2021.5.20 sparksql的Dataframe的api（更新中）

最新推荐文章于 2024-06-30 01:49:55 发布
最新推荐文章于 2024-06-30 01:49:55 发布
阅读量501 收藏 1
点赞数 1
分类专栏： 大数据
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/m0_48758256/article/details/117094231
版权
本文详细介绍了如何使用Spark DataFrame进行数据连接，包括join操作和不同类型字段的处理，还展示了explode函数的应用。通过实例演示了不同类型数据插入、map类型操作和条件表达式在DataFrame中的使用。
摘要由CSDN通过智能技术生成

实际使用dataFrame的api的时候的时候才发现忘记的差不多了，常用的api做了一个整理，但是会涉及到公司的代码没有办法拿出来。
下面会写一些测试案例：

记录一下朋友的环境参数及版本号，以备以后查找使用，上次帮朋友下载依赖，自己的环境配置找不到了emmm：

<properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <maven.compiler.source>1.8</maven.compiler.source>
    <maven.compiler.target>1.8</maven.compiler.target>
    <hive-common.version>3.0.0-cdh6.3.2</hive-common.version>
    <hive-client.version>3.0.0-cdh6.3.2</hive-client.version>
    <hadoop-hdfs.version>3.0.0-cdh6.3.2</hadoop-hdfs.version>
    <spark.version>2.4.0-cdh6.3.2</spark.version>
</properties>

没事我还有spark-shell，艰难：

第一个是表的连接：

join方法：
使用spark连接的hive数据库，用的是sparksql的方式生成的dataframe
1.我的exam库里有这么一张表：ex_exam_record

//使用exam库
scala> spark.sql("use exam")
res38: org.apache.spark.sql.DataFrame = []
//查看一下exam库里有哪些表
scala> spark.sql("show tables").show
+--------+----------------+-----------+
|database|       tableName|isTemporary|
+--------+----------------+-----------+
|    exam| ex_exam_anlysis|      false|
|    exam|ex_exam_question|      false|
|    exam|  ex_exam_record|      false|
+--------+----------------+-----------+
//查看一下表结构
scala> spark.sql("desc ex_exam_record").show
+-----------+---------+-------+
|   col_name|data_type|comment|
+-----------+---------+-------+
|   topic_id|   string|   null|
| student_id|   string|   null|
|question_id|   string|   null|
|      score|    float|   null|
+-----------+---------+-------+
//查询表中的10行结果，如图所示
scala> spark.sql("select * from ex_exam_record limit 10").show
+--------+-------------+-----------+-----+
|topic_id|   student_id|question_id|score|
+--------+-------------+-----------+-----+
|34434412|8195023659593|       8080|  1.0|
|34434459|8195023659592|       3762|  0.0|
| 3443449|8195023659591|       1736|  0.0|
|34434473|8195023659591|       7982|  0.0|
|34434444|8195023659595|       4753|  0.0|
|34434425|8195023659597|       7130|  1.0|
|34434497|8195023659594|       3365|  1.0|
|34434473|8195023659597|       7680|  1.0|
|34434417|8195023659593|       3727|  0.0|
|34434454|8195023659598|       6108|  1.0|
+--------+-------------+-----------+-----+

2.把这张表生成一个dataFrame，命名就叫recordDf

//生成recordDf
scala> val recordDf =  spark.sql("select * from ex_exam_record")
recordDf: org.apache.spark.sql.DataFrame = [topic_id: string, student_id: string ... 2 more fields]
//展示前10行
scala> recordDf.show(10)
+--------+-------------+-----------+-----+
|topic_id|   student_id|question_id|score|
+--------+-------------+-----------+-----+
|34434412|8195023659593|       8080|  1.0|
|34434459|8195023659592|       3762|  0.0|
| 3443449|8195023659591|       1736|  0.0|
|34434473|8195023659591|       7982|  0.0|
|34434444|8195023659595|       4753|  0.0|
|34434425|8195023659597|       7130|  1.0|
|34434497|8195023659594|       3365|  1.0|
|34434473|8195023659597|       7680|  1.0|
|34434417|8195023659593|       3727|  0.0|
|34434454|8195023659598|       6108|  1.0|
+--------+-------------+-----------+-----+
only showing top 10 rows

3.这时候为了展示关联，我想设置一个有相同字段的表，这时候新建一张表，假设叫test1
我们看到record表里的topic_id是string类型的
我们可以假设一张新的表，topic_id是int类型的

scala> spark.sql("create table test1 ( topic_id int comment '主题id', teacher_id int comment '教师id' )")
res46: org.apache.spark.sql.DataFrame = []

scala> spark.sql("desc test1")
res47: org.apache.spark.sql.DataFrame = [col_name: string, data_type: string ... 1 more field]

scala> spark.sql("desc test1").show()
+----------+---------+-------+
|  col_name|data_type|comment|
+----------+---------+-------+
|  topic_id|      int| 主题id|
|teacher_id|      int| 教师id|
+----------+---------+-------+

4.像表中插入一些数据，看到原表中有这样的id：34434412和34434459

scala> spark.sql("insert into table test1 values (34434412,1),(34434459,2)")
res50: org.apache.spark.sql.DataFrame = []
scala> spark.sql("select * from test1").show
+--------+----------+
|topic_id|teacher_id|
+--------+----------+
|34434412|         1|
|34434459|         2|
+--------+----------

5.这两个字段就插入成功了，这时候尝试进行join操作，注意现在的topic_id类型是不同的

//先把test1表建成dataFrame
scala> val test1Df = spark.sql("select * from test1")
test1Df: org.apache.spark.sql.DataFrame = [topic_id: int, teacher_id: int]
scala> test1Df.show()
+--------+----------+
|topic_id|teacher_id|
+--------+----------+
|34434412|         1|
|34434459|         2|
+--------+----------+
//然后尝试将recordDf和test1Df进行join操作
scala> test1Df.join(recordDf,recordDf("topic_id")===test1Df("topic_id"),"left").show(5)
+--------+----------+--------+-------------+-----------+-----+
|topic_id|teacher_id|topic_id|   student_id|question_id|score|
+--------+----------+--------+-------------+-----------+-----+
|34434412|         1|34434412|8195023659593|       8080|  1.0|
|34434412|         1|34434412|8195023659591|       8775|  0.0|
|34434412|         1|34434412|8195023659594|       2439|  0.5|
|34434412|         1|34434412|8195023659593|       9496|  1.0|
|34434412|         1|34434412|8195023659598|       7854|  0.0|
+--------+----------+--------+-------------+-----------+-----+
only showing top 5 rows
scala> recordDf.join(test1Df,recordDf("topic_id")===test1Df("topic_id"),"left").show(5)
+--------+-------------+-----------+-----+--------+----------+
|topic_id|   student_id|question_id|score|topic_id|teacher_id|
+--------+-------------+-----------+-----+--------+----------+
|34434412|8195023659593|       8080|  1.0|34434412|         1|
|34434459|8195023659592|       3762|  0.0|34434459|         2|
| 3443449|8195023659591|       1736|  0.0|    null|      null|
|34434473|8195023659591|       7982|  0.0|    null|      null|
|34434444|8195023659595|       4753|  0.0|    null|      null|
+--------+-------------+-----------+-----+--------+----------+
only showing top 5 rows
//这两个类型不同也join上了，查看一下dataFrame的schema
scala> recordDf.schema
res60: org.apache.spark.sql.types.StructType = StructType(StructField(topic_id,StringType,true), StructField(student_id,StringType,true), StructField(question_id,StringType,true), StructField(score,FloatType,true))
scala> test1Df.schema
res61: org.apache.spark.sql.types.StructType = StructType(StructField(topic_id,IntegerType,true), StructField(teacher_id,IntegerType,true))

6.可以看到在join的时候，如果类型不同，会尝试做自动的类型转换，记录一下手动类型转换的方法

scala> val newRecordDf = recordDf.withColumn("new_topic_id",col("topic_id") cast "Int")
scala> newRecordDf.schema
res64: org.apache.spark.sql.types.StructType = StructType(
StructField(topic_id,StringType,true), 
StructField(student_id,StringType,true), 
StructField(question_id,StringType,true), 
StructField(score,FloatType,true), 
StructField(new_topic_id,IntegerType,true)
)
//结论：可以看到这里是新增了一个列new_topic_id，类型是IntegerType
//     原来的列topic_id并没有消失，而且类型也没有发生改变
scala> val newRecordDf = recordDf.withColumn("topic_id",col("topic_id") cast "Int")
scala> newRecordDf.schema
res65: org.apache.spark.sql.types.StructType = StructType(
StructField(topic_id,IntegerType,true), 
StructField(student_id,StringType,true), 
StructField(question_id,StringType,true), 
StructField(score,FloatType,true)
)
//结论：如果新增的列名与原列名相同，则会直接进行覆盖，将其类型进行转换

5.23更新：
explode的使用方法：
对于array或者map类型的字段做处理

org.apache.spark.sql.AnalysisException: 
cannot resolve 'explode(exam.ex_exam_record.`topic_id`)' due to data type mismatch: 
input to function explode should be array or map type, not string;
修改表ddl语句
ALTER TABLE c_employee ADD COLUMNS (work string); -- 添加列
spark.sql("ALTER TABLE test1 ADD COLUMNS (mapCol map<string,string>) ")

.withColumn("region_country", explode(col("region_countries")))

问题1：
map类型使用insert into的方式该如何插入数据？
不使用insert into的方式又可以怎么加载数据？将文本文件load到hdfs的对应目录下，注意分隔符\001 \002 \003这种默认的分隔符

增加一个列并给新增的列赋值：

scala> test1Df.withColumn("topic_id1",lit($"topic_id")).show
+--------+----------+---------+
|topic_id|teacher_id|topic_id1|
+--------+----------+---------+
|34434412|         1| 34434412|
|34434459|         2| 34434459|
+--------+----------+---------+
scala> test1Df.withColumn("topic_id1",lit("topic_id")).show
+--------+----------+---------+
|topic_id|teacher_id|topic_id1|
+--------+----------+---------+
|34434412|         1| topic_id|
|34434459|         2| topic_id|
+--------+----------+---------+

类似于case when在dataframe的实现：

scala> recordDf.show(10)
+--------+-------------+-----------+-----+
|topic_id|   student_id|question_id|score|
+--------+-------------+-----------+-----+
|34434412|8195023659593|       8080|  1.0|
|34434459|8195023659592|       3762|  0.0|
| 3443449|8195023659591|       1736|  0.0|
|34434473|8195023659591|       7982|  0.0|
|34434444|8195023659595|       4753|  0.0|
|34434425|8195023659597|       7130|  1.0|
|34434497|8195023659594|       3365|  1.0|
|34434473|8195023659597|       7680|  1.0|
|34434417|8195023659593|       3727|  0.0|
|34434454|8195023659598|       6108|  1.0|
+--------+-------------+-----------+-----+
only showing top 10 rows

scala> recordDf.withColumn("grade",when(col("score")>0.0,lit("优秀")).otherwise(col("score"))).show(10)
+--------+-------------+-----------+-----+-----+
|topic_id|   student_id|question_id|score|grade|
+--------+-------------+-----------+-----+-----+
|34434412|8195023659593|       8080|  1.0| 优秀|
|34434459|8195023659592|       3762|  0.0|  0.0|
| 3443449|8195023659591|       1736|  0.0|  0.0|
|34434473|8195023659591|       7982|  0.0|  0.0|
|34434444|8195023659595|       4753|  0.0|  0.0|
|34434425|8195023659597|       7130|  1.0| 优秀|
|34434497|8195023659594|       3365|  1.0| 优秀|
|34434473|8195023659597|       7680|  1.0| 优秀|
|34434417|8195023659593|       3727|  0.0|  0.0|
|34434454|8195023659598|       6108|  1.0| 优秀|
+--------+-------------+-----------+-----+-----+
only showing top 10 rows

总结一下取一个列的值的几种方法：

col("score")
$"score"
recordDf("score")

表关联join的几种方式:
主要注意的是left_anti这种方式，是选择关联不上的左表的字段

scala> recordDf.join(test1Df,recordDf("topic_id")===test1Df("topic_id"),"left").show(5)
+--------+-------------+-----------+-----+--------+----------+
|topic_id|   student_id|question_id|score|topic_id|teacher_id|
+--------+-------------+-----------+-----+--------+----------+
|34434412|8195023659593|       8080|  1.0|34434412|         1|
|34434459|8195023659592|       3762|  0.0|34434459|         2|
| 3443449|8195023659591|       1736|  0.0|    null|      null|
|34434473|8195023659591|       7982|  0.0|    null|      null|
|34434444|8195023659595|       4753|  0.0|    null|      null|
+--------+-------------+-----------+-----+--------+----------+
only showing top 5 rows


scala> recordDf.join(test1Df,recordDf("topic_id")===test1Df("topic_id"),"left_anti").show(5)
+--------+-------------+-----------+-----+
|topic_id|   student_id|question_id|score|
+--------+-------------+-----------+-----+
| 3443449|8195023659591|       1736|  0.0|
|34434473|8195023659591|       7982|  0.0|
|34434444|8195023659595|       4753|  0.0|
|34434425|8195023659597|       7130|  1.0|
|34434497|8195023659594|       3365|  1.0|
+--------+-------------+-----------+-----+
only showing top 5 rows


scala> recordDf.join(test1Df,recordDf("topic_id")===test1Df("topic_id")).show(5)
+--------+-------------+-----------+-----+--------+----------+
|topic_id|   student_id|question_id|score|topic_id|teacher_id|
+--------+-------------+-----------+-----+--------+----------+
|34434412|8195023659593|       8080|  1.0|34434412|         1|
|34434459|8195023659592|       3762|  0.0|34434459|         2|
|34434459|8195023659591|       5657|  0.5|34434459|         2|
|34434412|8195023659591|       8775|  0.0|34434412|         1|
|34434459|8195023659596|       8248|  0.5|34434459|         2|
+--------+-------------+-----------+-----+--------+----------+
only showing top 5 rows

scala> recordDf.join(test1Df,recordDf("topic_id")===test1Df("topic_id"),"right").show(5)
+--------+-------------+-----------+-----+--------+----------+
|topic_id|   student_id|question_id|score|topic_id|teacher_id|
+--------+-------------+-----------+-----+--------+----------+
|34434412|8195023659593|       8080|  1.0|34434412|         1|
|34434412|8195023659591|       8775|  0.0|34434412|         1|
|34434412|8195023659594|       2439|  0.5|34434412|         1|
|34434412|8195023659593|       9496|  1.0|34434412|         1|
|34434412|8195023659598|       7854|  0.0|34434412|         1|
+--------+-------------+-----------+-----+--------+----------+
only showing top 5 rows

好多这种写法 :_* 选择数组中的全部元素

val selectedFields = "student_id,question_id,score"
recordDf.selectExpr(selectedFields.split(","): _*).show(5)
+-------------+-----------+-----+
|   student_id|question_id|score|
+-------------+-----------+-----+
|8195023659593|       8080|  1.0|
|8195023659592|       3762|  0.0|
|8195023659591|       1736|  0.0|
|8195023659591|       7982|  0.0|
|8195023659595|       4753|  0.0|
+-------------+-----------+-----+
only showing top 5 rows
选择数组中的全部元素
scala> recordDf.selectExpr(selectedFields.split(",")(0) ).show(5)
+-------------+
|   student_id|
+-------------+
|8195023659593|
|8195023659592|
|8195023659591|
|8195023659591|
|8195023659595|
+-------------+
only showing top 5 rows
选择数组中下标为0的元素

scala> recordDf.select("topic_id","student_id").show(2)
+--------+-------------+
|topic_id|   student_id|
+--------+-------------+
|34434412|8195023659593|
|34434459|8195023659592|
+--------+-------------+
only showing top 2 rows

scala> recordDf.select($"topic_id",$"student_id").show(2)
+--------+-------------+
|topic_id|   student_id|
+--------+-------------+
|34434412|8195023659593|
|34434459|8195023659592|
+--------+-------------+
only showing top 2 rows


scala> val aaa = recordDf("topic_id")
aaa: org.apache.spark.sql.Column = topic_id

scala> recordDf.select(aaa,$"student_id").show(2)
+--------+-------------+
|topic_id|   student_id|
+--------+-------------+
|34434412|8195023659593|
|34434459|8195023659592|
+--------+-------------+
only showing top 2 rows

scala> val aaa=$"topic_id"
aaa: org.apache.spark.sql.ColumnName = topic_id
scala> val aaa="topic_id"
aaa: String = topic_id
超可爱慕之
关注
专栏目录
【硬刚大数据之面试篇】2021年从零到大数据专家面试篇之SparkSQL篇
微信搜：import_bigdata，大数据领域硬核原创作者
07-28 1540
????欢迎关注博客主页：https://blog.csdn.net/u013411339 ????欢迎点赞 ???? 收藏 ⭐留言 ???? ，欢迎留言交流！ ????本文由【王知无】原创，首发于 CSDN博客！ ????本文首发CSDN论坛，未经过官方和本人允许，严禁转载！ 本文是对《【硬刚大数据之学习路线篇】2021年从零到大数据专家的学习指南(全面升级版)》的面试部分补充。 硬刚大数据系列文章链接： 2021年从零到大数据专家的学习指南(全面升级版) 2021年从零到大数据专家面试篇之H
spark dataframe API 整理
ZhanYunQI的博客
04-27 4097
1，从列表中创建dataframe    列表的每一个元素转换成Row对象，利用parallelize()函数将列表转换成RDD，toDF()函数将RDD转换成dataframe    from pyspark.sql import Row    l=[Row(name='jack',age=10),Row(name='lucy',age=12)]    df=sc.parallelize
SparkSQL模块中DataFrame常用API操作
qq_41420150的博客
11-13 723
学习目标： 对SparkSQL2.x模块中DataFrame的API操作进行整理。在工作中多个业务场景应用SparkSQL模块完成离线批处理操作，对海量历史数据处理和分析，分析结果数据，供下一步数据应用进行使用。并且在性能上解决了Hive方面的性能短板问题。在此记录下对SparkSQL模块中DataFrame的API常用操作。 学习内容： 1、 掌握DataFrame中常用api操作，包含：①数据源读取与保存。②在DataFrame中ETL操作。 2、流程：①应用spark对象完成声明操作 ps.
SpringBoot使用Spark的DataFrame API
最新发布
★【World Of Moshow 郑锴】★
06-30 1190
Apache Spark是一个开源的分布式计算系统，它提供了一个快速和通用的集群计算平台。Spark 能够处理大规模数据，支持多种编程语言，如Scala、Java和Python，并且具有多种高级功能，包括SQL查询、机器学习、图处理和实时数据流处理。Spark是一个功能强大且灵活的计算平台，适用于各种大数据处理场景。通过其丰富的API和组件，Spark能够满足从批处理到实时处理、从数据处理到机器学习的多种需求。
Spark DataFrame----一个用于大规模数据科学的API
热门推荐
风行天下
02-20 1万+
DataFrame，作为2014–2015年Spark最大的API改动，能够使得大数据更为简单，从而拥有更广泛的受众群体。 文章翻译自Introducing DataFrames in Spark for Large Scale Data Science，作者Reynold Xin（辛湜，@hashjoin），Michael Armbrust，Davies Liu。 以下为译文
SparkSQL之DataFrame API
vincent_duan的专栏
03-28 227
测试文件 测试文件employees.json，内容如下： {"name":"Michael", "salary":3000, "age": 28} {"name":"Andy", "salary":4500} {"name":"Justin", "salary":3500} {"name":"Berta", "salary":4000} {"name":"vincent", "salary":9...
Spark DataFrame API
weixin_34291004的博客
03-30 176
2019独角兽企业重金招聘Python工程师标准>>> ...
【面试宝典】2021年超全超详细的最新大数据开发面试题，附答案解析(一版).pdf
04-05
17. SparkSQL使用：SparkSQL支持使用DataFrame API或SQL语句进行数据查询和处理，选择哪种方式取决于具体需求和个人偏好。 18. RDD操作：如reduceByKey与groupByKey的性能比较，通常reduceByKey更适合。 19. Spark...
SparkSQL知识点总结
默主归沙的博客
06-06 3969
零基础学sparksql
第58课：使用Java和Scala在IDE中开发DataFrame实战学习笔记
slq1023的博客
03-27 1999
第58课：使用Java和Scala在IDE中开发DataFrame实战学习笔记 本期内容： 1. 使用Java开发DataFrame实战 2.  使用Scala开发DataFrame实战   自Spark1.3开始大多数SparkSQL都基于DataFrame编程。因为DataFrame高效且功能强大。 可以把SparkSQl作为一个分布式查询引擎。SparkSQL一般都和Hive一起
Spark复习五：DataFrame API操作
csdnliu123的博客
04-18 536
1:直接读取文件： scala> val userDF=spark.read.format("csv").option("header","true").option("delimiter",",").load("file:///home/data/users.csv") userDF: org.apache.spark.sql.DataFrame = [user_id: string, ...
Spark SQL实战(04)-API编程之DataFrame
JavaEdge全是干货的技术号
03-24 1187
Dataset是一个分布式数据集，提供RDD强类型和使用强大的lambda函数的能力，并结合了Spark SQL优化的执行引擎。R语言也有类似的特点。通过调用该实例的方法，可以将各种Scala数据类型（如case class、元组等）与Spark SQL中的数据类型（如Row、DataFrame、Dataset等）之间进行转换，从而方便地进行数据操作和查询。在使用许多Spark SQL API的时候，往往需要使用这行代码将隐式转换函数导入当前上下文，以获得更加简洁和易于理解的代码编写方式。
DataFrame相关的API
denglh525693的博客
01-08 1163
操作DataFrame一般有两种操作方案:一种为DSL方式,一种为SQL方式.SQL方式:通过编写SQL语句完成统计分析操作,DSL操作:特定领域语言,使用DataFrame特有的API完成计算,也就是代码形式,本文还总结了DSL相关的API,对Spark SQL的综合应用作了基础的演示,包含了SQL方式,以及DSL方式
【Spark系列5】Dataframe下常用算子API
qq_33592535的博客
01-30 736
udf(): 定义一个新的用户定义函数。
1３ | Spark SQL 的 DataFrame API
微信号：RunsenLiu
09-03 812
DataFrame 是 Spark SQL 中的核心数据结构，它是一个分布式的带有命名列的数据集，类似于传统数据库表或 Pandas 数据帧。DataFrame API 提供了多种操作和转换方法，包括选择、过滤、分组、聚合、连接等，用于处理和分析数据。：将数据按照一个或多个列进行分组，然后对每个组进行聚合操作（如计数、平均值、总和等）。：连接两个或多个 DataFrame，可以进行内连接、外连接等不同类型的连接操作。：选择一个或多个列以构建新的 DataFrame。：将多个列的值合并成一个新的列。
spark dataFrame api操作
Mrerlou的博客
05-19 122
api代码示例入下 object DataFrameCase { def main(args: Array[String]): Unit = { val sparksession = SparkSession.builder().appName("DataFrameCase").master("local[2]").getOrCreate() val path ...
14 | Spark SQL 的 DataFrame API 读取CSV 操作
微信号：RunsenLiu
09-03 1895
在这个需求中，我们将使用 Apache Spark 的 DataFrame API 对包含销售数据的 CSV 文件进行不同类型的数据操作。当使用 Spark SQL 的 DataFrame API 读取 CSV 文件时，你可以按照以下步骤进行操作。从包含销售数据的 CSV 文件中加载数据，并创建一个 DataFrame 来存储它。方法显示 DataFrame 的前几行数据，以便查看数据的内容。将包含多个值的列拆分成多个列，以便更细粒度地处理数据。将多个列的值合并成一个新的列，以便创建更有用的信息。
dataframe常用API(python)
星辰的博客
10-18 1201
数据收集到驱动器中进行计算，就不是分布式并行计算了，而是串行计算，会更慢，所以，除了常看小数据，一般吧建议使用。map方法可以对dataframe数据集中的数据进行逐个操作，他与flatMap的不同之处在于，flatMap是将数据集中的数据作为一个整体去处理，之后再对其中的数据做计算，map则是直接对数据集中的数据做单独处理。这里的重复项指的是两行的数据完全相同。filter方法是一个常用的方法，用条件来过滤数据集，如果想选择某列中大于或小于某数的数据，就可以使用filter方法。
如何将pandas.dataframe追加到dask.dataframe中
06-07
1. 将 Pandas DataFrame 转换为 Dask DataFrame，可以使用 `dask.dataframe.from_pandas()` 方法。 ``` import dask.dataframe as dd import pandas as pd # 创建 Pandas DataFrame df_pandas = pd.DataFrame({'A'...
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