，...
评论
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

打赏作者

WenJGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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