数据仓库【5】：项目实战

最新推荐文章于 2024-04-21 17:28:18 发布
最新推荐文章于 2024-04-21 17:28:18 发布
阅读量1.7k 收藏 19
点赞数 20
分类专栏： # 数据仓库 文章标签： 数据仓库
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/hekaihaw/article/details/135209704
版权

数据仓库【5】：项目实战

1、项目概述

1.1、项目背景

  • 某电商企业，因数据积存、分析需要，筹划搭建数据仓库，提供数据分析访问接口
  • 项目一期需要完成数仓建设，并完成用户复购率的分析计算，支持业务查询需求

1.2、复购率计算

  • 复购率是指在一段时间间隔内，多次重复购买产品的用户，占全部人数的比率
  • 统计各个一级品类下，品牌月单次复购率，和多次复购率
    在这里插入图片描述

2、数据描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

3、架构设计

3.1、数据仓库架构图

在这里插入图片描述

4、环境搭建

4.1、环境说明

  • 操作系统及组件版本
CentosHadoopHiveTezMysqlSqoopAzkabanPresto
版本72.7.71.2.10.9.15.7.281.4.62.5.00.196

4.2、集群规划

  • 使用3台虚拟机进行搭建
HadoopHive&TezMysqlSqoopAzkabanPresto
node01√√√
node02√√√√
node03√√√√√

4.3、搭建流程

1、安装并准备3台CentOS7.2虚拟机，主机名命名为node01、node02、node03
2、上传自动化安装脚本automaticDeploy.zip到虚拟机node01中
3、解压automaticDeploy.zip到/home/hadoop/目录下

unzip automaticDeploy.zip -d /home/hadoop/

4、更改frames.txt文件，配置组件的安装节点信息

# 通用环境
jdk-8u144-linux-x64.tar.gz true
azkaban-sql-script-2.5.0.tar.gz true
# Node01
hadoop-2.7.7.tar.gz true node01
# Node02
mysql-rpm-pack-5.7.28 true node02
azkaban-executor-server-2.5.0.tar.gz true node02
azkaban-web-server-2.5.0.tar.gz true node02
presto-server-0.196.tar.gz true node02
# Node03
apache-hive-1.2.1-bin.tar.gz true node03
apache-tez-0.9.1-bin.tar.gz true node03
sqoop-1.4.6.bin__hadoop-2.0.4-alpha.tar.gz true node03
yanagishima-18.0.zip true node03
# Muti
apache-flume-1.7.0-bin.tar.gz true node01,node02,node03
zookeeper-3.4.10.tar.gz true node01,node02,node03
kafka_2.11-0.11.0.2.tgz true node01,node02,node03

5、编辑configs.txt文件，配置mysql、keystore密码信息

# Mysql相关配置
mysql-root-password DBa2020* END
mysql-hive-password DBa2020* END
mysql-drive mysql-connector-java-5.1.26-bin.jar END
# azkaban相关配置
azkaban-mysql-user root END
azkaban-mysql-password DBa2020* END
azkaban-keystore-password 123456 END

6、编辑host_ip.txt文件，添加3个虚拟机节点信息

192.168.0.200 node01 root 123456
192.168.0.201 node02 root 123456
192.168.0.202 node03 root 123456

7、对/home/hadoop/automaticDeploy/下的hadoop、systems所有脚本添加执行权限

chmod +x /home/hadoop/automaticDeploy/hadoop/* /home/hadoop/automaticDeploy/systems/*

8、执行systems/batchOperate.sh脚本，完成环境初始化

/home/hadoop/automaticDeploy/systems/batchOperate.sh

9、根据安装需要，执行hadoop目录下对应的组件安装脚本

/home/hadoop/automaticDeploy/hadoop/installHadoop.sh

10、将自动化脚本分发到其他两个节点，并分别执行batchOperate.sh和组件安装脚本

scp -r automaticDeploy root@192.168.0.201:/home/hadoop/
scp -r automaticDeploy root@192.168.0.202:/home/hadoop/

11、在所有虚拟机节点source环境变量文件

source /etc/profile

12、启动hadoop环境，并检查是否启动成功

hadoop namenode -format
start-all.sh

5、项目开发

整体开发流程
1、业务数据生成
2、ETL数据导入
3、创建ODS层，并完成HDFS数据接入
4、创建DWD层，并完成ODS层数据导入
5、创建DWS层，导入DWD层数据
6、创建ADS层，完成复购率计算
7、编写脚本，将ADS层的数据导出到Mysql中，供业务查询
8、使用Azkaban调度器，实现脚本自动化运行
在这里插入图片描述

5.1、业务数据生成

  • 进入Mysql，创建数据库Mall
export MYSQL_PWD=DBa2020*
mysql -uroot -e "create database mall;"
  • 上传数据生成sql脚本到Mysql安装节点
  • 使用命令方式，将数据生成sql脚本导入到Mysql中
mysql -uroot mall < {pathToSQL}
  • 进入Mysql，生成数据
use mall;
#生成日期2020-06-10日数据、订单300个、用户200个、商品sku300个、不删除数据
CALL init_data('2020-06-10',300,200,300,FALSE);

5.2、ETL数据导入

  • 进入Sqoop安装节点，创建/home/warehouse/shell目录
mkdir –p /home/warehouse/shell
  • 编写Sqoop数据导入脚本，脚本内容见材料
cd /home/warehouse/shell
vim sqoop_import.sh
  • 赋予脚本执行权限，并运行脚本
chmod +x /home/warehouse/shell/sqoop_import.sh
./sqoop_import.sh all 2020-06-10
  • 通过Web界面查看HDFS的/origin_data/mall/db/目录下是否存在导入数据

5.3、ODS层创建&数据接入

  • 进入Hive安装节点，启动Hive元数据服务
hive --service hiveserver2 &
hive --service metastore &
  • 在/home/warehouse/sql目录下编写ods_ddl.sql，创建与业务数据库一致的数据表
vim /home/warehouse/sql/ods_ddl.sql
  • 将ods_ddl.sql导入到Hive中
hive -f /home/warehouse/sql/ods_ddl.sql
  • 在/home/warehouse/shell/目录下编写ods_db.sh脚本，完成数据导入操作
vim /home/warehouse/shell/ods_db.sh
  • 为脚本赋权，并执行
chmod +x /home/shell/warehouse/ods_db.sh
ods_db.sh 2020-06-10

5.4、DWD层创建&数据接入

DWD层分析

  • 对ODS层数据进行清洗、维度退化
  • 因业务库数据质量高，所以只需要去空数据即可
  • 分类表可以进行维度退化，维度合并到商品表中
    在这里插入图片描述
  • 在/home/warehouse/sql目录下编写dwd_ddl.sql，创建DWD层数据表
vim /home/warehouse/sql/dwd_ddl.sql
  • 将dwd_ddl.sql导入到Hive中
hive -f /home/warehouse/sql/dwd_ddl.sql
  • 在/home/warehouse/shell目录下编写dwd_db.sh脚本，完成数据导入操作
vim /home/warehouse/shell/dwd_db.sh
  • 为脚本赋权，并执行
chmod +x /home/warehouse/shell/dwd_db.sh
./dwd_db.sh 2020-06-10
  • 查看是否执行成功
select * from dwd_sku_info where dt='2020-06-10' limit 2;

5.5、DWS层创建&数据接入

DWS层分析

  • 将具有相同分析主题的DWD层数据，聚合成宽表模型，便于数据分析与计算
  • 主题的归纳具有通用性，后续也可能会随着分析业务的增加而扩展
    在这里插入图片描述
  • 在/home/warehouse/sql目录下编写dws_ddl.sql，创建DWS层数据表
vim /home/warehouse/sql/dws_ddl.sql
  • 将dws_ddl.sql导入到Hive中
hive -f /home/warehouse/sql/dws_ddl.sql
  • 在/home/warehouse/shell目录下编写dws_db.sh脚本，完成数据导入操作
vim /home/warehouse/shell/dws_db.sh
  • 为脚本赋权，并执行
chmod +x /home/warehouse/shell/dws_db.sh
./dws_db.sh 2020-06-10
  • 查看是否执行成功

select * from dws_user_action where dt='2020-06-10' limit 2;
select * from dws_sale_detail_daycount where dt='2020-06-10' limit 2;

5.6、ADS层创建&数据接入

ADS层分析

  • 统计各个一级品类下，品牌月单次复购率，和多次复购率
    在这里插入图片描述
  • 在/home/warehouse/sql目录下编写ads_sale_ddl.sql，创建DWS层数据表
vim /home/warehouse/sql/ads_sale_ddl.sql
  • 将ads_sale_ddl.sql导入到Hive中
hive -f /home/warehouse/sql/ads_sale_ddl.sql
  • 在/home/warehouse/shell目录下编写ads_sale.sh脚本，完成数据导入操作
vim /home/warehouse/shell/ads_sale.sh
  • 为脚本赋权，并执行
chmod +x /home/warehouse/shell/ads_sale.sh
/home/warehouse/shell/ads_sale.sh 2020-06-10
  • 查看是否执行成功
select * from ads_sale_tm_category1_stat_mn limit 2;

5.7、ADS层数据导出

  • 在Mysql节点的/home/warehouse/sql目录下编写mysql_sale_ddl.sql，创建数据表
vim /home/warehouse/sql/mysql_sale_ddl.sql
  • 将mysql_sale_ddl.sql导入到Mysql中
export MYSQL_PWD=DBa2020*
mysql -uroot mall < /home/warehouse/sql/mysql_sale_ddl.sql
  • 在Sqoop节点的/home/warehouse/shell目录下编写sqoop导出脚本，完成数据导入操作
vim /home/warehouse/shell/sqoop_export.sh
  • 为脚本赋权，并执行
chmod +x /home/warehouse/shell/sqoop_export.sh
/home/warehouse/shell/sqoop_export.sh all
  • 在Mysql中查看是否执行成功
SELECT * FROM ads_sale_tm_category1_stat_mn;

5.8、Azkaban自动化调度

  • 在Mysql中执行SQL，生成数据
CALL init_data('2020-06-12',300,200,300,FALSE);
  • 编写azkaban运行job，并打包成mall-job.zip文件
  • 在3台虚拟机中同时启动Azkaban
azkaban-executor-start.sh
  • 在存放shell脚本的虚拟机上启动Azkaban Web服务器
cd /opt/app/azkaban/server
azkaban-web-start.sh
  • 访问Azkaban Web界面，端口8443
  • 上传并运行job，运行时指定executor为shell脚本存放的服务器，并配置脚本参数
useExecutor node03
dt 2020-06-12

6、课后练习

  • 计算GMV（成交总额），包含付款和未付款部分，导出到Mysql
    在这里插入图片描述

  • 编写为Shell脚本，使用Azkaban进行自动化调度

  • 提示：依赖的表为dws_user_action

6.1、ADS层分析

  • 计算GMV（成交总额），包含付款和未付款部分
  • 在这里插入图片描述

6.2、ADS层创建&数据接入

  • 在/home/warehouse/sql目录下编写ads_gmv_ddl.sql，创建DWS层数据表
vim /home/warehouse/sql/ads_gmv_ddl.sql
  • 将ads_gmv_ddl.sql导入到Hive中
hive -f /home/warehouse/sql/ads_gmv_ddl.sql
  • 在/home/warehouse/shell目录下编写ads_gmv.sh脚本，完成数据导入操作
vim /home/warehouse/shell/ads_gmv.sh
  • 为脚本赋权，并执行
chmod +x /home/warehouse/shell/ads_gmv.sh
/home/warehouse/shell/ads_gmv.sh 2020-06-10
  • 查看是否执行成功
select * from ads_gmv_sum_day;

6.3、Azkaban自动化调度

  • 在Mysql中执行SQL，生成数据
CALL init_data('2020-06-12',300,200,300,FALSE);
  • 编写azkaban运行job，并打包成mall-job.zip文件
  • 在3台虚拟机中同时启动Azkaban
azkaban-executor-start.sh
  • 在存放shell脚本的虚拟机上启动Azkaban Web服务器
cd /opt/app/azkaban/server
azkaban-web-start.sh
  • 访问Azkaban Web界面，端口8443
  • 上传并运行job，运行时指定executor为shell脚本存放的服务器，并配置脚本参数
useExecutor node03
dt 2020-06-12

参考资料
阿里云：https://www.alipan.com/s/zuK576wnz2n

QQ719872578
关注
  • 20
    点赞
  • 踩
  • 19
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
XX银行数据仓库建设项目具体技术方案.doc编程资料
04-17
XX银行数据仓库建设项目具体技术方案.doc
大数据项目实战之数据仓库：电商数据仓库系统——第1章 数据仓库概述
yiluohan0307的专栏
04-05 372
大数据项目实战之数据仓库：电商数据仓库系统——第1章 数据仓库概述
大数据开发之离线数仓项目（4-1电商数据仓库系统）（可面试使用）
key_honghao的博客
02-02 826
事实表作为数据仓库维度建模的核心，紧紧围绕着业务过程来设计。其包含与该业务过程有关的维度引用（维度表外键）以及该业务过程的度量（通常是可累加的数据类型字段）事务事实表用来记录各业务过程，它保存的是各业务过程的原子操作事件，即最细粒度的操作事件。粒度是指事实表中一行数据所表达的业务细节程度。周期快照事实表以其规律性的、可预见性的时间间隔来记录事实，主要用于分析一些存量型（例如商品库存，账户余额）或者状态型（空气温度，行驶速度）指标。
【离线数仓】Day03-系统业务数据仓库：数仓表概念、搭建、数据导入、数据可视化、Azkaban全调度、拉链表的使用...
USTSD的博客
12-05 234
一、电商业务与数据结构简介 1、业务流程 2、常识：SKU/SPU SKU=Stock Keeping Unit(库存量基本单位)。现在已经被引申为产品统一编号的简称，每种产品均对应有唯一的SKU号。SPU(Standard Product Unit)：是商品信息聚合的最小单位，是一组可复用、易检索的标准化信息集合。 3、电商表结构 二、数仓理论 1、表的分类 实体表 维度表：对...
Azkaban安装及配置
JiaXingNashishua的博客
08-12 1738
首先，前面的数据搭建（ODS层到ADS层）已经搭建完成，并且可以用脚本来装载首日和每日的数据，因为这些脚本之间有一定的实现顺序，这时候，我们需要使用全流程调度，来调用这些脚本。
【项目】数据仓库概述
Together
04-04 7053
【1】 数据仓库的基本概念 数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。数据仓库的目的是构建面向分析的集成化数据环境，为企业提供决策支持（Decision Support）。它出于分析性报告和决策支持目的而创建 数据仓库本身并不“生产”任何数据，同时自身也不需要“消费”任何的数据，数据来源于外部，并且开放给外部应用，这也是为什么叫“仓库”，而不叫“工厂”的原因 【2】 ...
大数据—电商数仓项目
03-01
一、课程简介随着技术的飞速发展，经过多年的数据积累，各互联网公司已保存了海量的原始数据和各种业务数据，所以数据仓库技术是各大公司目前都需要着重发展投入的技术领域。数据仓库是面向分析的集成化数据环境，为企业所有决策制定过程，提供系统数据支持的战略集合。通过对数据仓库中数据的分析，可以帮助企业改进业务流程、控制成本、提高产品质量等。二、课程内容本次精心打造的数仓项目的课程，从项目架构的搭建，到数据采集模块的设计、数仓架构的设计、实战需求实现、即席查询的实现，我们针对国内目前广泛使用的Apache原生框架和CDH版本框架进行了分别介绍，Apache原生框架介绍中涉及到的技术框架包括Flume、Kafka、Sqoop、MySql、HDFS、Hive、Tez、Spark、Presto、Druid等，CDH版本框架讲解包括CM的安装部署、Hadoop、Zookeeper、Hive、Flume、Kafka、Oozie、Impala、HUE、Kudu、Spark的安装配置，透彻了解不同版本框架的区别联系，将大数据全生态系统前沿技术一网打尽。在过程中对大数据生态体系进行了系统的讲解，对实际企业数仓项目中可能涉及到的技术点都进行了深入的讲解和探讨。同时穿插了大量数仓基础理论知识，让你在掌握实战经验的同时能够打下坚实的理论基础。三、课程目标本课程以国内电商巨头实际业务应用场景为依托，对电商数仓的常见实战指标以及难点实战指标进行了详尽讲解，具体指标包括：每日、周、月活跃设备明细，留存用户比例，沉默用户、回流用户、流失用户统计，最近连续3周活跃用户统计，最近7天内连续3天活跃用户统计，GMV成交总额分析，转化率及漏斗分析，品牌复购率分析、订单表拉链表的设计等，让学生拥有更直观全面的实战经验。通过对本课程的学习，对数仓项目可以建立起清晰明确的概念，系统全面的掌握各项数仓项目技术，轻松应对各种数仓难题。四、课程亮点本课程结合国内多家企业实际项目经验，特别加入了项目架构模块，从集群规模的确定到框架版本选型以及服务器选型，手把手教你从零开始搭建大数据集群。并且总结大量项目实战中会遇到的问题，针对各个技术框架，均有调优实战经验，具体包括：常用Linux运维命令、Hadoop集群调优、Flume组件选型及性能优化、Kafka集群规模确认及关键参数调优。通过这部分学习，助学生迅速成长，获取前沿技术经验，从容解决实战问题。
（从电商项目认识数仓体系一）数仓介绍
z774884795的博客
06-04 1694
1 基本流程图 2 基本介绍 数据仓库（Data Warehouse），简写为DW或DWH，为企业做决策提供系统数据支持的集合。例：仓库中一个指标为用户浏览网页次数（UV），如果用户多次浏览该网页，如果是电商系统，则可以认为该用户有购买该商品意向，可对该用户进行商品推荐，或者可作为报表提供给决策层进行一些决策 数据仓库的作用并不单单是存储，而是对数进行一些处理后，将处理后的数据，分门别类的存储，作为能够支撑业务或者分析的处理后数据源，使得对应的需求能够从对应的主题中直接提取所需要的数据，这些处理包
数据仓库介绍
u010959946的专栏
06-20 535
你好，我是七月，本专栏主要讲述我在职业生涯中应用的关于数仓相关的知识体系，初期主要以离线数仓为主。编写该专栏一共有两个目的，其一是梳理自己多年工作积累的知识，做到温故而知新；其二是分享数仓相关的基础知识给大家，抛砖引玉。随着IT行业的发展，数据分析、大数据、数仓、数据中台等概念不仅仅局限在互联网行业，传统中小型企业也需要支撑复杂的分析需求，得益于发展良好的开源项目，构建一个数仓不需要支付任何软件费用（当然商业软件更成熟、集成度高），只需要提供机器和专业人员即可构建。本专栏将为大家讲述一个基础的数仓如何搭建，
数仓项目
wsxbaa的博客
08-17 2011
1. 项目搭建 我们的数仓项目主要分为流量域和业务域,数据仓库的分层为5层,分别是DIM,ODS,DWD,DWS,ADS下面做一下详细介绍. 流量域: 是指用户行为日志的数据 业务域: 是指业务系统的数据 DIM层: 存放一些维度表,比如地理维度表等等 ODS层: 存放流量域和业务域的原始数据 DWD层: 存放明细表,这些数据是由ODS层经过ETL得到的数据 DWS层: 为轻聚合层,是由DWD层的数据进行轻聚合得到的,同时DWS层中的数据分为各种主题,这样会对报表层ADS报表层做一个更好的支持 ADS层:
全新大数据企业电商数据仓库项目实战教程
06-14
一、课程简介数据仓库（Data Warehouse，可简写为DW或DWH），是面向分析的集成化数据环境，为企业决策制定过程，提供系统数据支持的战略集合，是国内外各大公司正在重点投入的战略级技术领域。 二、课程内容...
大数据 hive 实战数据
04-07
包含video user数据
一线数据架构全新技术！P7级大数据项目实时项目实战课程 以架构师视角实战数据仓库
04-16
课程在很多技术点上都做集成了时下最新得大数据实时数据仓库技术，是当下非常前沿都数据仓库项目技术。课程旨在帮助同学们尽快进行大数据仓库技能都提升，大数据技术是一个非常庞大复杂都系统，所以在每一次项目课程...
大数据项目之电商数仓（2用户行为数据仓库）.docx
08-03
此数仓项目文档详细介绍从项目需求分析到数据生成模块、数据采集模块、数仓各分层搭建再到业务实现的过程，其中各种环境的配置很细致，很有价值学习一下。
数据仓库、数据中台、大数据平台的关系？
爱吃辣条的博客
04-19 1148
数据仓库，数据中台，大数据平台的关系？
【数据仓库工具箱】DW/BI系统的核心元素和基本要求
ALX3li的博客
04-21 604
DW/BI 环境划分为4个不同的，各具特色的组成部分。记录的是操作型系统，用于获取业务事务。源数据关注的是处理性能和可用性。源系统一般不维护历史信息，而这部分责任可以依靠好的数据仓库来实现。是处于操作型系统和数据展现区之间的部分，1. 获取是将数据从操纵型系统中导入数据仓库中，2. 数据转换，elt系统通过数据清洗/合并来自不同数据源的数据/复制数据等，增强数据价值，3.数据加载，实际构建和加载数据到展现区域的目标维度模型中。elt 过程的主要任务是识别维度和事实，因此其包含的子系统非常重要。
UPS、蓄电池、空开、电缆配置计算方法.pptx
04-27
5G通信行业、网络优化、通信工程建设资料
node-v7.4.0.tar.xz
最新发布
04-27
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
Unity mesh减面工具 Mesh Simplify 1.12
04-27
Unity mesh减面工具 Mesh Simplify 1.12
kettle数据仓库项目实战
05-31
Kettle是一款开源的ETL工具，用于数据抽取、转换和加载。在数据仓库项目中，Kettle可以用来完成数据抽取、数据清洗、数据转换、数据加载等任务。以下是Kettle数据仓库项目实战的一些步骤： 1. 数据源选取：首先需要确定数据源，如关系型数据库、文件、网页等，根据数据源的不同，选择不同的数据抽取方式。 2. 数据抽取：使用Kettle中的Spoon工具，进行数据抽取，将数据从数据源中导出到Kettle中。 3. 数据清洗：对导入的数据进行清洗和处理，去除重复数据、异常数据等。 4. 数据转换：将清洗后的数据进行转换，如字段类型转换、数据格式化等。 5. 数据加载：将转换后的数据加载到目标数据库中，可以使用Kettle中的Bulk Loader插件，快速地将数据批量导入到目标数据库中。 6. 数据仓库建模：根据业务需求，设计数据仓库模型，将数据仓库中的各个维度和事实表进行建模。 7. 数据仓库填充：使用Kettle将清洗、转换后的数据加载到已建好的数据仓库中。 8. 数据仓库查询：使用OLAP工具，如Pentaho BI Server，对数据仓库中的数据进行查询和分析。 以上就是Kettle数据仓库项目实战的一些步骤，希望对你有所帮助。

“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 2
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

QQ719872578

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