SequoiaDB Spark Yarn部署及案例演示

最新推荐文章于 2021-04-30 11:21:38 发布
最新推荐文章于 2021-04-30 11:21:38 发布
阅读量103 收藏
点赞数
文章标签： 数据库 scala 运维
原文链接：https://my.oschina.net/u/2444165/blog/800856
版权

1、 背景

由于MRv1在扩展性、可靠性、资源利用率和多框架等方面存在明显的不足，在Hadoop MRv2中引入了资源管理和调度系统YARN。YARN是 Hadoop MRv2计算机框架中构建的一个独立的、通用的资源管理系统，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。主要体现在以下几个方面：

（1）资源利用率大大提高。一种计算框架一个集群，往往会由于应用程序数量和资源需求的不均衡性，使得在某段时间有些计算框架集群资源紧张，而另外一些集群资源空闲。共享集群模式则通过多种框架共享资源，使得集群中的资源得到更加充分的利用；

（2）运维成本大大降低。共享集群模式使得少数管理员就可以完成多个框架的统一管理；

（3）共享集群的模式也让多种框架共享数据和硬件资源更为方便。

2、 产品介绍

巨杉数据库SequoiaDB是一款分布式非关系型文档数据库，可以被用来存取海量非关系型的数据，其底层主要基于分布式，高可用，高性能与动态数据类型设计，它兼顾了关系型数据库中众多的优秀设计：如索引、动态查询和更新等，同时以文档记录为基础更好地处理了动态灵活的数据类型。并且为了用户能够使用常见的分布式计算框架，SequoiaDB可以和常见分布式计算框架如Spark、Hadoop、HBase进行整合。本文主要讲解SequoiaDB与Spark、YARN的整合以及通过一个案例来演示MapReduce分析存储在SequoiaDB中的业务数据。

3、 环境搭建

3.1、 服务器分布

服务器

服务名称

192.168.1.46

 

192.168.1.47

 

192.168.1.48

NameNode、DataNode、

 

3.2、 软件配置

操作系统：RedHat6.5

JDK版本：1.7.0_80 64位

Scala版本：

Hadoop版本：2.7.2

Spark版本：2.0

SequoiaDB版本：2.0

 

3.3、 安装步骤

1、JDK安装

tar -xvf jdk-7u45-linux-x64.tar.gz –C /usr/local

cd /usr/local 

ln -s jdk1.7.0_45 jdk

 

配置环境变量

vim ~/.bash_profile 

export JAVA_HOME=/usr/local/jdk 

export CLASS_PATH=$JAVA_HOME/lib:$JAVA_HOME/jre/lib 

export PATH=$PATH:$JAVA_HOME/bin

source /etc/profile

 

2、Scala安装

tar -xvf scala-2.11.8.tgz –C /usr/local

cd /usr/local 

ln -s scala-2.11.8 scala

 

配置环境变量

vim ~/.bash_profile 

export SCALA_HOME=/usr/local/scala 

export PATH=$PATH:$SCALA_HOME/bin

 

3、修改主机hosts文件配置

在每台主机上修改host文件

vim /etc/hosts

192.168.1.46 node01

192.168.1.47 node02

192.168.1.48  master

4、 SSH免密钥登录

在master节点中执行ssh-keygen按回车键

cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

 

将master节点中的授权文件authorized_keys传输到slave节点中

scp ~/.ssh/id_rsa.pub root@master:~/.ssh/

 

在slave节点中执行

cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

 

在slave节点中验证SSH免密钥登录

ssh master

 

5、Hadoop集群安装

拷贝hadoop文件hadoop-2.7.2.tar.gz到/opt目录中

解压hadoop安装包

tar –xvf hadoop-2.7.2.tar.gz

mv hadoop-2.7.2 /opt/cloud/hadoop

创建hadoop数据存储及临时目录

mkdir –p /opt/hadoop/data

mkdir –p /opt/hadoop/tmp

配置Hadoop jdk环境变量

vim hadoop-env.sh

export JAVA_HOME=/usr/local/jdk

编辑core.xml文件

<configuration>

   <property>

      <name>fs.defaultFS</name>

      <value>hdfs://master:9000</value>

   </property>

   <property>

      <name>hadoop.tmp.dir</name>

      <value>/opt/data/tmp</value>

   </property>

   <property>

      <name>io.file.buffer.size</name>

      <value>4096</value>

   </property>

</configuration>

编辑mapred-site.xml

<configuration>



   <property>

      <name>mapreduce.framework.name</name>

      <value>yarn</value>

   </property>

   <property>

      <name>mapreduce.jobtracker.http.address</name>

      <value> master:50030</value>

   </property>

   <property>

      <name>mapreduce.jobhistory.address</name>

      <value> master:10020</value>

   </property>

   <property>

      <name>mapreduce.jobhistory.webapp.address</name>

      <value>master:19888</value>

   </property>

</configuration>

 

编辑hdfs-site.xml

<configuration>

   <property>

      <name>dfs.nameservices</name>

      <value>master</value>

   </property>

   <property>

      <name>dfs.namenode.secondary.http-address</name>

      <value> master:50090</value>

   </property>

   <property>

      <name>dfs.namenode.name.dir</name>

      <value>file:///opt/hadoop/data/name</value>

   </property>

   <property>

      <name>dfs.datanode.data.dir</name>

      <value>file:///opt/hadoop/data</value>

   </property>

   <property>

      <name>dfs.replication</name>

      <value>3</value>

   </property>

   <property>

      <name>dfs.webhdfs.enabled</name>

      <value>true</value>

   </property>

</configuration>

 

编辑yarn-site.xml

<configuration>

   <property>

      <name>yarn.nodemanager.aux-services</name>

      <value>mapreduce_shuffle</value>

   </property>

   <property>

      <name>yarn.resourcemanager.address</name>

      <value> master:8032</value>

   </property>

   <property>

      <name>yarn.resourcemanager.scheduler.address</name>

      <value> master:8030</value>

   </property>

   <property>

      <name>yarn.resourcemanager.resource-tracker.address</name>

      <value> master:8031</value>

   </property>

   <property>

      <name>yarn.resourcemanager.admin.address</name>

      <value> master:8033</value>

   </property>

   <property>

      <name>yarn.resourcemanager.webapp.address</name>

      <value>master:8088</value>

   </property>

   <property>

      <name>yarn.nodemanager.resource.memory-mb</name>

      <value>12288</value>

   </property>

  <property>

      <name>yarn.nodemanager.log-dirs</name>

      <value>/opt/hadoop/tmp/userlogs</value>

   </property>

</configuration>

 

启动Hadoop

首次启动集群时，做如下操作

进入到/opt/cloud/hadoop/bin目录中执行./hdfs namenode –format格式化

 

hdfs文件系统

进入到/opt/cloud/hadoop/sbin目录中执行./start-all.sh启动hadoop集群

 

6、安装Spark集群

拷贝Spark安装包到/opt目录中，解压

tar –xvf spark-2.0.0-bin-hadoop2.7.tgz

mv spark-2.0.0-bin-hadoop2.7 /opt/cloud/spark

编辑spark-env.sh

vim spark-env.sh

JAVA_HOME="/usr/jdk1.7"

SPARK_DRIVER_MEMORY="1g"

SPARK_EXECUTOR_CORES=1

SPARK_EXECUTOR_MEMORY="512m"

SPARK_MASTER_PORT="7077"

SPARK_MASTER_WEBUI_PORT="8070"

SPARK_CLASSPATH="/opt/cloud/spark/jars/sequoiadb.jar:/opt/cloud/spark/jars/spark-sequoiadb_2.11-2.6.0.jar"

SPARK_MASTER_IP="node03"

SPARK_WORKER_MEMORY="712m"

SPARK_WORKER_CORES=1

SPARK_WORKER_INSTANCES=1

SPARK_WORKER_DIR="/opt/data/spark/work"

SPARK_LOCAL_DIRS="/opt/data/spark/tmp"

HADOOP_HOME="/opt/cloud/hadoop"

HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

编辑 slaves

node02

node03

启动spark集群

进入到目录/opt/cloud/spark/sbin目录中

./start-all.sh

Spark成功启动后截图如下：

 

7、Spark Yarn连接SequoiaDB

在SequoiaDB中创建集合空间、集合

db.createCS('poc');

db.poc.createCL('test');

 

进入到spark安装目录bin中，执行./spark-sql –master yarn启动spark sql交互界面

 

创建表，映射到上述poc集合空间中test集合

CREATE TABLE `test` (`id` INT, `name` STRING)

USING com.sequoiadb.spark

OPTIONS (

  `collection` 'test',

  `host` 'node02:11810,node03:11810',

  `serialization.format` '1',

  `collectionspace` 'poc'

);

查询表test数据，执行：

Select * from test;

 

进入到yarn管理页面查看spark任务

 

5、 案例演示

为了配合司法部门的执法和银行内部的风险监管，部分商业银行对于存取款业务定制了相关预警方案，本案例以个人存取款业务高频交易来讲述MapReduce如何分析SequoiaDB中的个人交易明细数据。

具体场景为：分析同一实体柜员办理，1小时内同一账户连续3笔以上支取类金额的交易账户及明细。

本演示案例采用Hadoop Map Reduce实现，开发语言为Java语言。整个测试程序分为两个部分Map算法和Reduce算法。演示程序中Map算法负责将同一个账号的所有对应交易明细归并在一起并输出给Reduce端，Reduce端根据Map算法的结果运算具体的业务场景，最后将运算结果写入到SequoiaDB中。

具体架构如下：

Reduce端具体算法流程如下：

 

Map端算法代码如下：

static class TMapper extends Mapper<Object, BSONWritable,Text,BSONWritable>{

        @Override

        protected void map(Object key, BSONWritable value, Context context)

                throws IOException, InterruptedException {

                       BSONObject obj = value.getBson();

            String acct_no=(String) obj.get("ACCT_NO");

            context.write(new Text(acct_no), value);

        }

}

 

Reduce端算法代码如下：

static class TReducer extends Reducer<Text,BSONWritable,NullWritable,NullWritable>{

     private static String pattern = "yyyy-MM-dd HH:mm:ss";

     private DateFormat df = new SimpleDateFormat(pattern);

     private static int tradeNum1 = 3;

     private static int tradeTime1 = 3600;

    

     private static int tradeNum2 = 2;

     private static int tradeTime2 = 1800;

     private static int tradeAll = 100000;

    

     private Sequoiadb sdb = null;

     private CollectionSpace cs = null;

     private DBCollection cl_1 = null;

     private DBCollection cl_2 = null;

     private static String CS_NAME="";

     private static String CL_NAME_1="";

     private static String CL_NAME_2="";

    

     public TReducer(){

     if (null == sdb) {

     sdb = ConnectionPool.getInstance().getConnection();

     }


     if (sdb.isCollectionSpaceExist(CS_NAME)) {

     cs = sdb.getCollectionSpace(CS_NAME);

     } else {

     throw new BaseException("集合空间" + CS_NAME + "不存在！");

     }


     if (null == cs) {

     throw new BaseException("集合空间不能为null！");

     } else {

     this.cl_1 = cs.getCollection(CL_NAME_1);

    

     }

     if (null == cs) {

     throw new BaseException("集合空间不能为null！");

     } else {

     this.cl_2 = cs.getCollection(CL_NAME_2);

    

     }

     }

    

        @Override

        protected void reduce(Text key, Iterable<BSONWritable> values,

                Context context)

                throws IOException, InterruptedException{

            Iterator<BSONWritable> iterator=values.iterator();

            long sum=0;

            List<BSONWritable> oldList = new ArrayList<BSONWritable>();

            

            while(iterator.hasNext()){

             BSONWritable bsonWritable = iterator.next();

             oldList.add(bsonWritable);

            }

            //对values进行排序，排序字段为TRN_TIME（交易时间）

            Collections.sort(oldList, new Comparator<BSONWritable>() {

     @Override

     public int compare(BSONWritable o1, BSONWritable o2) {

     String trn_time1 = (String)o1.getBson().get("TRN_TIME");

     String trn_time2 = (String)o2.getBson().get("TRN_TIME");

     return trn_time2.compareTo(trn_time1);

     }

     });

            

            Map<String,BSONWritable> result = new HashMap<String,BSONWritable>();

            if(oldList != null && oldList.size() > 0){

             //记录同一账户满足条件的笔数

             Map<String,BSONWritable> tempMap = new HashMap<String,BSONWritable>();

             for(int i=0;i<oldList.size()-1;i++){

             BSONWritable bSONWritable1 = oldList.get(i);

             //交易代码

             String trn_cd = (String)bSONWritable1.getBson().get("TRN_CD");

             if(trn_cd.equals("000045") || trn_cd.equals("001045") 

             || trn_cd.equals("021031") || trn_cd.equals("020031") 

             || trn_cd.equals("001060") || trn_cd.equals("000060")){

             //交易柜员

                 String tran_teller_no1 = (String)bSONWritable1.getBson().get("TRAN_TELLER_NO");

                 //流水号

                 String jrnl_no = (String)bSONWritable1.getBson().get("JRNL_NO");

                 //交易日期

                 String trn_date1 = (String)bSONWritable1.getBson().get("TRN_DATE");

                 //交易时间

                 String trn_time1 = (String)bSONWritable1.getBson().get("TRN_TIME");

                 Date bigDate = null;

                 try {

     bigDate = df.parse(trn_date1+" "+trn_time1);

     } catch (ParseException e) {

     e.printStackTrace();

     }

                 tempMap.put(jrnl_no,bSONWritable1);

                 for(int j=i+1;j<oldList.size();j++){

                     BSONWritable bSONWritable2 = oldList.get(j);

                     //交易代码

                     String trn_cd1 = (String)bSONWritable2.getBson().get("TRN_CD");

                     if(trn_cd1.equals("000045") || trn_cd1.equals("001045") 

                     || trn_cd1.equals("021031") || trn_cd1.equals("020031") 

                     || trn_cd1.equals("001060") || trn_cd1.equals("000060")){

                     //交易柜员

                         String tran_teller_no2 = (String)bSONWritable2.getBson().get("TRAN_TELLER_NO");

                         //流水号

                         String jrnl_no2 = (String)bSONWritable2.getBson().get("JRNL_NO");

                         //交易日期

                         String trn_date2 = (String)bSONWritable2.getBson().get("TRN_DATE");

                         //交易时间

                         String trn_time2 = (String)bSONWritable2.getBson().get("TRN_TIME");

                         Date smallDate = null;

                         try {

             smallDate = df.parse(trn_date1+" "+trn_time1);

             } catch (ParseException e) {

             e.printStackTrace();

             }

                         //判断是否是同一实体{交易柜员}办理

                         if(!tran_teller_no1.equals(tran_teller_no2)){

                         continue;

                         }

                         //判断{交易日期}{交易时间}是否是[1小时]内

                         if((bigDate.getTime()-smallDate.getTime())/1000 > tradeTime1){

                         break;

                         }

                         tempMap.put(jrnl_no2,bSONWritable2);

                        

                     }else{ //end if TRN_CD1.equals("000045")

                     continue;

                     }

                     }//end for

                

                 if(tempMap.size() >= tradeNum1){

                 result.putAll(tempMap);

                 tempMap.clear();

                 }

             }else{

             continue;

             }//end if ||

             }//end for

            }

            

            Map<String,BSONWritable> result2 = new HashMap<String,BSONWritable>();

            

            List<BSONObject> cl_1_list = new ArrayList<BSONObject>();

            //结果写入sdb

            Iterator iter1 = result.keySet().iterator();

            while(iter1.hasNext()){

             String keyValue = (String)iter1.next();

             BSONWritable resultValue = result.get(keyValue);

             cl_1_list.add(resultValue.getBson());

             cl_1.insert(resultValue.getBson());

            }

            cl_1.bulkInsert(cl_1_list, DBCollection.FLG_INSERT_CONTONDUP);

            cl_1_list = null;

            List<BSONObject> cl_2_list = new ArrayList<BSONObject>();

            context.write(null,null);

        }

    }

 

 

SequoiaDB巨杉数据库2.6最新版下载
SequoiaDB巨杉数据库技术博客
SequoiaDB巨杉数据库社区

 

转载于:https://my.oschina.net/u/2444165/blog/800856

choulou0356
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
spark yarn模式的搭建.docx
06-15
Spark On Yarn完全分布式集群环境搭建文档。 分为如下几部分： 1、环境的准备; 2、Zookeeper完全分布式搭建; 3、Hadoop2.0 HA集群搭建步骤介绍; 4、Spark On Yarn搭建介绍; 5、集群启动介绍; 最新最全的java培训视频教程，供大家学习与技术分享。下载链接： 百度网盘链接：https://pan.baidu.com/s/133mIoFlCCmTDxxkb7RJ1Og 提取码：p3yx
Spark的Yarn模式
01-20
Spark基础理论： https://blog.csdn.net/weixin_45102492/article/details/104318250 Spark安装及Local模式：https://blog.csdn.net/weixin_45102492/article/details/104318738 Spark的Standalone模式： https://blog.csdn.net/weixin_45102492/article/details/104319485 Yarn模式 Spark客户端直接连接Yarn，不需要额外构建Spark集群。有yarn-client和yarn-clus
Spark on Yarn模式部署.docx
10-03
Spark on Yarn模式部署.docx
Spark安装包及部署文档
10-18
资源是Spark 在yarn模式上的部署的spark安装包（spark-2.4.7-bin-hadoop2.7.tgz），以及安装部署的文档
【SequoiaDB|巨杉数据库】巨杉数据库快速入门之集群安装部署
lolita0922的博客
01-19 87
巨杉数据库快速入门之集群安装部署 集群安装部署 集群模式部署：在多机上部署集群模式的 SequoiaDB 巨杉数据库，生产、开发和测试环境均可使用 更多内容请阅览巨杉数据库官网
yarn create vue project |新建vue项目
Ann_Glare的博客
04-30 915
新建vue 项目
yarn命令使用
热门推荐
mjzhang1993的博客
04-11 10万+
yarn 命令使用版本说明 （当前文档使用版本） yarn : 0.1 安装 macOS 通过 homebrew 安装 brew install yarn Windows 下载安装 下载地址 查看版本 yarn --version 1. 开始一个新工程 yarn init 对应 npm init2. 添加一个依赖 yarn add [email protected].
Sequoiadb的SequoiaSql应用开发实践
u014439239的博客
10-31 1725
1.前言      Sequoiadb分布式数据库作为新一代的nosql数据库。除了拥有高性能之外对标准SQL也是支持的，Sequoiadb能够对接spark之外，还有企业级的SequoiaSql可以选择，SequoiaSql是解析sql语言，Sequoiadb来执行SequoiaSql解析出的语言并执行相关命令，SequoiaSql相当于客户端，Sequoiadb相当于后端。用户可
SequoiaDB 架构指南
weixin_34116110的博客
12-24 144
1 简介 SequoiaDB（巨杉数据库）是一款分布式非关系型文档数据库，可以被用来存取海量非关系型的数据，其底层主要基于分布式，高可用，高性能与动态数据类型设计，与当前主流分布式计算框架 Hadoop 紧密集成。 SequoiaDB 同时兼顾了关系型数据库中众多的优秀设计：如索引、动态查询和更新等，同时以文档记录为基础更好地处理了动态灵活的数据类型。 SequoiaDB 使用 MPP（海量...
Spark实验：On Yarn模式安装部署（带答案）1
08-03
1. 解压Spark安装包 2. 配置Hadoop生态组件相关环境变量 2. 在 master 节点上，关闭HDFS的安全模式： 3. 在 master 节点上
Spark开发实例（SequoiaDB）
u013721254的博客
06-03 354
实验 1 搭建 Spark 实例应用开发环境 程序中会创建 JDBC 连接，并通过 JDBC 在 Spark SQL 中创建 jdbc_sample 集合的映射表，向映射表中插入一条记录后查询 jdbc_sample 记录打印到控制台，最终关闭 JDBC 的连接资源 // Call the predefined SdbUtil class to create a collection space and collection SdbUtil.initCollectionSpace("sample"); Sd
RabbitMQ（一）简介及安装（Windows）
baidu_23701715的博客
10-13 330
Windows下安装RabbitMQ目标内容1、选择RabbitMQ的原因1）、什么是RabbitMQ2）、优点2、RabbitMQ的高性能是如何实现的3、AMQP高级协议&核心概念4、RabbitMQ的整体架构5、RabbitMQ中的消息如何流转6、RabbitMQ的安装1）、下载并安装erlang2）、 下载并安装RabbitMQRabbitMQ常用命令 目标 简要了解RabbitMQ并在Windows系统下成功安装RabbitMQ 内容 1、 选择RabbitMQ的原因 2、RabbitMQ
cpp map 获取所有 key_Spark存储Parquet数据到Hive，对map、array、struct字段类型的处理...
weixin_39630441的博客
10-21 190
Spark存储Parquet数据到Hive，对map、array、struct字段类型的处理​mp.weixin.qq.com利用Spark往Hive中存储parquet数据，针对一些复杂数据类型如map、array、struct的处理遇到的问题？为了更好的说明导致问题的原因、现象以及解决方案，首先看下述示例：-- 创建存储格式为parquet的Hive非分区表 CREATE EXTERNAL T...
巨杉Tech | 使用 SequoiaDB 分布式数据库搭建JIRA流程管理系统
weixin_34348174的博客
06-13 115
介绍 JIRA是Atlassian公司出品的项目与事务跟踪工具，被广泛应用于缺陷跟踪、客户服务、需求收集、流程审批、任务跟踪、项目跟踪和敏捷管理等工作领域。很多企业与互联网公司都在使用Jira作为内部流程管理系统，进行团队协作与问题单管理。 JIRA的后台数据库可以选择使用嵌入式数据库或MySQL/PGSQL等专业数据库。一般来说，大部分企业选择MySQL作为底层的数据存储。但是，随着问...
巨杉数据库MySQL_【巨杉数据库SequoiaDB】巨杉Tech |巨杉数据库的HTAP场景实践
weixin_39654436的博客
01-28 370
01背景由于业务形式的发展，越来越多的需求需要对交易数据进行实时分析，例如推荐、决策、监控等，传统的处理办法是使用ETL的方式把OLTP业务产生的数据同步到OLAP的数据数据库，导致了数据需要在不同的数据库之间流转，耗费时间成本的同时需要耗费人力成本运维多套数据库产品。近年来业界开始兴起HTAP的概念，对于数据库，HTAP代表一个数据库既能支持OLTP(在线事务处理)，又能支持OLAP(在线分析处...
Spark作为ETL工具与SequoiaDB的结合应用
weixin_33976072的博客
12-05 153
一、前言 ETL一词较常用于数据仓库，但其对象并不仅限于数据仓库。ETL是指将数据从源系统中经过抽取（Extract）、转换（Transform）、加载（Load）到目标数据存储区的过程。常见的ETL工具有Oracle Data Integrator、Informatica PowerCenter、DataStage、Kettle、Dat...
field.delim 和serialization.format作用
youhuakongzhi的博客
04-21 8763
field.delim是表的两个列字段之间的文件中的字段分隔符. 其中serialization.format是文件序列化时表中两个列字段之间的文件中的字段分隔符.
初步了解SequoiaDB数据库
大数据技术研究
09-27 3443
随着企业中日益复杂与多变的需求，以及迅速扩展带来的海量数据的业务，IT部门需要将越来越多的信息提供给用户，同时在现今的全球经济背景环境下，IT部 门还需要在提供高效服务的同时，降低其设备与程序维护成本。SequoiaDB作为全球第一家企业级文档式非关系型数据库，则提供了诸如此类（高可扩展 性、高可用性、高性能、易维护、低成本）的全方位平台。下面从其特点、数据模型、系统架构等三个方面来了解Sequo
spark on yarn部署
最新发布
04-30
以下是 Spark on YARN 的部署步骤： 1. 安装 Hadoop 集群：在所有节点上安装 Hadoop 集群。确保每个节点都能够互相通信。 2. 安装 Spark：在每个节点上安装 Spark。确保 Spark 版本与 Hadoop 版本兼容。 3. 配置 ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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