Hive(十) Hive 优化

最新推荐文章于 2023-01-17 10:29:02 发布
最新推荐文章于 2023-01-17 10:29:02 发布
阅读量277 收藏 1
点赞数
分类专栏： 数据仓库Hive
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/donglinjob/article/details/108770221
版权

Hive 优化

关闭 hive 服务器和客户端，node3：hive --service metastore

Node4:hive

1 Fetch 抓取

set hive.fetch.task.conversion=none/more(默认值);

默认做了优化，以下两种情况都不经过 mr，改为 none 后，将走 mr。

以下 SQL 不会转为 Mapreduce 来执行

1. select 仅查询本表字段

select id,name from person;

2. where 仅对本表字段做条件过滤

select id,name,age from person where age =32;

Sql 分析：

explain select * from person;
explain select count(*) from person;
explain extended select count(*) from person;(了解)

2 本地运行模式

set hive.exec.mode.local.auto；#默认 false
hive> select count(*) from person;
Time taken: 24.026 seconds, Fetched: 1 row(s)
hive>set hive.exec.mode.local.auto=true;#开启本地模式
hive>select count(*) from person;
Time taken: 3.747 seconds, Fetched: 1 row(s)

开发和测试阶段使用本地模式，优点快，缺点是 http://node3:8088/cluster 看不到。对于小数据集 hive 通过本地模式在单机上处理任务，执行时间可以明显被缩短。设置 local mr 的最大输入数据量，当输入数据量小于这个值是采用 local mr 的方式，

默认 134217728 也就是 128M。若大于该配置仍会以集群方式来运行！

hive.exec.mode.local.auto.inputbytes.max=134217728

设置 local mr 的最大输入文件个数，当输入文件个数小于这个值是采用 local mr 方式

hive.exec.mode.local.auto.input.files.max=4 #默认 4

3 并行模式：

hive> set hive.exec.parallel; #默认为 false
hive>select t1.ct,t2.ct from (select count(id) ct from person)
t1,(select count(name) ct from person) t2;
看执行过程，Launching Job 1 out of 5 执行完，才执行 Launching Job 2 out of 5
hive>set hive.exec.parallel=true;
hive>select t1.ct,t2.ct from (select count(id) ct from person)
t1,(select count(name) ct from person) t2
Launching Job 1 out of 5 和 Launching Job 2 out of 5 并行执行。但时间有
可能并没有减少，因为需要两套资源，目前还是使用一套。资源充足的情况下，肯定并行更快。
hive> set hive.exec.parallel.thread.number;
hive.exec.parallel.thread.number=8
并行进程默认是 8 个进程同时进行。

4 严格与非严格模式

  • 参数设置
hive> set hive.mapred.mode=strict;
hive> set hive.mapred.mode=nostrict
  • 查询限制：

1、对于分区表，必须添加 where 对于分区字段的条件过滤；

hive> select * from person5;
FAILED: SemanticException [Error 10041]: No partition predicate found
for Alias "person5" Table "person5"
hive> select * from person5 where age=10; #可以查询

2、order by 语句必须包含 limit 输出限制；

hive> select * from person order by id desc;
FAILED: SemanticException 1:30 In strict mode, if ORDER BY is specified,
LIMIT must also be specified. Error encountered near token 'id'
hive> select * from person order by id desc limit 10;
使用 order by 语句必须使用 limit 语句。

3、限制执行笛卡尔积的查询。

      (1) 严格模式下避免出现笛卡尔积。

5 Hive 排序

  • order by - 对于查询结果做全排序，只允许有一个 reduce 处理

（当数据量较大时，应慎用。严格模式下，必须结合 limit 来使用）

  • sort by - 对于单个 reduce 的数据进行排序
  • distribute by - 分区排序，经常和 Sort By 结合使用
  • cluster by - 相当于 sort By + distribute By

（Cluster By 不能通过 asc、desc 的方式指定排序规则；可通过 distribute by column sort by column asc|desc 的方式）

select * from person sort by id desc；

6 分区剪裁、列裁剪

  • 尽可能早的过滤掉尽可能多的数据，避免大量数据流入外层 sql
  • 分区剪裁
  1. 分区在 hive 上本质是目录，分区剪裁可以高效的过滤掉大部分数据。
  2. 尽量使用分区剪裁
  • 列裁剪
  1. 只获取需要的列的数据，减少数据输入。
  2. 少用 select *

select id,name From (select id,name from person) tmp

7 Hive - JVM 重用

适用场景：

1、小文件个数过多

2、task 个数过多

通过 set mapred.job.reuse.jvm.num.tasks=n; 来设置

（n 为 task 插槽个数）默认为 1。

优点：JVM 重用使得 JVM 实例在同一个 Job 中重新使用多次，减少进程启动和销毁时间和频繁申请资源的系统开销。

缺点：设置开启之后，task 插槽会一直占用资源，不论是否有 task 运行，直到所有的 task即整个 job 全部执行完成时，才会释放所有的 task 插槽资源！

8 推测执行

根据一定的法则推测出“拖后腿”的任务，并未这样的任务启动一个备份任务，让该任务和原始任务同时处理“同一份”数据，并最终选择最先成功完成任务的计算结果作为最终结果。

set hive.mapred.reduce.tasks.speculative.execution=true;#开启推测

9 表优化

9.1 小表与大表 join

Hive Join

官网搜索：join->LanguageManual Joins

join_table:
    table_reference [INNER] JOIN table_factor [join_condition]
    | table_reference {LEFT|RIGHT|FULL} [OUTER] JOIN table_reference
join_condition
    | table_reference LEFT SEMI JOIN table_reference join_condition
    | table_reference CROSS JOIN table_reference [join_condition] (as of Hive 0.10)
table_reference:
    table_factor
    | join_table
table_factor:
    tbl_name [alias]
    | table_subquery alias
    | ( table_references )
join_condition:
    ON expression

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Joins

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key= b.key1)

is converted into a single map/reduce job as only key1 column for b is involved in the join.

On the other hand

SELECT a.val, b.val, c.val FROM a JOIN b ON (a.key = b.key1) JOIN c ON (c.key= b.key2)

is converted into two map/reduce jobs because key1 column from b is used in the first join condition and key2 column from b is used in the second one. The first map/reduce job joins a with b and the results are then joined with c in the second map/reduce job.

https://blog.csdn.net/sofuzi/article/details/81265402

reduce e side  join

reduce side join 是一种最简单的 join 方式，其主要思想如下：

在 map 阶段，map 函数同时读取两个文件 File1 和 File2，为了区分两种来源的 key/value 数据对，对每条数据打一个标签> （tag）,比如：tag=1表示来自文件 File1，tag=2 表示来自文件 File2。即：map 阶段的主要任务是对不同文件中的数据打标签。

> 在 reduce 阶段，reduce 函数获取 key相同的来自 File1 和 File2 文件的 value list，然后对于同一个key，对File1和File2中的数据进行join （笛卡尔乘积）。即：reduce 阶段进行实际的连接操作。

map e side  join

之所以存在 reduce side join，是因为在 map 阶段不能获取所有需要的join字段，即：同一个key对应的字段可能位于不同map中。Reduce side join 是非常低效的，因为 shuffle 阶段要进行大量的数据传输。Map sidejoin 是针对以下场景进行的优化：两个待连接表中，有一个表非常大，而另一个表非常小，以至于小表可以直接存放到内存中。这样，我们可以将小表复制多 份，让每个 map task 内存中存在一份（比如存放到 hash table 中），然后只扫描大表：对于大表中的每一条记录 key/value，在
hash table 中查找是否有相同的 key 的记录，如果有，则连接后输出即可。

Join 计算时，将小表（驱动表）放在 join 的左边

Map Join：在 Map 端完成 Join

两种实现方式：

1、SQL 方式，在 SQL 语句中添加 MapJoin 标记（mapjoin hint）

语法：

SELECT /*+ MAPJOIN(smallTable) */ smallTable.key, bigTable.value
FROM smallTable JOIN bigTable ON smallTable.key =
bigTable.key;

2、开启自动的 MapJoin

大小判断标准，表数据的大小而不是行数。(通常行少的数据一般是小表）hive.ignore.mapjoin.hint；默认为 true，如果自动和手动冲突了，手动的配置失效，以自动配置为准。

将 key 相对分散，并数据量小的表放在 join 的左边，这样可以有效减少内存溢出发生的几率；还可以使用 map join 让小的维度表（1000 条一下的记录数据）先进内存，在map 端完成 reduce。

测试发现新版的 hive 已经对小表 join 大表和大表 join 小表进行了优化，小表放在左边和右边已经没有明显的区别。

map join 原理分析：

在 Map 端完成 Join。如果不指定 MapJoin 或者不符合 MapJoin 的条件，那么 Hive解析器会将 Join 操作转换成 CommonJoin，在 reduce 阶段完成 join。容易发生倾斜。可以用 MapJoin 将小表全部加装到内存，在 map 端完成 join，避免 reducer 处理。

两种实现方式：

1、开启自动的 MapJoin

通过修改以下配置启用自动的 mapjoin：

set hive.auto.convert.join = true;

（该参数为 true 时，Hive 自动对左边的表统计量，如果是小表就加入内存，即对小表使用 Map join）

2、SQL 方式，在 SQL 语句中添加 MapJoin 标记（mapjoin hint）

语法：

SELECT /*+ MAPJOIN(smallTable) */ smallTable.key, bigTable.value
FROM smallTable JOIN bigTable ON smallTable.key =
bigTable.key;

相关配置参数：

1. hive.mapjoin.smalltable.filesize; #默认 25M

（大表小表判断的阈值，如果表的大小小于该值则会被加载到内存中运行）

2. hive.ignore.mapjoin.hint；

（默认值：true；是否忽略 mapjoin hint 即 mapjoin 标记）

3. hive.auto.convert.join.noconditionaltask;

（默认值：true；将普通的 join 转化为普通的 mapjoin 时，是否将多个 mapjoin 转化为一个 mapjoin）

4. hive.auto.convert.join.noconditionaltask.size;

（将多个 mapjoin 转化为一个 mapjoin 时，其表的最大值）

hive.groupby.skewindata 避免数据倾斜，一个 MR 变 2 个：MR->MR,先做一次数据合并，有时候一个 MR 都即将 100%的时候卡着不动了，分两个完成。

9.2 大表 join 大表

1. 空 key 过滤：

(1) 有时 join 超时是因为某些 key 对应的数据太多，而相同 key 对应的数据都会发送到相同的 reducer 上，从而导致内存不够。此时我们应该仔细分析这些异常的key，很多情况下，这些 key 对应的数据是异常数据，我们需要在 SQL 语句中进行过滤。

(2) 一般在 ETL 数据清洗时便会对空值进行了处理，所以该条一般情况下意义不大，但是面试的时候可以说。最终目的是 reduce 均衡，防止数据倾斜。

2. 空 key 转换：

(1) 有时虽然某个 key 为空对应的数据很多，但是相应的数据不是异常数据，必须要包含在 join 的结果中，此时我们可以表 a 中 key 为空的字段赋一个随机的值，使得数据随机均匀地分不到不同的 reducer 上

9.3 Map-Side 聚合

  • 默认情况下，Map 阶段相同 key 分送到一个 reduce,当某个 key 的数据过大时就会发生数据倾斜。
  • 并不是所有的聚合都需要再 reduce 端完成，可以先在 map 端进行聚合，最后再在reduce 端聚合。如同 combiner
  • 通过设置以下参数开启在 Map 端的聚合

set hive.map.aggr=true;


hive.groupby.mapaggr.checkinterval：
map 端 group by 执行聚合时处理的多少行数据（默认：100000）


hive.map.aggr.hash.min.reduction：
进行聚合的最小比例（预先对 100000 条数据做聚合，若聚合之后的数据量/100000 的值大于该配置 0.5，则不会聚合）


hive.map.aggr.hash.percentmemory：
map 端聚合使用的内存的最大值


hive.map.aggr.hash.force.flush.memory.threshold：
map 端做聚合操作是 hash 表的最大可用内容，大于该值则会触发 flush


hive.groupby.skewindata
是否对 GroupBy 产生的数据倾斜做优化，默认为 false

9.4 count(distinct)去重统计

 数据量小的时候无所谓，数据量大的情况下，由于 COUNT DISTINCT 操作需要用一个Reduce Task 来完成，这一个 Reduce 需要处理的数据量太大，就会导致整个 Job很难完成，一般 COUNT DISTINCT 使用先 GROUP BY 再 COUNT 的方式替换

每个 reduce 任务处理的数据量，默认值 256MB

set hive.exec.reducers.bytes.per.reducer=256000000

Select count(distinct imei) from jizhan;

转换为

Select count(imei) from (select imei from jizhan group by imei) tmp

虽然会多一个 Job 来完成，但在数据量大的情况下，这个绝对值得。

9.5 笛卡尔积

尽量避免笛卡尔积，即避免 join 的时候不加 on 条件，或者无效的 on 条件。Hive 只使用1 个 reduce 来完成笛卡尔积，所以效率特别低。

10 合适设置 Map 与 Reduce 数量

10.1 合理设置 Map Task 数量

通常情况下，作业会通过 input 的目录产生一个或者多个 map 任务。

主要决定因素：input 的文件总个数，input 的文件大小，集群设置的文件块大小。block 块，split_size,文件个数 split 切片数量决定 map task 数量

是不是 map 数越多越好？

 答：不是。如果一个任务有很多小文件，则每个小文件都会被当成一个 split切片，用一个 map 任务来完成，执行真是业务逻辑运算的时间远远小于 map 任务的启动和初始化的时间，就会造成很大的资源浪费。另外，同时可执行的 map 数也是受限
的。如何优化，答案当然是减少 map 的数量，比如通过合并小文件减少 map 数量，见10.2。

是不是保证每个 map 处理接近 128M 的文件块，就高枕无忧了？

 答：不一定，比如一个 128MB（或者接近该值）的文件，默认情况会用一个map 去完成，但是这个文件可能只有很少的小字段，却又几千万的记录，如果 map 处理的逻辑比较复杂，用一个 map 任务去做，肯定比较耗时。如何解决？当然是增加 map
的个数。见 4.10.3。

10.2 合并小文件

小文件数目多，容易在文件存储端造成压力，给 hdfs 造成压力，影响效率设置合并属性

是否合并 map 输出文件：hive.merge.mapfiles=true

是否合并 reduce 输出文件：hive.merge.mapredfiles=true;

合并文件的大小：hive.merge.size.per.task=256*1000*1000

CombineHiveInputFormat 具有对小文件进行合并的功能（系统默认的格式）

set hive.input.format=org.apache.hadoop.hive.ql.io.CombineHiveInputFormat

10.3 复杂文件增加 map 数

对比设置 split 逻辑切块的大小（minSize,maxSize）

set mapred.max.split.size=256000000(默认值）

splitSize = Math.max(minSize,Math.min(maxSize,blockSize))

一个 split 的最大值，即每个 map 处理文件的最大值。让该值小于 blocksize 就可以增加 map 的个数。

注意：set mapred.min.split.size=1;（默认值）

扩展 Map 数量相关的参数

mapred.min.split.size.per.node

一个节点上 split 的最小值

mapred.min.split.size.per.rack

一个机架上 split 的最小值

10.4 合理设置 Reduce 数

1. 方式一：强制指定 reduce 任务的数量

set mapred.reduce.tasks=5

2. 方式二：

(1) 设置每个 reduce 处理的数据量默认值约等于 256M

set hive.exec.reducers.bytes.per.reducer=256000000;

(2) 每个任务最大的 reduce 数，默认 1009。

set hive.exec.reducers.max=1009；

(3) 计算 reduce 数 2560 * 1024 *1024

num = min(hive.exec.reducers.max，

总输入数据量/hive.exec.reducers.bytes.per.reducer)

总结：reduce 个数并不是越多越好，过多的启动和初始化 reduce 也会消耗时间和资源；

另外过多的 reduce 会生成很多个结果文件，同样产生了小文件的问题。

plenilune-望月
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
hive性能调优总结
ronaldo1994的博客
11-11 678
1.fetch抓取 hive.fetch.task.conversion=more 在某些情况下不必要使用MR计算。 hive默认是minimal，该属性修改为more以后，在全局查找、字段查找、limit查找等都不走mapreduce。 2.本地模式 hive在进行集群作业时多台机器上协调运行，解决了大数据量查询的问题。但当数据量比较小时，没必要使用分布式查询，可以使用本地模式来执行mr job，只在单台机器上执行效率高很多。 set hive.exec.mode.local.auto=true ...
Hive SQL性能优化
最新发布
02-26
### Hive SQL性能优化详解 #### 一、Hive SQL执行顺序及原理 了解Hive SQL的执行顺序，有助于我们写出更高效、更高质量的代码。Hive SQL的执行大致可以分为以下几个步骤： 1. **确定数据源**：首先确定查询的数据...
hive-本地模式设置
weixin_44896621的博客
05-01 4325
前言 当在hive上提交mapreduce任务时，常见的管理引擎有yarn与local，默认使用集群模式yarn进行执行。当执行任务计算的文件大小与文件数相对较小时，可以开启本地模式进行执行，效率相对集群模式会更高。 查看当前hive的本地模式情况 查看本地模式是否开启：set hive.exec.mode.local.auto; 查看启用本地模式允许的最大输入文件数：set hive.exec.mode.local.auto.input.files.max; 查看启用本地模式允许的最大文件大小：set
hive 配置参数说明
sun87506376的博客
01-17 1558
hive 配置参数说明
Hive开启本地模式的命令
夜归人的博客
06-01 2306
Hive开启本地模式的命令 SET hive.exec.mode.local.auto=true; 自动开启本地模式的方式 1、在hive的配置文件目录下，创建 .hiverc ，默认所有用户都可以使用这个配置，更改hive配置会影响此文件 路径 ： /etc/hive/conf 2、将set hive.exec.mode.local.auto=true; 这个设置增加到你的$HOME/.hiverc配置文件中 3、远程模式时间消耗长的原因？ #大多数的Hadoop job是需要hadoop提供的完整的可
Hive单机版配置永久本地模式
热门推荐
guihua55的博客
07-03 1万+
网上很多在说在hive命令行里直接输入： set hive.exec.mode.local.auto=true; 这个配置只适合此命令行hive终端为本地模式，但是重新进就会失效 所以在配置单机模式的hive时，在conf下的hive-site.xml里配置如下就会永久变成本地模式 <property> <name>hive.exec.mode.local.auto</name> <value>true</value>...
Hive优化（提高hive运行速度）
01-20
然而，Hive 的性能通常不如传统的数据库系统，因此对其进行优化是提高数据分析效率的关键。本文将主要讨论如何通过启用 Hive 的本地模式来提高其运行速度。 一、Hive 使用本地模式执行操作 在默认情况下，当 Hive ...
HIVE查询优化
01-07
Hive QL的执行本质上是MR任务的运行，因此优化主要考虑到两个方面：Mapreduce任务优化、SQL语句优化 一、Mapreduce任务优化 1、设置合理的task数量（map task、reduce task） 这里有几个考虑的点，一方面Hadoop MR ...
Hive性能优化
01-27
本文来自于cnblogs,赘述了在工作中总结Hive的常用优化手段和在工作中使用Hive出现的问题。下面开始本篇文章的优化介绍:继续《那些年使用Hive踩过的坑》一文中的剩余部分.首先，我们来看看Hadoop的计算框架特性，在此...
Hive优化.docx
07-01
- **利用Hive对UNION ALL的优化**：Hive优化非嵌套的UNION ALL查询，但嵌套查询不受此优化影响。 5. **Hadoop通用关联实现**： - **关联通过二次排序实现**：关联列作为分区键，关联列和其他列组合形成排序的组键...
hive优化总结
qq_42740899的博客
06-06 395
hive的简单优化
Hive（十）Hive性能调优总结
weixin_42073629的博客
09-23 674
一、Fetch抓取 1、理论分析 Fetch抓取是指，Hive中对某些情况的查询可以不必使用MapReduce计算。例如：SELECT * FROM employees;在这种情况下，Hive可以简单地读取employee对应的存储目录下的文件，然后输出查询结果到控制台。 在hive-default.xml.template文件中hive.fetch.task.conversion默认是more，老版本hive默认是minimal，该属性修改为more以后，在全局查找、字段查找、limit
转载-Flink Sql on Zeppelin——双流Join
qq_31866793的博客
09-11 244
双流Join 概述 其实之前和大家聊过双流Join，这次之所以再拉出来讲并不是在炒冷饭，而是发现了之前讲的一些不足 以UnBounded Join来说，我之前一直以为，无论哪边的流先到，只要匹配上之后，key对应的、存储在state中的数据应该被清理。这样，无论哪边再来一条同样key的数据，不会触发数据下发，也就是一对一。其实这样的理解是错误的，key会一直存储在state中，直到OOM或者配置TTL之后被清理。那么，也就是会多次触发数据下发，也就是会发生一对多、多对多 之前关于Time Inter
Hive优化---启用local模式
tianqinglei的博客
08-22 3168
[查询优化] //是否启用local模式 SET hive.exec.mode.local.auto=true; //默认false //输入的数据量max配置 SET hive.exec.mode.local.auto.inputbytes.max=50000000;        //默认134217728(128M) //task的数量max SET hive.exec.mo
hive客户端优化——启用local本地模式
LINBE_blazers的博客
09-15 1718
在Hive客户端测试时，默认情况下是启用hadoop的job模式，这样会导致计算非常缓慢；为方便测试，提高工作效率，可手动启动local模式，提高测试效率： //是否启用local模式 SET hive.exec.mode.local.auto=true; //默认false //输入的数据量max配置 SET hive.exec.mode.local.auto.inputbytes.max=...
Hive的调优
Messi的小迷弟
07-27 165
本地模式 -- 通过以下设置开启本地模式 SET hive.exec.mode.local.auto=true; --default false SET hive.exec.mode.local.auto.inputbytes.max=50000000; SET hive.exec.mode.local.auto.input.files.max=5; --default 4 Job必须满足以下条件才能在本地模式下运行 Job总输入大小小于 hive.exec.mode.local.auto. i.
hive的本地模式
First_____的博客
06-09 755
Hoodoop处理数据时,数据量小,可能会出现启动任务的mr时会比实际处理任务的时间长,Hive可以通过本地模式使用单机来处理所有的任务,对于小的数据量,执行时间会少很多. 设置 hive.exec.mode.local.auto 为true ,让hive在适当的时候启用本地模式,会减少小数据的执行时间 参数: //开启本地模式 mr set hive.exec.mode.local.auto=true; //设置 local mr 的最大输入数据量，当输入数据量小于这个值时采用 local mr 方
Spark优化(五)：使用map-side预聚合的shuffle操作
Winner941112的博客
09-29 3160
使用map-side预聚合的shuffle操作 如果因为业务需要，一定要使用shuffle操作，无法用map类的算子来替代，那么尽量使用可以map-side预聚合的算子。 所谓的map-side预聚合，说的是在每个节点本地对相同的key进行一次聚合操作，类似于MapReduce中的本地combiner。   map-side预聚合之后，每个节点本地就只会有一条相同的key，因为多条相同...
MapJoin的原理及案例
影子
03-21 3633
mapJoin原理：适用于大表join小表，使用DistributedCache机制将小表存储到各个Mapper进程所在机器的磁盘空间上，各个Mapper进程读取不同的大表分片，将分片中的每一条记录与小表中所有记录进行合并 合并后直接输出map结果即可得到最终结果。 注：不需要进行shuffle流程，也不需要reduce处理 案列： detail.txt order_id item_id amout 12 sp001 2 12 sp002 4 12 ...
Hadoop Hive性能优化深度解析
创作，遵循 Creative Commons Attribution-ShareAlike 3.0 Unported 许可协议，内容涵盖Hive在大数据处理中的应用、Hive架构、性能优化、数据输入输出、安全性和Project Stinger等。” 在大数据处理领域，Hive作为...
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

plenilune-望月

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