Flink实时计算运用（五）Flink Table API & SQL 案例实战

最新推荐文章于 2024-09-08 23:07:11 发布
最新推荐文章于 2024-09-08 23:07:11 发布
阅读量3.2w 收藏 3
点赞数 1
文章标签： sql flink java
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/hxx688/article/details/117886017
版权

1. Table API & SQL 实战运用

  1. 案例说明

    • 功能说明

      通过socket读取数据源，进行单词的统计处理。

    • 实现流程

      • 初始化Table运行环境

      • 转换操作处理：

        1）以空格进行分割

        2）给每个单词计数累加1

        3）根据单词进行分组处理

        4）求和统计

        5）输出打印数据

      • 执行任务

  2. FlinkTable API 方式实现

    StreamTableApiApplication，代码实现：

    //获取流处理的运行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

EnvironmentSettings environmentSettings = EnvironmentSettings.newInstance().useOldPlanner().inStreamingMode().build();

//获取Table的运行环境
StreamTableEnvironment tabEnv = StreamTableEnvironment.create(env, environmentSettings);

//接入数据源
DataStreamSource<String> lines = env.socketTextStream("10.10.20.15", 9922);

//对字符串进行分词压平
SingleOutputStreamOperator<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
    @Override
    public void flatMap(String line, Collector<String> out) throws Exception {
        Arrays.stream(line.split(" ")).forEach(out::collect);
    }
});

//将DataStream转换成Table对象，字段名默认的是f0，给定字段名是word
Table table = tabEnv.fromDataStream(words, "word");

//按照单词进行分组聚合操作
Table resultTable = table.groupBy("word").select("word, sum(1L) as counts");

//在流处理中，数据会源源不断的产生，需要累加处理，只能采用用toRestractStream
//        DataStream<WordCount> wordCountDataStream = tabEnv.toAppendStream(resultTable, WordCount.class);
//        wordCountDataStream.printToErr("toAppendStream>>>");

DataStream<Tuple2<Boolean, WordCount>> wordCountDataStream = tabEnv.toRetractStream(resultTable, WordCount.class);
wordCountDataStream.printToErr("toRetractStream>>>");

env.execute();

    测试验证：

    开启socket输入， 输入字符串：

    [root@flink1 flink-1.11.2]# nc -lk 9922

  3. FlinkTable SQL 方式实现

    代码实现：

    StreamTableSqlApplication实现类：

    //获取流处理的运行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

EnvironmentSettings environmentSettings = EnvironmentSettings.newInstance().useOldPlanner().inStreamingMode().build();

//获取Table的运行环境
StreamTableEnvironment tabEnv = StreamTableEnvironment.create(env, environmentSettings);

//接入数据源
DataStreamSource<String> lines = env.socketTextStream("10.10.20.15", 9922);

//对字符串进行分词压平
SingleOutputStreamOperator<String> words = lines.flatMap(new FlatMapFunction<String, String>() {
    @Override
    public void flatMap(String line, Collector<String> out) throws Exception {
        Arrays.stream(line.split(" ")).forEach(out::collect);
    }
});

//将DataStream转换成Table对象，字段名默认的是f0，给定字段名是word
tabEnv.registerDataStream("t_wordcount", words, "word");

//按照单词进行分组聚合操作
Table resultTable = tabEnv.sqlQuery("select word,count(1) as counts from t_wordcount group by word");

DataStream<Tuple2<Boolean, WordCount>> wordCountDataStream = tabEnv.toRetractStream(resultTable, WordCount.class);
wordCountDataStream.printToErr("toRetractStream>>>");
env.execute();

2. Flink SQL 滚动窗口实战

  1. Flink SQL 窗口说明

    Flink SQL支持的窗口聚合主要是两种：Window聚合和Over聚合。这里主要介绍Window聚合。Window聚合支持两种时间属性定义窗口：Event Time和Processing Time。每种时间属性类型支持三种窗口类型：滚动窗口（TUMBLE）、滑动窗口（HOP）和会话窗口（SESSION）。

  2. 案例说明

    统计在过去的1分钟内有多少用户点击了某个的网页，可以通过定义一个窗口来收集最近1分钟内的数据，并对这个窗口内的数据进行计算。

    测试数据：

    用户名访问地址访问时间
    张三http://taobao.com/xxx2021-05-10 10:00:00
    张三http://taobao.com/xxx2021-05-10 10:00:10
    张三http://taobao.com/xxx2021-05-10 10:00:49
    张三http://taobao.com/xxx2021-05-10 10:01:05
    张三http://taobao.com/xxx2021-05-10 10:01:58
    李四http://taobao.com/xxx2021-05-10 10:02:10

  3. 滚动窗口运用

    滚动窗口（Tumbling windows）要用Tumble类来定义，另外还有三个方法：

    • over：定义窗口长度

    • on：用来分组（按时间间隔）或者排序（按行数）的时间字段

    • as：别名，必须出现在后面的groupBy中

    实现步骤：

    • 初始化流运行环境

    • 在流模式下使用blink planner

    • 创建用户点击事件数据

    • 将源数据写入临时文件并获取绝对路径

    • 创建表载入用户点击事件数据

    • 对表运行SQL查询，并将结果作为新表检索

    • Table转换成DataStream

    • 执行任务

    TumbleUserClickApplication，实现代码：

    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

EnvironmentSettings environmentSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
StreamTableEnvironment tabEnv = StreamTableEnvironment.create(env, environmentSettings);

// 将源数据写入临时文件并获取绝对路径
String contents =
        "张三,http://taobao.com/xxx,2021-05-10 10:00:00\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:00:10\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:00:49\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:01:05\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:01:58\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:02:10\n";
String path = FileUtil.createTempFile(contents);

String ddl = "CREATE TABLE user_clicks (\n" +
        "  username varchar,\n" +
        "  click_url varchar,\n" +
        "  ts TIMESTAMP(3),\n" +
        "  WATERMARK FOR ts AS ts - INTERVAL '2' SECOND\n" +
        ") WITH (\n" +
        "  'connector.type' = 'filesystem',\n" +
        "  'connector.path' = '" + path + "',\n" +
        "  'format.type' = 'csv'\n" +
        ")";

tabEnv.sqlUpdate(ddl);

//对表数据进行sql查询，并将结果作为新表进行查询
String query = "SELECT\n" +
        "  TUMBLE_START(ts, INTERVAL '1' MINUTE),\n" +
        "  TUMBLE_END(ts, INTERVAL '1' MINUTE),\n" +
        "  username,\n" +
        "  COUNT(click_url)\n" +
        "FROM user_clicks\n" +
        "GROUP BY TUMBLE(ts, INTERVAL '1' MINUTE), username";

Table result = tabEnv.sqlQuery(query);

tabEnv.toAppendStream(result, Row.class).print();

env.execute();

    以1分钟作为时间滚动窗口，水印延迟2秒。

    输出结果：

    4> 2021-10-10T10:00,2021-10-10T10:01,张三,3
4> 2021-10-10T10:01,2021-10-10T10:02,张三,2
4> 2021-10-10T10:02,2021-10-10T10:03,张三,1

3. Flink SQL 滑动窗口实战

  1. 实现步骤

    • 初始化流运行环境

    • 在流模式下使用blink planner

    • 创建用户点击事件数据

    • 将源数据写入临时文件并获取绝对路径

    • 创建表载入用户点击事件数据

    • 对表运行SQL查询，并将结果作为新表检索

    • Table转换成DataStream

    • 执行任务

  2. 实现代码

    代码HopUserClickApplication：

    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

EnvironmentSettings environmentSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
StreamTableEnvironment tabEnv = StreamTableEnvironment.create(env, environmentSettings);

// 将源数据写入临时文件并获取绝对路径
String contents =
        "张三,http://taobao.com/xxx,2020-10-10 10:00:00\n" +
                "张三,http://taobao.com/xxx,2020-10-10 10:00:10\n" +
                "张三,http://taobao.com/xxx,2020-10-10 10:00:49\n" +
                "张三,http://taobao.com/xxx,2020-10-10 10:01:05\n" +
                "张三,http://taobao.com/xxx,2020-10-10 10:01:58\n" +
                "张三,http://taobao.com/xxx,2020-10-10 10:02:10\n";
String path = FileUtil.createTempFile(contents);

String ddl = "CREATE TABLE user_clicks (\n" +
        "  username varchar,\n" +
        "  click_url varchar,\n" +
        "  ts TIMESTAMP(3),\n" +
        "  WATERMARK FOR ts AS ts - INTERVAL '2' SECOND\n" +
        ") WITH (\n" +
        "  'connector.type' = 'filesystem',\n" +
        "  'connector.path' = '" + path + "',\n" +
        "  'format.type' = 'csv'\n" +
        ")";

tabEnv.sqlUpdate(ddl);

//对表数据进行sql查询，并将结果作为新表进行查询，每隔30秒，统计一次过去1分钟的数据
String query = "SELECT\n" +
        "  HOP_START(ts, INTERVAL '30' SECOND, INTERVAL '1' MINUTE),\n" +
        "  HOP_END(ts, INTERVAL '30' SECOND, INTERVAL '1' MINUTE),\n" +
        "  username,\n" +
        "  COUNT(click_url)\n" +
        "FROM user_clicks\n" +
        "GROUP BY HOP (ts, INTERVAL '30' SECOND, INTERVAL '1' MINUTE), username";

Table result = tabEnv.sqlQuery(query);

tabEnv.toAppendStream(result, Row.class).print();

env.execute();

    每隔30秒，统计一次过去1分钟的用户点击数量。

    输出结果：

    4> 2021-05-10T09:59:30,2021-05-10T10:00:30,张三,2
4> 2021-05-10T10:00,2021-05-10T10:01,张三,3
4> 2021-05-10T10:00:30,2021-05-10T10:01:30,张三,2
4> 2021-05-10T10:01,2021-05-10T10:02,张三,2
4> 2021-05-10T10:01:30,2021-05-10T10:02:30,张三,2
4> 2021-05-10T10:02,2021-05-10T10:03,张三,1

4. Flink SQL 会话窗口实战

  1. 实现步骤

    • 初始化流运行环境

    • 在流模式下使用blink planner

    • 创建用户点击事件数据

    • 将源数据写入临时文件并获取绝对路径

    • 创建表载入用户点击事件数据

    • 对表运行SQL查询，并将结果作为新表检索

    • Table转换成DataStream

    • 执行任务

  2. 代码实现：

    代码：SessionUserClickApplication

    StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

EnvironmentSettings environmentSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build();
StreamTableEnvironment tabEnv = StreamTableEnvironment.create(env, environmentSettings);

// 将源数据写入临时文件并获取绝对路径
String contents =
        "张三,http://taobao.com/xxx,2021-05-10 10:00:00\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:00:10\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:00:49\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:01:05\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:01:58\n" +
                "张三,http://taobao.com/xxx,2021-05-10 10:02:10\n";
String path = FileUtil.createTempFile(contents);

String ddl = "CREATE TABLE user_clicks (\n" +
        "  username varchar,\n" +
        "  click_url varchar,\n" +
        "  ts TIMESTAMP(3),\n" +
        "  WATERMARK FOR ts AS ts - INTERVAL '2' SECOND\n" +
        ") WITH (\n" +
        "  'connector.type' = 'filesystem',\n" +
        "  'connector.path' = '" + path + "',\n" +
        "  'format.type' = 'csv'\n" +
        ")";

tabEnv.sqlUpdate(ddl);

//对表数据进行sql查询，并将结果作为新表进行查询，每隔30秒统计一次数据
String query = "SELECT\n" +
        "  SESSION_START(ts, INTERVAL '30' SECOND),\n" +
        "  SESSION_END(ts, INTERVAL '30' SECOND),\n" +
        "  username,\n" +
        "  COUNT(click_url)\n" +
        "FROM user_clicks\n" +
        "GROUP BY SESSION (ts, INTERVAL '30' SECOND), username";

Table result = tabEnv.sqlQuery(query);

tabEnv.toAppendStream(result, Row.class).print();

env.execute();

    每隔30秒统计一次用户点击数据.

    输出结果：

    4> 2021-05-10T10:00,2021-05-10T10:00:40,张三,2
4> 2021-05-10T10:00:49,2021-05-10T10:01:35,张三,2
4> 2021-05-10T10:01:58,2021-05-10T10:02:40,张三,2

本文由mirson创作分享，如需进一步交流，请加QQ群：19310171或访问www.softart.cn

麦神-mirson
关注
Flink SQL案例总结
litlit023的专栏
01-23 399
实时数仓|Flink SQL之维表join - 知乎2​​​​​​​2​​​​ 2. 参考资料 实时数仓|Flink SQL之维表join - 知乎 Flink Table API&SQL编程指南之时间属性(3)
Flink Table API & SQL 类型系统 DataType
SmartSi
05-03 1242
Flink 版本：1.13.5 由于历史原因，在 Flink 1.9 之前，Flink 的 Table API & SQL 数据类型与 Flink 的 TypeInformation 紧密耦合。TypeInformation 主要用于 DataStream 和 DataSet API 中，为系统序列化和反序列化基于 JVM 的对象提供必要的信息。 但是，TypeInformation 原本的设计目的并不能表示不同实际 JVM 类的逻辑类型。因此 SQL 的标准类型很难与这种抽象进行映射。此外，某.
Flink Sql client & API案例
weixin_42133361的博客
12-21 896
下面的案例是纯 flink sql 案例 -- 创建数据源表映射 create table source ( id bigint, name STRING )with ( 'connector' = 'jdbc', 'url' = 'jdbc:mysql://localhost:3306/database', 'table-name' = 'table-name', // 这个是mysql中对应的表名 'username' = 'root', 'passwo
Flink SQL一个案例
xingdianp的博客
06-25 837
Flink Table & SQL 概述 背景 Flink SQL 是 Flink 实时计算为简化计算模型，降低用户使用实时计算门槛而设计的一套符合标准 SQL 语义的开发语言。 DataStream 和 DataSet 两套 API，并没有做到事实上的批流统一，因为用户还是使用了2套API。正是​因为 Flink Table & SQL 的加入，可以说 Flink 在某种程度上做到了事实上的批流一体。 原理 1、上图是一张经典的 Flink Table & SQL 实现原理图，
Flink源码学习-executeSql方法及返回值TableResult
最新发布
fs545454的博客
09-08 596
今天主要来学习Flink中TableEnvironment的executeSql方法以及返回值TableResult对象，来看看源码中到底是怎样实现的，Flink的版本是1.14.5。接下来我们聚焦到第一个步骤，主要核心逻辑有三个点，getParser()、parse(statement)、以及弄清楚Operation（如果有了解的小伙伴明白这就是算子，一个task就由多个Operation组成）第二个步骤没什么好解释的，一个sql语句解析为一个operation，Flink一次只允许执行一次sql。
Flink--Table API 和SQL入门案例
weixin_42051673的博客
09-26 217
流式表处理的过程可以描述出下图： 1.先把流转换成动态表 Stream=> table 2.表经过一定操作，转成结果表 table （CRUD）=> table 3.将表转换成流输出 table => Stream /** * @program: flink * @description: ${description} * @author: Mr.G * @create: 2021-09-26 19:21 **/ package com...
flink api和flink sql中得窗口操作及案例
qq_44665283的博客
10-27 878
滚动窗口、滑动窗口及会话窗口 /** * （1）滚动窗口 * * 滚动窗口（Tumbling windows）要用 Tumble 类来定义， 另外还有三个方法： * ⚫ over：定义窗口长度 * ⚫ on：用来分组（按时间间隔） 或者排序（按行数） 的时间字段 * ⚫ as：别名，必须出现在后面的 groupBy 中 */ // Tumbling Event-time Window (事件时间字段rowtime) tab
Flink Table API & SQL 如何定义时间属性
SmartSi
10-05 514
基于时间的操作，例如 Table API 和 SQL 查询中的窗口，需要知道时间相关的信息。因此，表需要提供逻辑时间属性以指明时间以及提供访问相应的时间戳。时间属性可以作为表 schema 的一部分，可以在用 CREATE TABLE DDL 语句创建表的时候指定、也可以在 DataStream 中指定、也可以在定义 TableSource 时指定。一旦定义了时间属性，就可以像普通字段一样使用，也可以在时间相关的操作中使用。
Flink SQL - 1.Table API && Sql 入门 Demo
BITDDD小栈
10-24 1048
Flink Table API 与 Sql 简易入门 Demo 使用与分析。
Flink Table API和SQL原理与代码实例讲解
AI天才研究院
05-31 677
1.背景介绍 Apache Flink是一个开源的大规模数据流处理引擎，它可以在低延迟下实现高吞吐量的数据流处理。Flink支持对大规模数据的实时计算，并且能够无缝地将批处理作业转换为流处理作业。Flink的核心功能包括流数据处理、状态管理、容错机制以及窗口函数等。 Flink的Table API是Flink生态系统中的一项重要特性，它提
Flink Table API & SQL 自定义 Table 表函数
SmartSi
05-19 375
1. 什么是表函数 Table Function 也称为表值函数，将 0 个、1 个或者多个标量值作为输入参数（可以是变长参数）。与自定义的标量函数类似，但与标量函数不同。表值函数可以返回任意数量的行(结构化类型)作为输出，而不仅仅是 1 个值。返回的行可以由 1 个或多个字段组成。如果返回的行仅包含一个字段，那么可以不用结构化记录，而是输出一个标量值，该值在运行时隐式包装成一行。调用一次函数输出多行、多列的数据，从形式上更像是输出了一个表 Table，所以表函数可以认为就是返回一个表的函数，这是一个’一对
大数据之flink教程-TableAPI和SQL.pdf
07-27
第一章 整体介绍 2 1.1 什么是 Table API 和 Flink SQL 2 1.2 需要引入的依赖 2 1.3 两种 planner（old & blink）的区别 4 第二章 API 调用 5 2.1 基本程序结构 5 2.2 创建表环境 5 2.3 在 Catalog 中注册表 7 2.3.1 表（Table）的概念 7 2.3.2 连接到文件系统（Csv 格式） 7 2.3.3 连接到 Kafka 8 2.4 表的查询 9 2.4.1 Table API 的调用 9 2.4.2 SQL 查询 10 2.5 将 DataStream 转换成表 11 2.5.1 代码表达 11 2.5.2 数据类型与 Table schema 的对应 12 2.6. 创建临时视图（Temporary View） 12 2.7. 输出表 14 2.7.1 输出到文件 14 2.7.2 更新模式（Update Mode） 15 2.7.3 输出到 Kafka 16 2.7.4 输出到 ElasticSearch 16 2.7.5 输出到 MySql 17 2.8 将表转换成 DataStream 18 2.9 Query 的解释和执行 20 1. 优化查询计划 20 2. 解释成 DataStream 或者 DataSet 程序 20 第三章 流处理中的特殊概念 20 3.1 流处理和关系代数（表，及 SQL）的区别 21 3.2 动态表（Dynamic Tables） 21 3.3 流式持续查询的过程 21 3.3.1 将流转换成表（Table） 22 3.3.2 持续查询（Continuous Query） 23 3.3.3 将动态表转换成流 23 3.4 时间特性 25 3.4.1 处理时间（Processing Time） 25 3.4.2 事件时间（Event Time） 27 第四章 窗口（Windows） 30 4.1 分组窗口（Group Windows） 30 4.1.1 滚动窗口 31 4.1.2 滑动窗口 32 4.1.3 会话窗口 32 4.2 Over Windows 33 1） 无界的 over window 33 2） 有界的 over window 34 4.3 SQL 中窗口的定义 34 4.3.1 Group Windows 34 4.3.2 Over Windows 35 4.4 代码练习（以分组滚动窗口为例） 36 第五章 函数（Functions） 38 5.1 系统内置函数 38 5.2 UDF 40 5.2.1 注册用户自定义函数 UDF 40 5.2.2 标量函数（Scalar Functions） 40 5.2.3 表函数（Table Functions） 42 5.2.4 聚合函数（Aggregate Functions） 45 5.2.5 表聚合函数（Table Aggregate Functions） 47
flink table 使用
01-02
flink demo主要运行讲解flink table的使用 如何利用kafka使用流
Flink SQL实时计算案例二
zhiwen
05-27 1083
知识点:与维表join,开窗计算 消息模拟器 /** * @description loT解决方案之 多维度传感器数据分析 * 模拟传感器采集上传服务 * @author: ZhiWen * @create: 2020-05-25 11:26 **/ public class MessageGenerator03 { /** *功能描述 * 该工业客户拥有1千多台设备，分布在不同城市的多个厂区，每个设备上有10个不同种类传感器，这些传感器，大概每5秒采集并上传一份数据到
从0到1Flink的成长之路-Table API& SQL入门案例
熊老二的博客
07-14 148
入门案例 依赖 依赖 <!-- Either... --> <dependency> <groupId>org.apache.flink</groupId> <artifactId>flink-table-api-java-bridge_2.11</artifactId> <version>1.10.0</version> <scope>provided</scope> </
Flink SQL快速构建实时计算平台
u013343882的博客
02-25 2007
1 描述 利用FLINK SQL 构建一个数据实时分析平台,主要包含以下两个需要实现的需求点 1 FLINK SQL 从KAFKA消费数据，并将数据写入到ES 通过KIBANA查询 2 FLINK SQL 从KAFKA消费数据，计算每十分钟用户独立数据（UV） 2 系统版本 1 Java 8+ 2 flink 1.10 + 3 elasticsearch 6+ 4 kibana 6...
【Flink】Flink 流API 和 Table 以及 SQL API是否可以共存
九师兄
08-26 397
1.概述 /** * 测试点：测试同时跑2个pipline 一个是SQL的 一个是dataStream的能不能共存，以及其中一个报错会怎么样 * * 测试结果： * 2种流结果是可以共存的 * * @throws Exception */ @Test public void sqlAndStram() throws Exception { Configuration configuration = n
Flink Table API和SQL（上）
mengxianglong123的博客
04-09 1976
概述   Flink 提供了对于“表”处理的支持，这就是更高层级的应用API，在 Flink 中被称为Table API 和 SQL。Table API 顾名思义，就是基于“表”（Table）的一套 API，它是内嵌在 Java、 Scala 等语言中的一种声明式领域特定语言（DSL），也就是专门为处理表而设计的；在此基础上，Flink 还基于Apache Calcite 实现了对 SQL 的支持。这样一来，我们就可以在 Flink 程序中直接写 SQL 来实现处理需求了。   在 Flink 中这两种
Flink1.15 SQL实现翻滚窗口实时计算
大数据研习社
05-07 1824
摘要： 随着Flink1.5的发布，FlinkSQL 流批一体更加成熟与完善。 Flink SQL可以替代Flink DataStream实现窗口计算。 1 Flink翻滚窗口适用场景 1.1定义 将数据依据固定的窗口度对无界数据流进行切片。 1.2特点 时间对、窗口长度固定、event无重叠。 1.3适用场景 BI统计(计算各个时间段的指标) 2 Flink SQL窗口编程模型 Table table = input .window([...
评论 1
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

麦神-mirson

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