Python爬虫笔记【一】模拟用户访问之Tesseract-ocr验证码训练（5）

最新推荐文章于 2024-08-18 23:40:08 发布
最新推荐文章于 2024-08-18 23:40:08 发布
阅读量143 收藏
点赞数
文章标签： 爬虫 python 人工智能
原文链接：http://www.cnblogs.com/dfy-blog/p/11563839.html
版权

验证码处理之后就需要对处理的验证码进行识别训练，这里用Tesseract-ocr工具进行识别，用jTessBoxeditor进行训练生成模板。

一，对图片进行处理

 

 

 利用上一篇代码对图片进行降噪处理，得到较为清晰地图片。

 

 

这里需要你在需要登入的网站中提取大量的验证码图片，在获取图片时，查看网站的登入框是否在iframe标签中，已经图片是否有需要点击输入框才会出现，若是如此，可以用selenium中driver来跳转iframe标签，用点击事件来显示验证码，然后再获取src属性进行下载。

 

二，生成tif文件

 

在获取一定数量验证码后（储存在images中），打开jTessBoxeditor，Tools>Merge TIFF

 

选择之前保存图片的文件，shift将文件全选，注意文件显示的格式

 

 

 

之后选择生成fift路径以及设置名称此处名称要设置为这样的格式[lang].[fontname].exp[num].tif

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

 三，生成box文件

 这样遍将多个jpg文件合成一个tif文件（可能显示的是一个验证码），然后我们需要利用tif文件来生成box文件。

再打开jTessBoxEditor（如果之前有其他好点的模板就选择其他的，这样自动识别的会多一点，省之后的人力）。

 这一步之后就会在 tif 文件目录下生成一个box文件，在jTessBoxEditor中打开（如图 ↓ ）

四，调整位置

如果模板较好的话会出现这样的文件（也许位置可能没有识别的这么准，那个就需要人工调节，记得保存，下面可以翻页）

 

 也有可能是这样

 

 如果是这样的话，你需要用文本方式打开box文件（六列分别对应，值，位置*4，页码值-1），我们需要创建的1~7页的那四行，随便找四行复制一下，然后改一下页码，没有框的几个验证码有了，然后再调整位置。（注意最后的一列为  页码数-1 ）

 

 在调整完所有验证码后，在tif文件目录下建立一个新建名为下xxx.font_properties的文本文件(xxx与自定义语言名称相同）内容为 font 0 0 0 0 0
之后再去txt后缀

五，训练

这样 tif，box，font_properties文件都有了，就可以生成模板了

 

 训练完之后就在tif文件下生成了tessdata文件夹，里面便是训练完成模板mob.traineddata，将模板移动到Tesseract—ocr>tessdata目录下，这样便可以用Tesseract-ocr识别验证码

from PIL import Image
from pytesseract import *
from fnmatch import fnmatch
from queue import Queue
import matplotlib.pyplot as plt
import cv2
import time
import os


def clear_border(img,img_name):
  '''去除边框
  '''

  h, w = img.shape[:2]
  for y in range(0, w):
    for x in range(0, h):
      # if y ==0 or y == w -1 or y == w - 2:
      if y < 4 or y > w -4:
        img[x, y] = 255
      # if x == 0 or x == h - 1 or x == h - 2:
      if x < 4 or x > h - 4:
        img[x, y] = 255


  return img

def interference_line(img, img_name):
  '''
  干扰线降噪
  '''

  h, w = img.shape[:2]
  # ！！！opencv矩阵点是反的
  # img[1,2] 1:图片的高度，2：图片的宽度
  for r in range(0,2):
    for y in range(1, w - 1):
      for x in range(1, h - 1):
        count = 0
        if img[x, y - 1] > 245:
          count = count + 1
        if img[x, y + 1] > 245:
          count = count + 1
        if img[x - 1, y] > 245:
          count = count + 1
        if img[x + 1, y] > 245:
          count = count + 1
        if count > 2:
          img[x, y] = 255

  return img

def interference_point(img,img_name, x = 0, y = 0):
    """点降噪
    9邻域框,以当前点为中心的田字框,黑点个数
    :param x:
    :param y:
    :return:
    """
    # todo 判断图片的长宽度下限
    cur_pixel = img[x,y]# 当前像素点的值
    height,width = img.shape[:2]

    for y in range(0, width - 1):
      for x in range(0, height - 1):
        if y == 0:  # 第一行
            if x == 0:  # 左上顶点,4邻域
                # 中心点旁边3个点
                sum = int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右上顶点
                sum = int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            else:  # 最上非顶点,6邻域
                sum = int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 3 * 245:
                  img[x, y] = 0
        elif y == width - 1:  # 最下面一行
            if x == 0:  # 左下顶点
                # 中心点旁边3个点
                sum = int(cur_pixel) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x, y - 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右下顶点
                sum = int(cur_pixel) \
                      + int(img[x, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y - 1])

                if sum <= 2 * 245:
                  img[x, y] = 0
            else:  # 最下非顶点,6邻域
                sum = int(cur_pixel) \
                      + int(img[x - 1, y]) \
                      + int(img[x + 1, y]) \
                      + int(img[x, y - 1]) \
                      + int(img[x - 1, y - 1]) \
                      + int(img[x + 1, y - 1])
                if sum <= 3 * 245:
                  img[x, y] = 0
        else:  # y不在边界
            if x == 0:  # 左边非顶点
                sum = int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])

                if sum <= 3 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右边非顶点
                sum = int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x - 1, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1])

                if sum <= 3 * 245:
                  img[x, y] = 0
            else:  # 具备9领域条件的
                sum = int(img[x - 1, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1]) \
                      + int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 4 * 245:
                  img[x, y] = 0
              
    return img

def _get_dynamic_binary_image(filedir,img_name):
  '''
  自适应阀值二值化
  '''
  filename =   './easy_code/' + img_name.split('.')[0] + '-binary.jpg'
  img_name = filedir + '/' + img_name
  im = cv2.imread(img_name)
  im = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)

  th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)

  return th1

def recognize():
  i = 0
  filedir = './images'  #验证码路jing
  for file in os.listdir(filedir):
    if fnmatch(file, '*.jpg'):
      img_name = file
      # 自适应阈值二值化
      im = _get_dynamic_binary_image(filedir,img_name)
      # 去除边框
      im = clear_border(im,img_name)
      # 对图片进行干扰线降噪
      im = interference_line(im,img_name)
      # 对图片进行点降噪
      im = interference_point(im,img_name)
      # easy_code为图片清理后保存路径
      filename =  './easy_code/' + img_name.split('.')[0] + '-interferencePoint.jpg'
      cv2.imwrite(filename,im)
      # 'mob'为模板
      str_img = pytesseract.image_to_string(im, lang='mob')
      code = str_img.encode("GBK","ignore").decode('GBK')
      if code.replace(' ','') == img_name.split('.')[0]:
        i = i + 1
      print(code)
      print('---' + str(i))
recognize()
View Code

 

from PIL import Image
from pytesseract import *
from fnmatch import fnmatch
from queue import Queue
import matplotlib.pyplot as plt
import cv2
import time
import os


def clear_border(img,img_name):
  '''去除边框
  '''

  h, w = img.shape[:2]
  for y in range(0, w):
    for x in range(0, h):
      # if y ==0 or y == w -1 or y == w - 2:
      if y < 4 or y > w -4:
        img[x, y] = 255
      # if x == 0 or x == h - 1 or x == h - 2:
      if x < 4 or x > h - 4:
        img[x, y] = 255


  return img

def interference_line(img, img_name):
  '''
  干扰线降噪
  '''

  h, w = img.shape[:2]
  # ！！！opencv矩阵点是反的
  # img[1,2] 1:图片的高度，2：图片的宽度
  for r in range(0,2):
    for y in range(1, w - 1):
      for x in range(1, h - 1):
        count = 0
        if img[x, y - 1] > 245:
          count = count + 1
        if img[x, y + 1] > 245:
          count = count + 1
        if img[x - 1, y] > 245:
          count = count + 1
        if img[x + 1, y] > 245:
          count = count + 1
        if count > 2:
          img[x, y] = 255

  return img

def interference_point(img,img_name, x = 0, y = 0):
    """点降噪
    9邻域框,以当前点为中心的田字框,黑点个数
    :param x:
    :param y:
    :return:
    """
    # todo 判断图片的长宽度下限
    cur_pixel = img[x,y]# 当前像素点的值
    height,width = img.shape[:2]

    for y in range(0, width - 1):
      for x in range(0, height - 1):
        if y == 0:  # 第一行
            if x == 0:  # 左上顶点,4邻域
                # 中心点旁边3个点
                sum = int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右上顶点
                sum = int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            else:  # 最上非顶点,6邻域
                sum = int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 3 * 245:
                  img[x, y] = 0
        elif y == width - 1:  # 最下面一行
            if x == 0:  # 左下顶点
                # 中心点旁边3个点
                sum = int(cur_pixel) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x, y - 1])
                if sum <= 2 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右下顶点
                sum = int(cur_pixel) \
                      + int(img[x, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y - 1])

                if sum <= 2 * 245:
                  img[x, y] = 0
            else:  # 最下非顶点,6邻域
                sum = int(cur_pixel) \
                      + int(img[x - 1, y]) \
                      + int(img[x + 1, y]) \
                      + int(img[x, y - 1]) \
                      + int(img[x - 1, y - 1]) \
                      + int(img[x + 1, y - 1])
                if sum <= 3 * 245:
                  img[x, y] = 0
        else:  # y不在边界
            if x == 0:  # 左边非顶点
                sum = int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])

                if sum <= 3 * 245:
                  img[x, y] = 0
            elif x == height - 1:  # 右边非顶点
                sum = int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x - 1, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1])

                if sum <= 3 * 245:
                  img[x, y] = 0
            else:  # 具备9领域条件的
                sum = int(img[x - 1, y - 1]) \
                      + int(img[x - 1, y]) \
                      + int(img[x - 1, y + 1]) \
                      + int(img[x, y - 1]) \
                      + int(cur_pixel) \
                      + int(img[x, y + 1]) \
                      + int(img[x + 1, y - 1]) \
                      + int(img[x + 1, y]) \
                      + int(img[x + 1, y + 1])
                if sum <= 4 * 245:
                  img[x, y] = 0
              
    return img

def _get_dynamic_binary_image(filedir,img_name):
  '''
  自适应阀值二值化
  '''
  filename =   './easy_code/' + img_name.split('.')[0] + '-binary.jpg'
  img_name = filedir + '/' + img_name
  im = cv2.imread(img_name)
  im = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)

  th1 = cv2.adaptiveThreshold(im, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 21, 1)

  return th1

def recognize():
  i = 0
  filedir = './images'  #验证码路jing
  for file in os.listdir(filedir):
    if fnmatch(file, '*.jpg'):
      img_name = file
      # 自适应阈值二值化
      im = _get_dynamic_binary_image(filedir,img_name)
      # 去除边框
      im = clear_border(im,img_name)
      # 对图片进行干扰线降噪
      im = interference_line(im,img_name)
      # 对图片进行点降噪
      im = interference_point(im,img_name)
      # easy_code为图片清理后保存路径
      filename =  './easy_code/' + img_name.split('.')[0] + '-interferencePoint.jpg'
      cv2.imwrite(filename,im)
      # 'mob'为模板
      str_img = pytesseract.image_to_string(im, lang='mob')
      code = str_img.encode("GBK","ignore").decode('GBK')
      if code.replace('

查阅过的博客：

　　《Python Tesseract识别验证码》：https://blog.csdn.net/u011457798/article/details/84063963

　　《使用Tesseract破解验证码并训练字库的方法》：https://blog.csdn.net/makesibushuohua/article/details/52058310

转载于:https://www.cnblogs.com/dfy-blog/p/11563839.html

dayou8948
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Python机器学习的简单验证码识别（基于SVM）
qq_42686550的博客
08-08 3965
验证码识别是一个适合入门机器学习的项目，本人经过几天学习，做了一套验证码识别，分享给大家： 这一批验证码较为简单，是基本的数字，没有字母，有字母方法一样 就是建立训练库的时候麻烦点. 首先我们有以下这几个主要的库： import urllib.request import pytesseract from PIL import Image import time import cv2 i...
强智教务系统验证码识别 Tensorflow CNN
WindrunnerMax
02-16 2091
强智教务系统验证码识别 CNN 一直都是使用API取得数据，但是API提供的数据较少，且为了防止API关闭，先把验证码问题解决 使用Tensorflow训练模型，强智教务系统的验证码还是比较简单的，不用CNN一样可以识别的很好，使用CNN也算是重新温习一下CNN 训练集3109张，测试集128张，训练1600次，ACC为99%，实际测试准确率98%左右 目录结构 准备工作 首先需要手打码，自...
python tesseract验证码识别（验证码未粘连）
wyw875960418的博客
07-13 1094
需要的库和工具及安装 其中会用到以下几个库和工具： 工具： tesseract tesseract下载地址：https://digi.bib.uni-mannheim.de/tesseract/ 1.下载适合自己版本（32或者64位）的非dev的exe文件，然后一路安装下去。 注：如果需要支持多国语言，到这个步骤的时候它勾选上，默认支持英文： 2.配置环境变量 path 里面配置tesseract的安装路径： 3.验证安装是否成功： cmd，然后输入验证tesseract...
对于PIL中打开图片时出现警告导致pytesseract识别图片验证码时报错
大戴的博客
03-20 6361
一、问题的出现 为了做个自动选课的小脚本，废了不少功夫。感觉比自己手动抢麻烦了许多。不过，谁让咱家就喜欢倒腾，所以，在选课期间，花了一天的时间把这个自动抢课脚本搞好了，当然还有许多需要继续完善的地方，就留在后期慢慢修正吧。 在这个过程里，遇到头疼的问题估计就是模仿选课请求和自动登录这两件事。选课暂且不谈，在此我只想将一个在自动登录上让我有些莫名其妙的问题和对他的解决方法给阐述了。但愿有同样问题...
tesseract 训练入门--记一次50张简单验证码的训练过程
西瓜霜的博客
05-23 5223
省略各种tesseract和各种包的安装，默认有python基础 需要有java环境以便操作训练工具jTessboxeditor，jdk和训练辅助工具的安装此处不讨论. 本人使用ubuntu18.04 环境，训练工具是在windows虚拟机上安装java后使用的 1. 得到验证码图片 发现安居客的验证码较为简单，这里借用安居客验证码接口下载验证码，代码仅供参考，验证接口也许以...
python 验证码识别训练_Python爬虫笔记【一】模拟用户访问之Tesseract-ocr验证码训练（5）...
weixin_39761655的博客
12-10 266
验证码处理之后就需要对处理的验证码进行识别训练，这里用Tesseract-ocr工具进行识别，用jTessBoxeditor进行训练生成模板。一，对图片进行处理利用上一篇代码对图片进行降噪处理，得到较为清晰地图片。这里需要你在需要登入的网站中提取大量的验证码图片，在获取图片时，查看网站的登入框是否在iframe标签中，已经图片是否有需要点击输入框才会出现，若是如此，可以用selenium中driv...
Python学习笔记--Python 爬虫入门 -17-11 tesseract-OCR
Aimmon
09-10 255
一.Tesseract 安装教程请参考: https://jingyan.baidu.com/article/219f4bf788addfde442d38fe.html 这里说明两点关于配置环境变量的地方: 1.1在环境变量PATH，把tesseract-ocr的安装路径添加进去。 D:\softWare\tesseract\Tesseract-OCR 注意，添加时候开头用“;”跟之...
Python文字识别之tesseract-ocr安装包和中文语言包chi_sim.traineddata下载
06-19
本资源提供Python文字识别之tesseract-ocr安装包和中文语言包chi_sim.traineddata免费下载。 tesseract-ocr：tesseract-ocr-w64-setup-v5.1.0.20220510.exe； 中文语言包：chi_sim.traineddata
Tesseract-OCR 训练工具
08-21
在给定的资源中，我们提到的"训练工具"主要是指`jTessBoxEditor`，这是一个用于Tesseract OCR字体库训练的图形界面工具。它使得用户能够更加直观和便捷地创建和编辑用于训练的数据。 **一、jTessBoxEditor介绍** `...
tesseract-ocr 验证码识别 32位 最新版 4.1
12-10
tesseract-ocr 验证码识别 32位 最新版 4.1 tesseract-ocr 验证码识别 32位 最新版 4.1 tesseract-ocr 验证码识别 32位 最新版 4.1 tesseract-ocr 验证码识别 32位 最新版 4.1
linux系统下搭建Tesseract-OCR环境所需安装包、中文语言包及训练所需软件
03-22
在Linux系统中搭建Tesseract-OCR环境是一项关键任务，它涉及到图像识别技术，特别是对于文本自动提取和处理。Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，由Google维护，广泛...
Python3.6使用tesseract-ocr的正确方法
09-20
通过阅读这篇文章，我们了解到tesseract-ocr是一个强大的OCR工具，而Python的pytesseract模块是一个方便的接口，可以帮助我们更容易地在Python程序中集成tesseract-ocr的功能。此外，文章还提醒我们在使用过程中可能...
Python3网络爬虫开发实战（9）代理的使用 （需补充代理池的构建）
bigcrab的博客
08-15 735
未完待续
Python——爬虫
2302_81225694的博客
08-10 2060
上述代码中的示例网页URL为https://www.example.com，你可以将其替换为你所需爬取的网页地址。代码首先使用requests库发送HTTP GET请求获取网页内容，然后使用BeautifulSoup库解析网页内容。最后提取了网页的标题和所有链接，并打印出来。当编写一个Python爬虫时，你可以使用BeautifulSoup库来解析网页内容，使用requests库来获取网页的HTML代码。请注意，爬取网页时需要尊重网站的使用规则，并遵守相关法律法规。
【精选】基于Python大型购物商城系统（京东购物商城，淘宝购物商城，拼多多购物商城爬虫系统）
程序员阿龙的博客
08-18 885
对购物商城管理的流程进行科学整理、归纳和功能的精简，通过软件工程的研究方法，结合当下流行的互联网技术，最终设计并实现了一个简单、易操作的购物商城系统。内容包括系统的设计思路、系统模块和实现方法。系统使用过程主要涉及到管理员和用户两种角色，主要包含个人中心、用户管理、商品类别管理、热卖商品管理、投诉建议、系统管理、订单管理等功能。系统开发主要在 Windows 系统下进行，采用支持跨平台的 Python语言开发完成，因此可以运行在任意开发环境下。
【Python】 Scrapy 爬虫：如何设置深度优先与广度优先采集策略
最新发布
2333333
08-18 466
广度优先（BFS）：广度优先算法从起始点开始，优先访问与其直接相连的所有节点，然后再访问这些节点的相邻节点，依次展开。广度优先的特点是“先横向再纵向”，即会优先遍历当前层的所有页面，再继续遍历下一层。深度优先（DFS）：深度优先算法则是优先访问当前节点的子节点，然后依次深入。深度优先的特点是“先纵向再横向”，即会一直深入遍历下一级页面，直到达到某个终点才返回遍历下一个节点。示例对比：广度优先：Level 1 -> Level 2 -> Level 3 -> …
Scrapy框架进行数据采集详细实现
weixin_49081159的博客
08-14 997
在本学期的python课程中，通过网课粗略的掌握了python的基础知识之后，老师提出通过运用python的模块进行附加的学习，于是我选择了Scrapy框架的学习，由此为基础对于链家网站的信息进行了爬取数据的操作，并将爬取的数据保存。这个项目提高了我的python编程水平，使得我对于爬虫技术的了解更加深入，粗略掌握了如何使用Scrapy框架进行爬虫操作，懂得了python的附加模块的强大之处，也激发了继续学习编程的兴趣。.py文件，修改对返回页面的处理，修改对新增URL爬取请求的处理。
18.3 Web爬虫之数据存储与处理
在路上的专栏
08-16 352
在网络爬虫的世界中，抓取数据只是第一步，如何高效地存储和处理这些数据同样至关重要。本篇文章将深入探讨Web爬虫中的数据存储与处理方法，从简单的文件存储到高级的数据库处理，以及如何在处理海量数据时保证效率和准确性。通过丰富的代码示例和生动的故事情节，我们将帮助你掌握在Python中使用不同技术处理爬取数据的最佳实践。
python tesseract-ocr训练
03-16
Python Tesseract-OCR训练是指使用Python编程语言和Tesseract-OCR软件进行OCR训练的过程。Tesseract-OCR是一个开源的OCR引擎，可以识别多种语言的文字。通过Python Tesseract-OCR训练，可以提高Tesseract-OCR的识别...
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