Hadoop+Spark大数据巨量分析与机器学习整合开发实战

最新推荐文章于 2023-12-08 00:25:31 发布
最新推荐文章于 2023-12-08 00:25:31 发布
阅读量1.2k 收藏 8
点赞数
文章标签： 大数据 人工智能 python
原文链接：http://www.cnblogs.com/humz/p/10825214.html
版权

ISBN 978-7-302-45375-8

简介

Hadoop

大数据存储与处理平台

HDFS（Hadoop Distributed File System）

批处理，而非实时互动处理。提高存取大量数据的能力，牺牲响应时间。

文件存储架构：

  • 文件分割
  • 区块（block）副本
  • 机架（rack）感知

HDFS-Arch

NameNode：管理和维护HDFS目录系统并控制文件的读写操作

DataNode：存储数据

Hadoop MapReduce

Map：将任务分割成更小任务，由每台服务器分别运行

Reduce：将所有服务器的运算结果汇总整理，返回最后结果

MapReduce2：YARN（Yet Another Resource Negotiator）

YARN

Spark

集群运算框架（基于内存）

MapReduce在运算时，需要将中间数据存储在硬盘中，导致磁盘I/O成为性能瓶颈，出现读写数据延迟的问题。

in-memory计算框架：

HDFS读取 -> 内存写入 -> 内存读取 -> 内存写入 -> 内存读取 -> HDFS写入

MapReduce：

HDFS读取 -> HDFS写入 -> HDFS读取 -> HDFS写入 -> HDFS读取 -> HDFS写入

弹性：

  • streaming数据流处理
  • SQL互动分析
  • MLlib机器学习
  • 图表计算

安装

test on Debian 9.9 Linux 4.9.0-8-amd64

Hadoop single node cluster

JDK

Hadoop是Java开发的，首先安装JDK。

java -version

系统中已经有OpenJDK 1.8了，考虑到实验（分布式大规模数据函数依赖发现）要求，后面编译时需要兼容JDK 1.7。

查看安装路径，一般为/usr/lib/jvm/java-8-openjdk-amd64。

update-alternatives --display java
SSH

NameNode远程连接DataNode进行管理，安装SSH并设置为无需手动输入密码。

sudo apt-get install ssh
sudo apt-get install rsync

产生SSH Key

ssh-keygen -t rsa -C "youremail@example.com"

公钥加入许可证文件，从而无密码登录本机。

cat .ssh/id_rsa.pub >> .ssh/authorized_keys
Hadoop
wget http://archive.apache.org/dist/hadoop/common/hadoop-2.7.3/hadoop-2.7.3.tar.gz
sudo tar -zxvf hadoop-2.7.3.tar.gz
sudo mv hadoop-2.7.3 /usr/local/hadoop

在.bashrc中设置环境变量：

export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64
export HADOOP_HOME=/usr/local/hadoop
export PATH=$PATH:$HADOOP_HOME/bin
export PATH=$PATH:$HADOOP_HOME/sbin
export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export HADOOP_OPTS="-Djava.library.path=$HADOOP_HOME/lib"
export JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/native:$JAVA_LIBRARY_PATH

修改Hadoop配置文件

/usr/local/hadoop/etc/hadoop/hadoop-env.sh

必须显式给出。

# The java implementation to use.
#export JAVA_HOME=${JAVA_HOME}
export JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64

/usr/local/hadoop/etc/hadoop/core-site.xml

<configuration>
<property>
  <name>fs.default.name</name>
  <value>hdfs://localhost:9000</value>
</property>
</configuration>

/usr/local/hadoop/etc/hadoop/yarn-site.xml

<configuration>

<!-- Site specific YARN configuration properties -->

<property>
  <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
  <value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
</configuration>

设置监控Map与Reduce程序的JobTracker任务分配情况以及JobTracker任务运行情况。

sudo cp /usr/local/hadoop/etc/hadoop/mapred-site.xml.template /usr/local/hadoop/etc/hadoop/mapred-site.xml
<configuration>
<property>
  <name>mapreduce.framework.name</name>
  <value>yarn</value>
</property>
</configuration>

/usr/local/hadoop/etc/hadoop/hdfs-site.xml

<configuration>
<property>
  <name>dfs.replication</name>
  <value>3</value>
</property>
<property>
  <name>dfs.namenode.name.dir</name>
  <value>file:/usr/local/hadoop/hadoop_data/hdfs/namenode</value>
</property>
<property>
  <name>dfs.datanode.data.dir</name>
  <value>file:/usr/local/hadoop/hadoop_data/hdfs/datanode</value>
</property>
</configuration>

创建并格式化HDFS目录

sudo mkdir -p /usr/local/hadoop/hadoop_data/hdfs/namenode
sudo mkdir -p /usr/local/hadoop/hadoop_data/hdfs/datanode
sudo chown username:groupname -R /usr/local/hadoop
hadoop namenode -format

启动

start-dfs.sh
start-yarn.sh

查看

Java Virtual Machine Process Status Tool：jps

Web：

  • Hadoop ResourceManager：http://localhost:8088/
  • HDFS：http://localhost:50070/

Hadoop Multi Node Cluster

通过复制Single Node Cluster创建多个虚拟主机代替实体服务器的方法可以作为演练，但是不能享受并行处理的优势。

下面不采用书上多个虚拟机的方法，而是实现一个本机作为master，在docker上建立多个slave的架构。

arch

Docker
  1. 安装
  2. 设置sudo权限
  3. 使用国内仓库镜像站：在/etc/default/docker文件最后加一行DOCKER_OPTS="--registry-mirror=https://registry.docker-cn.com"
  4. 制作docker容器镜像，也可以去docker hub下载。
制作Single Node Cluster镜像

启动一个ubuntu容器：docker container run -it ubuntu bash

按Ctrl-d退出，查看容器id：docker container ls --all

复制Hadoop安装包：docker cp hadoop-2.7.3.tar.gz id:/root/

回到容器：docker container start -i id

一些辅助工作，然后重复Single Node Cluster的步骤：

apt-get update
apt-get install openjdk-8-jdk
apt-get install vim
apt-get install net-tools
apt-get install inetutils-ping
mkdir /run/sshd
echo /usr/sbin/sshd >> ~/.bashrc

保存为新镜像：docker commit -a "author" -m "hadoop single node cluster on ubuntu" id hadoop

制作slave服务器镜像

启动：docker container run -it hadoop

修改/usr/local/hadoop/etc/hadoop/core-site.xml：

<property>
  <name>fs.default.name</name>
  <value>hdfs://master:9000</value>
</property>

修改/usr/local/hadoop/etc/hadoop/yarn-site.xml：

<property>
  <name>yarn.resourcemanager.resource-tracker.address</name>
  <value>master:8025</value>
</property>
<property>
  <name>yarn.resourcemanager.scheduler.address</name>
  <value>master:8030</value>
</property>
<property>
  <name>yarn.resourcemanager.address</name>
  <value>master:8050</value>
</property>

修改/usr/local/hadoop/etc/hadoop/mapred-site.xml：

<!--
<property>
  <name>mapreduce.framework.name</name>
  <value>yarn</value>
</property>
-->
<property>
  <name>mapred.job.tracker</name>
  <value>master:54311</value>
</property>

修改/usr/local/hadoop/etc/hadoop/hdfs-site.xml：

<!--
<property>
  <name>dfs.namenode.name.dir</name>
  <value>file:/usr/local/hadoop/hadoop_data/hdfs/namenode</value>
</property>
-->

把host的SSH Key写入~/.ssh/authorized_keys。

保存镜像：docker commit -a "author" -m "hadoop slave on ubuntu" id hadoop-slave

实例化三个镜像容器：

docker container run -it -h slave1 --name slave1 hadoop-slave
docker container run -it -h slave2 --name slave2 hadoop-slave
docker container run -it -h slave3 --name slave3 hadoop-slave

分别在三个容器中使用ifconfig查看ip，然后设置/etc/hosts。

设置master服务器

网络配置：

172.17.0.1  master
172.17.0.2  slave1
172.17.0.3  slave2
172.17.0.4  slave3

修改下列文件同slave服务器：

/usr/local/hadoop/etc/hadoop/core-site.xml

/usr/local/hadoop/etc/hadoop/yarn-site.xml

/usr/local/hadoop/etc/hadoop/mapred-site.xml

修改/usr/local/hadoop/etc/hadoop/hdfs-site.xml：

<!--
<property>
  <name>dfs.datanode.data.dir</name>
  <value>file:/usr/local/hadoop/hadoop_data/hdfs/datanode</value>
</property>
-->

设置/usr/local/hadoop/etc/hadoop/slaves文件。

设置~/.ssh/config默认登录用户名为root。

启动

在每个服务器上删除并重建namenode和datanode目录后，在master上格式化并启动。

问题：当master直接在host os上时，遇到了8088显示3 nodes，而50070显示0 live nodes的问题，把master也放到docker上就没有问题。试了很多解决方案都不行，看来只能先在docker中的master上继续了。

Hadoop HDFS 命令

hadoop fs -*

Hadoop MapReduce

WordCount

计算文件中每一个英文单词出现的次数，包含如下几步：

  1. Map：将文字转换为(key,value)，其中key是word，value是其出现次数
  2. Shuffle：将相同的key排列在一起
  3. Reduce：将相同key的value相加

编辑WordCount.java

设置环境变量

export PATH=${JAVA_HOME}/bin:${PATH}
export HADOOP_CLASSPATH=${JAVA_HOME}/lib/tools.jar

编译（书上第一条命令有误，javac的j不大写）

hadoop com.sun.tools.javac.Main WordCount.java
jar cf wc.jar WordCount*.class

创建测试文本

cp /usr/local/hadoop/LICENSE.txt input/
cd input
hadoop fs -mkdir -p /user/root/wordcount/input
hadoop fs -copyFromLocal LICENSE.txt /user/root/wordcount/input
hadoop fs -ls -R /

运行并查看

hadoop jar wc.jar WordCount /user/root/wordcount/input/LICENSE.txt /user/root/wordcount/output
hadoop fs -ls /user/root/wordcount/output
hadoop fs -cat /user/root/wordcount/output/part-r-00000 | more
缺点
  1. 设计模式不易用，API较低级，开发效率低
  2. 中间数据保存到硬盘，运行效率低
  3. 不支持实时处理，原始设计以批处理为主

Spark

cluster

Cluster Manager运行模式：

  1. Local Machine
  2. Spark Standalone Cluster
  3. Hadoop YARN
  4. 云端（例如AWS的EC2平台）
安装Scala
wget https://www.scala-lang.org/files/archive/scala-2.10.4.tgz
tar xvf scala-2.10.4.tgz
sudo mv scala-2.10.4 /usr/local/scala

export SCALA_HOME=/usr/local/scala
export PATH=$PATH:$SCALA_HOME/bin
安装Spark
wget https://archive.apache.org/dist/spark/spark-2.1.3/spark-2.1.3-bin-hadoop2.7.tgz
tar zxf spark-2.1.3-bin-hadoop2.7.tgz
sudo mv spark-2.1.3-bin-hadoop2.7 /usr/local/spark

export SPARK_HOME=/usr/local/spark
export PATH=$PATH:$SPARK_HOME/bin

使用spark-shell启动可以看到Spark和Scala的版本，由于Spark内置Scala的原因，显示的Scala版本可能与之前安装的不同。

配置spark-shell显示信息：

cd /usr/local/spark/conf
cp log4j.properties.template  log4j.properties

把log4j.rootCategory的值由INFO改为WARN。

Local Machine

启动Hadoop之后执行spark-shell --master local[4]。

读取本地文件：

var textFile=sc.textFile("file:/usr/local/spark/README.md")
textFile.count

读取HDFS文件：

var textFile=sc.textFile("hdfs://master:9000/user/root/wordcount/input/LICENSE.txt")
textFile.count
Hadoop YARN

书上的Spark版本较旧，已经不再适用。

Spark Standalone Cluster

配置/usr/local/spark/conf/spark-env.sh：

# - SPARK_NICENESS      The scheduling priority for daemons. (Default: 0)
export SPARK_MASTER_IP=master
export SPARK_WORKER_CORES=1
export SPARK_WORKER_MEMORY=800m
export SPARK_WORKER_INSTANCES=2

把spark目录复制到slave结点：

ssh slave1
mdkir /usr/local/spark
exit
scp -r /usr/local/spark/ root@slave1:/usr/local

配置/usr/local/spark/conf/slaves同/usr/local/hadoop/etc/hadoop/slaves。

启动/usr/local/spark/sbin/start-all.sh，可以看到服务器数*worker实例数（3*2）共6个worker。

在Spark Standalone运行spark-shell：spark-shell --master spark://master:7077。

在Spark Standalone Web UIhttp://master:8080可以看到启动的worker和当前运行的程序spark-shell。

停止：/usr/local/spark/sbin/stop-all.sh。

Spark WordCount
mkdir -p /root/projects/wordcount/data
cd /root/projects/wordcount/data
vim test.txt
Apple Apple Orange
Banana Grape Grape
spark-shell
val textFile=sc.textFile("file:/root/projects/wordcount/data/test.txt")
val stringRDD=textFile.flatMap(line => line.split(" "))
val countsRDD=stringRDD.map(word => (word, 1)).reduceByKey(_ + _)
countsRDD.saveAsTextFile("file:/root/projects/wordcount/data/output")

转载于:https://www.cnblogs.com/humz/p/10825214.html

daxia665544
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
《大数据技术与应用》课程实验报告｜week12｜实验8｜Pig——高级编程环境｜验证评估函数
m0_57656758的博客
06-05 917
验证19.5节中的Pig评估函数的示例。在MapReduce框架中，程序需要被转换为一系列的Map和Reduce阶段。可是，这不是数据分析者熟悉的编程模式。因此，为了对这个鸿沟搭建一座桥梁，建筑在Hadoop之上的、被称为Pig（猪）的抽象运用而生。Pig是一种高级编程语言，用于分析大型数据集。
大数据从入门到实战 - HDFS和MapReduce综合实训
小啊呜的博客
01-13 1万+
大数据从入门到实战 - HDFS和MapReduce综合实训 一、关于此次实践 1、实战简介 2、全部任务 二、实践详解 1、第1关：WordCount 词频统计 2、第 2 关：HDFS 文件读写 3、第 3 关：倒排索引 4、第 4 关：网页排序—— PageRank 算法
大数据Hadoop、MapReduce、Hive项目实践
zhhlk的专栏
11-01 787
大数据Hadoop、MapReduce、Hive项目实践 一．大数据概述 1.1.大数据概念 而所谓的大数据，就是指大量（Volume），多样（Variety），快速（Velocity），价值密度低（Value）的数据，这四个特性也被称为大数据的4V特性，传统数据库面对此类数据遇到全面挑战，才使得大数据技术飞速发展。1.2.大数据的意义 1.2.1.企业之所以要使用大数据，归根结底还是因为需求，业务需求； 企业切换至大数据平台，一种可能是为了解决现有的RDBMS（关系型数据库管理系统）的瓶颈，无论是存储量瓶
（图文详细）云计算与大数据实训作业答案（之篇三HDFS和MapReduce实训 ）
热门推荐
Sunny王维
06-04 2万+
HDFS和MapReduce实训 第1关：WordCount词频统计 第2关：HDFS文件读写 第3关：倒排索引 第4关： 网页排序——PageRank算法 HDFS和MapReduce实训 Hadoop是一个由Apache基金会所开发的分布式系统基础架构，可以在不了解分布式底层细节的情况下，开发分布式程序，以满足在低性能的集群上实现对高容错，高并发的大数据集的...
Hadoop大数据实践-天气分析预测系统，Hadoop大数据技术综合实验：网站访问日志采集、处理及分析
uyuy34的专栏
05-25 1381
Hadoop大数据实践-天气分析预测系统，Hadoop大数据技术综合实验：网站访问日志采集、处理及分析
Hadoop Spark大数据巨量分析与机器学习整合开发实战 ,林大贵
11-23
Hadoop Spark大数据巨量分析与机器学习整合开发实战 ,林大贵 扫描版
Hadoop Spark大数据处理技巧
04-15
大数据开发技巧，包括聚类、关联、回归、共同好友算法等。有两部分，要同时解压才有用。
大数据深度挖掘技术与大数据应用.rar
09-06
4. 数据分析：包括统计分析、数据挖掘、机器学习等，用于揭示数据背后的模式和规律。 5. 数据可视化：Tableau、PowerBI等工具将复杂数据转化为易于理解的图表和报告。 三、大数据深度挖掘 深度挖掘是指通过复杂的...
探索大数据及人工智能习试题库.doc
12-01
3. 大数据的处理技术：包括Hadoop、Spark、Storm等分布式处理技术。 4. 大数据的存储技术：包括HBASE、Hive等分布式存储技术。 5. 大数据的特点：包括Volume、Velocity、 Variety、Veracity等。 人工智能 1. 机器...
《大数据分析》课件-第1章--大数据基础.pptx
10-09
大数据分析的技术包括但不限于Hadoop、Spark、NoSQL数据库、数据挖掘算法、机器学习算法等。 大数据分析的挑战： 大数据分析面临的挑战包括数据质量问题、数据安全问题、数据分析难度高、数据存储和处理难度高等。...
bi_development_source_code:传统大数据分析工具以Hadoop，Spark为代表，集成集成的技术框架，对用户来说又重又笨又不灵活，难以维护和驾驭，国际和国内的敏捷型BI工具在对接时又面临性能本项目独辟蹊径，以阿里开源的DataX为ETL工具，以列式数据库ClickHouse做为中间数据存储源，通过视图关联构建大数据集，解决亿万级数据的即时分析性能，再辅以强大的数据可视化设计前端，通过用户自定义菜单和模板进行呈现，实现用户的自助式分析和探索。通过灵活的预警功能，设置一些自定义的监控指
03-24
数据挖掘 传统大数据分析工具以Hadoop，Spark为代表，集成集成的技术框架，对用户来说又重又笨又不灵活，难以维护和驾驭，国际和国内的敏捷型BI工具在对接时又面临性能本项目独辟蹊径，以阿里开源的DataX为ETL工具，以列式数据库ClickHouse做为中间数据存储源，通过视图关联构建大数据集，解决亿万级数据的即时分析性能，再辅以强大的数据可视化设计前端，通过用户自定义菜单和模板进行呈现，实现用户的自助式分析和探索。 通过灵活的预警功能，设置一些自定义的监控指标，当监控指标超过异常值时，系统会自动以短信，邮件或微信，钉钉等消息推送到相关人员，变原来的被动查询为主动推送，这样就能够及时发现问题。 通过结合人工智能算法的预测模型，可以就未来的趋势做一下预测。 通过以上的技术实现，实现企业不同数据源的集中整合，统一呈现 技术栈 采用前阶段分离技术：SpringBoot，Mybatis，Shi
大数据技术基础实验报告-MapReduce编程.doc
08-21
大数据技术基础实验报告-MapReduce编程
大数据Mapreduce实验
m0_52044416的博客
06-07 313
那怎么实现这个效果嘞，咱心急吃不了热豆腐哈，没有配置好环境的用不了，没有把要处理的文件放在hdfs指定路径下的用不了。把我给大家的jar包放进去吧，或者不和我同版本的同学，我们主要放的是以下几个地址里面的jar宝，你们放自己的也可以。//将job中配置的相关参数，以及job所用的java类所在的jar包， 提交给yarn去运行。//将job中配置的相关参数，以及job所用的java类所在的jar包， 提交给yarn去运行。//遍历集合，找到最大、最小值、统计集合数据条的个数，气温总和。
大数据技术之Hadoop（MapReduce）
成长过程
06-14 1833
MapReduce是一个分布式运算程序的编程框架，是用户开发“基于Hadoop的数据分析应用”的核心框架。MapReduce核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发运行在一个Hadoop集群上。1）什么是序列化序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输。反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象。2）为什么要序列化。
郑轻软工大数据实验（手把手教你入门Hadoop、hbase、spark）
weixin_62543985的博客
12-08 2593
轻大软工21大数据实验 编程实现以下指定功能，并利用Hadoop提供的Shell命令完成相同任务 利用MapReduce编程实现以下功能 编程实现以下功能，并用Hadoop提供的HBase Shell命令完成相同任务。
大数据实战（hadoop+spark+python）：淘宝电商数据分析
linpaomian的博客
03-25 3688
利用docker部署hadoop，spark分布式环境，配合python对淘宝100万条数据进行分析
【项目实战】基于大数据的Hadoop网络电商分析系统Hive数据可视化大屏展示Spark计算机程序设计
qq_2105837402的博客
10-27 983
【项目实战】基于大数据的Hadoop网络电商分析系统Hive数据可视化大屏展示Spark计算机程序设计
【计算机大数据毕设之基于spark+hadoop的大数据分析论文写作参考案例】
laoman456的博客
10-27 8089
【计算机大数据毕设之基于spark+hadoop的大数据分析论文写作参考案例-哔哩哔哩】https://b23.tv/zKOtd3L 目 录 一 引言​1 二 系统分析​2 2.1 必要性和可行性分析​2 2.2 技术分析​2 三 总体设计​4 3.1 可视化界面设计​4 3.2 数据库设计​4 3.3 网页设计​5 四 实验实现​6 4.1 大数据实验环境的搭建​6 4.1.1 Linux系统及相关软件的配置​6 4.1.2 JDK的安装​7 4.1.3 Scala的安装​
Spark机器学习实例
围城
07-09 1万+
2020/07/09 - 引言 《Learning Spark》过程中只是简单介绍了mllib中的东西，没有一个完整的实践过程，暂时还没有去找有没有专门做这种的书，好像我看《spark in action》是有这部分内容，后续在看。本篇文章就利用这个鸢尾花的数据集来简单说明一下spark机器学习的过程，只是简单打下一个轮廓，然后记录使用过程中遇到的问题以及解决方案。 在本文中，主要使用新版面向Da...
还在为搭建集群的期末作业发愁吗？最简单的搭建hadoop+spark+hive大数据集群搭建文档.docx
最新发布
02-18
最简单的Hadoop+Spark大数据集群搭建方法，看这一篇就够啦，给出一个完全分布式hadoop+spark集群搭建完整文档，从环境准备（包括机器名，ip映射步骤，ssh免密，Java等）开始，包括zookeeper,hadoop,hive,spark，eclipse/idea安装全过程，3-4节点，集群部署自己确定，比如集群涉及的多种角色namenode，secondary namenode, datanode,resourcemanager等的节点分配，并用表格形式给出。给出可访问的ip,用户名密码。（阿里云直接给公网ip，校园网需给公网和校园网ip）。要求图文并茂，详细操作步骤，说明，截图。最近有小伙伴私信我，flink 软件安装在虚拟机上很简单，就是安装包解压即可，有没有 hadoop + spark 的安装文档呢？所以今天周六刚好不用上班，花了一天时有需要的小伙伴后续可以在我的资源区下载哦！希望和大家一起进步，有啥不清楚滴地方可以一起交流！ 这一次梳理搭建过程我觉得很有意义，熟悉了各类配置文件之间的关联，以及大数据组件之间的配置关系，很开心和大家分享此文，那就，继续加油吧！

“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