基于Python的政府新闻人物网络挖掘（网络、群体与市场）

于 2022-03-18 15:30:43 发布
阅读量279 收藏
点赞数
分类专栏： java 后端 文章标签： python 开发语言
原文链接：https://blog.csdn.net/newlw/article/details/123436474
版权
java 同时被 2 个专栏收录
278 篇文章 21 订阅
订阅专栏
后端
14 篇文章 0 订阅
订阅专栏

用户手册

概述

程序支持使用结巴分词获取人物、地点、机构三类实体名，以 network x ext{network}x networkx 和 Neo4j ext{Neo4j} Neo4j 两种方法构建人物关系网络，在此基础上计算网络属性、 PageRank ext{PageRank} PageRank 、聚集系数、中介中心度、 Louvain ext{Louvain} Louvain 社区发现以及 k ext{k} k 短路径。

项目文件夹下包括源代码目录 src，已计算好的各类分值及预处理后的 Json ext{Json} Json 文件目录 data_Json，以及从 gov.cn ext{gov.cn} gov.cn 上获取的新闻数据 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{gov_news.txt} 。用户可调用函数复现项目内容，也可以根据计算好的 Json ext{Json} Json 文件直接获取结果。

本项目的实现使用 python3.7 和 Neo4j-3.5.11。

**注：**不同版本的 Neo4j ext{Neo4j} Neo4j 数据库支持的函数 API ext{API} API 不全然相同，可根据 Neo4j ext{Neo4j} Neo4j 官网说明修改 src/Gov_neo4y.py 和 src/utils.py 中的部分 Neo4j ext{Neo4j} Neo4j 命令行语句，可达到同样的效果。

文件及参数说明

  1. utils.py

    参数

    功能

    d -d d

    需附加参数，参数为预处理结果保存目录，默认为KaTeX parse error: Expected ‘}’, got ‘_’ at position 19: …xt{’…/data/new_data_Json’}

  2. Gov_networkx.py

    参数

    功能

    d -d d

    需附加参数，参数为网络关系文件路径，由数据预处理过程得到，默认为KaTeX parse error: Expected ‘}’, got ‘_’ at position 20: …t{’…/data/data_Json/relation_f…

    n -n n

    需附加参数，参数为结果文件保存目录，默认为 KaTeX parse error: Expected ‘}’, got ‘_’ at position 20: …t{’…/data/data_Json’}

    v -v v

    图的验证，输入一个人名，查询与其关系最强的 10 个邻居

    s -s s

    图的统计，获取图的结点个数、边数、连通分量个数、最大连通分量大小

    c p -cp cp

    计算并返回 PageRank ext{PageRank} PageRank影响力 Top10 ext{Top 10} Top10 人物及分数，将所有人物的分值保存在结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{pagerank_networkx.json}

    c c -cc cc

    使用 Louvain ext{Louvain} Louvain 算法社区挖掘，并将各人所属社区编号保存至结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 16: ext{community_networkx.json}

    c f -cf cf

    计算并返回聚集系数 Top10 ext{Top 10} Top10 人物及分值，将所有人物的聚集系数保存至结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 17: …text{clustering_coef_networkx.j…

    p -p p

    读取结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{pagerank_networkx.json} 文件，获取 Top10 ext{Top 10} Top10

    f -f f

    读取结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 17: …text{clustering_coef_networkx.j… ，获取 Top10 ext{Top 10} Top10

    w -w w

    获取两节点间的 前 10 10 10 条最短路径

  3. Gov_neo4j.py

    参数

    功能

    d -d d

    需附加参数，参数为网络关系文件路径，由数据预处理过程得到，默认为KaTeX parse error: Expected ‘}’, got ‘_’ at position 20: …t{’…/data/data_Json/relation_f…

    n -n n

    需附加参数，参数为结果文件保存目录，默认为 KaTeX parse error: Expected ‘}’, got ‘_’ at position 20: …t{’…/data/data_Json’}

    c -c c

    创建 N e o 4 j Neo4j Neo4j 数据库

    c p r -cpr cpr

    计算 PageRank ext{PageRank} PageRank 分值，并保存至 N e o 4 j Neo4j Neo4j 数据库，作为节点属性

    p r -pr pr

    获取 N e o 4 j Neo4j Neo4j 中保存的 PageRank ext{PageRank} PageRank 分值，并保存至结果文件夹下 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{pagerank_neo4j.json}

    c b c -cbc cbc

    计算中介中心性，并保存至 N e o 4 j Neo4j Neo4j 数据库，作为节点属性

    b c -bc bc

    获取 N e o 4 j Neo4j Neo4j 中保存的 Betweennesscentrality ext{Betweenness centrality} Betweennesscentrality 分值，并保存至结果文件夹下 KaTeX parse error: Expected ‘}’, got ‘_’ at position 18: …ext{betweenness_centrality.json…

    c l -cl cl

    使用 Louvain ext{Louvain} Louvain 算法划分社区，并将各节点所属社区编号保存至 N e o 4 j Neo4j Neo4j 数据库，作为节点属性

    l -l l

    获取各社区包含的所有节点，并保存至结果文件夹下 KaTeX parse error: Expected ‘}’, got ‘_’ at position 16: ext{community_neo4j.json}

数据预处理

数据预处理部分代码在 src/utils.py 中，如下运行即可对新闻数据进行预处理：

cd src	#进入代码目录文件www.biyezuopin.vip
python utils.py		# 使用默认存储目录../data/new_data_Json
python utils.py -d ../data/new_data_Json # 自定义存储目录

预处理结果已存放在目录 src/data_Json 中，用户可直接利用该目录中的数据文件。

**注：**推荐使用 src/data_Json 中的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 12: ext{human_filtered2.json} 和 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{relation_filtered.json} 文件，其为作者人工删除掉部分结巴分词得到的“垃圾”数据的结果，例如成语、四字词语、地名、机构名后的人名集合和关系集合，相对原始数据更准确。用户也可自行从头运行数据预处理部分，比对结果。

该文件主要包括以下两部分功能：

  1. 结巴分词及频度统计：

    使用结巴分词对人名、地名、机构名进行抽取和词频统计，并根据新闻共现关系建立联系。存储在指定目录下的 human.json,places.json,organs.json ext{human.json,places.json,organs.json} human.json,places.json,organs.json 和 relation.json ext{relation.json} relation.json 中。

  2. 实体名排序及过滤

    对三类实体按频度排序，并存储在 KaTeX parse error: Expected ‘}’, got ‘_’ at position 12: ext{human_sorted1.json, p… 文件中。进一步对人名处理，过滤掉其中单字人名，并相应删除对应的关系。保存在 KaTeX parse error: Expected ‘}’, got ‘_’ at position 12: ext{human_sorted2.json} 和 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{relation_filtered.json} 中。

N e t w o r k x Networkx Networkx 网络分析

使用 Networkx ext{Networkx} Networkx 构建和分析网络，实现了网络构建、图的验证、图的统计、 PageRank ext{PageRank} PageRank影响力计算、聚集系数计算、 Louvain ext{Louvain} Louvain社区挖掘。代码在 src/Gov_networkx.py 中。

  1. 图的验证

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，获取目标人物的 Top10 ext{Top 10} Top10 强关系节点。

    cd src
python Gov_networkx.py -v	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -v	#使用自定义关系数据路径

    根据提示输入人名，输入 quit ext{quit} quit即可退出。若输入的人名不存在，则程序给出提示，可重新输入人名。

  2. 图的统计

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，获取图的统计信息：

    cd src
python Gov_networkx.py -s	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -s	#使用自定义关系数据路径

    输出结点数、边数、连通分支数、极大连通分支节点数：

  3. PageRank ext{PageRank} PageRank影响力

    用户可直接使用计算好的文件输出 PageRankTop10 ext{PageRank Top 10} PageRankTop10 ，也可以选择重新计算 PageRank ext{PageRank} PageRank 并保存。

    a. 计算 PageRank ext{PageRank} PageRank 并保存结果

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，在输出 Top10 ext{Top 10} Top10 人物的同时，将所有节点的分值保存至指定目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{pagerank_networkx.json} ：

    cd src
python Gov_networkx.py -cp	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -cp	#使用自定义关系数据路径，自定义输出结果目录

    b. 直接获取 PageRank ext{PageRank} PageRank

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，在输出 Top10 ext{Top 10} Top10 人物的同时，将所有节点的分值保存至指定目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{pagerank_networkx.json} ：

    cd src
python Gov_networkx.py -p	# 使用默认关系数据路径www.biyezuopin.cc
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -p	#使用自定义关系数据路径，自定义结果目录（pagerank_networkx.json所在目录）

  4. 聚集系数计算

    用户可直接使用计算好的文件输出聚集系数 Top10 ext{Top 10} Top10 ，也可以选择重新计算聚集系数并保存。

    a. 计算聚集系数并保存结果

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，在输出 Top10 ext{Top 10} Top10 人物的同时，将所有节点的分值保存至指定目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 17: …text{clustering_coef_networkx.j… ：

    cd src
python Gov_networkx.py -cf	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -cf	#使用自定义关系数据路径，自定义输出结果目录

    b. 直接获取聚集系数

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，在输出 Top10 ext{Top 10} Top10 人物的同时，将所有节点的分值保存至指定目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 17: …text{clustering_coef_networkx.j… ：

    cd src
python Gov_networkx.py -p	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -p	#使用自定义关系数据路径，自定义结果目录（clustering_coef_networkx.json所在目录）

  5. Louvain ext{Louvain} Louvain社区挖掘

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，将所有节点所属社区保存至指定目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 16: ext{community_networkx.json} ：

    cd src
python Gov_networkx.py -cc	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -cc	#使用自定义关系数据路径，自定义结果目录

    正确运行输出如下：

  6. 小世界现象： K ext{K} K 短路径

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_networkx.py}，使用 Yen’s ext{Yen’s} Yen’s 算法获取节点间最短路径：

    cd src
python Gov_networkx.py -w	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -w	#使用自定义关系数据路径

    根据提示输入源节点和目标节点人名，输入 $ ext{quit} $即可退出。

N e o 4 j Neo4j Neo4j 网络分析

使用图数据库 N e o 4 j Neo4j Neo4j 进行网络的构建和指标计算，实现了 PageRank ext{PageRank} PageRank 计算、中介中心性计算和 Louvain ext{Louvain} Louvain 社区挖掘。代码在 src/Gov_neo4j.py 中。

**注：**使用该部分代码需要用户安装或在线使用 N e o 4 j Neo4j Neo4j 数据库。

  1. 向 N e o 4 j Neo4j Neo4j 数据库导入数据，构建网络

    如下运行 KaTeX parse error: Expected ‘}’, got ‘_’ at position 10: ext{Gov_neo4j.py}，构建图数据库：

    cd src
python Gov_neo4j.py -c	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -w	#使用自定义关系数据路径

    代码正确运行输出如下，首先连接 N e o 4 j Neo4j Neo4j 数据库，然后清空当前数据库，将网路节点及关系插入数据库。

  2. PageRank ext{PageRank} PageRank 影响力

    首次运行时，用户需先调用 c p r -cpr cpr 计算 PageRank ext{PageRank} PageRank 分值并保存至数据库，再调用 p r -pr pr 获取分值。此后可直接调用 p r -pr pr 获取分值。调用 p r -pr pr 在输出 Top10 ext{Top 10} Top10 的同时，也将结果保存至结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 15: ext{pagerank_neo4j.json} 文件中。

    cd src
# 首次运行示例
python Gov_neo4j.py -cpr -pr	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -cpr -pr	#使用自定义关系数据路径，自定义结果保存目录
# 非首次运行示例
python Gov_neo4j.py -pr
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -pr	#使用自定义关系数据路径，自定义结果保存目录
  3. 中介中心性 Betweennesscentrality ext{Betweenness centrality} Betweennesscentrality

    首次运行时，用户需先调用 c b c -cbc cbc 计算 Betweennesscentrality ext{Betweenness centrality} Betweennesscentrality 分值并保存至数据库，再调用 b c -bc bc 获取分值。此后可直接调用 b c -bc bc 获取分值。调用 b c -bc bc 在输出 Top10 ext{Top 10} Top10 的同时，也将结果保存至结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 17: …text{beteenness_centrality_neo4… 文件中。

    cd src
# 首次运行示例
python Gov_neo4j.py -cbc -bc	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -cbc -bc	#使用自定义关系数据路径，自定义结果保存目录
# 非首次运行示例
python Gov_neo4j.py -bc
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -bc	#使用自定义关系数据路径，自定义结果保存目录
  4. Louvain ext{Louvain} Louvain 社区挖掘

    首次运行时，用户需先调用 c l -cl cl 划分社区并保存至数据库，再调用 l -l l 将结果保存至结果目录下的 KaTeX parse error: Expected ‘}’, got ‘_’ at position 14: ext{Louvain_neo4j.json} 文件中，且文件形式为社区及其内部成员名单。

    cd src
python Gov_neo4j.py -cl -l	# 使用默认关系数据路径
python Gov_networkx.py -d ../data/data_Json/relation_filtered.json -n ../data/data_Json -cl -l	#使用自定义关系数据路径，自定义结果保存目录

    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
    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
    在这里插入图片描述

m0_67392273
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于Python的网络爬虫与推荐算法的新闻推荐平台设计源码
04-05
本资源提供了一套基于Python的网络爬虫与推荐算法的新闻推荐平台的设计源码，包含3701个文件，其中包括3290个Python字节码文件，45个Vue组件文件，42个Python源代码文件，以及42个JavaScript脚本文件。此外，还包括...
Python爬虫实战：爬取官员官方信息
LucyGill的博客
09-26 5382
最近导师给了一个任务：用Python爬取中国官员的官方信息，然后将信息中的关键信息（时间地点任务blablabla）抽取出来，绘制他们的关系图。 千里之行始于足下，我就从Python爬虫开始。 首先上代码： from urllib import request from bs4 import BeautifulSoup url='http://cpc.people.com.cn/gbzl/
训练一——Python新闻标题分类
weixin_44436319的博客
11-13 1892
今天晚上写了一晚上中文文本分类，对贝叶斯的模型还是太陌生了，调包都显得很生涩。一开始没有对新闻标题进行分词就直接往调用 TfidfVectorizer()函数的fit_transform,结果一直报错， 先把代码附上 from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.naive_bayes import MultinomialNB import pandas as pd import jieba def n
32岁政府合同工转行学python，拜托要不要这么卷？
Python_0011的博客
02-24 340
人到中年 我最近在职业生涯中遇到了一些问题，其实，我并不是一个职业程序员，要自我评价的话，充其量不过是个懂点编程的业余爱好者。而且今年已经32岁了，已婚，有个儿子。在政府部门当个合同工。 我一直在重新思考自己日后的发展的时候，我觉得继续在政府部门当个合同工的话，运气好，领导就会让我一直呆在这个岗位上到退休，一生人就这么就过了，如果运气不好，则可能在几年后被裁员，真的是前路茫茫。于是在寻思转型，一翻思想之下还是希望转向程序员的方向。 我自己在程序设计方面有一定的基础，几年前，自学考了个高级程序员的水平证书。对
基于python的Web数据挖掘技术研究与实现
04-20
本次研究主要是基于python语言对智联 招聘网的数据进行数据挖掘分析和建模，进而得出招聘信息薪资待遇预测分类模 型。 本次研究主要分为如下步骤：数据源选择、数据采集、数据存储、数据预处理、 数据建模和模型...
基于Python的循环神经网络股票价格预测.zip
06-13
资源包含文件：设计报告word+代码 股票价格预测详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/122463596?spm=1001.2014.3001.5502
基于python的深度神经网络原理与实践
最新发布
01-12
scikit-learn：一个功能强大的Python机器学习库，提供了大量预构建的算法和工具，可用于数据挖掘和数据分析。 Jupyter Notebook：一个交互式开发环境，特别适合数据分析和机器学习。通过Jupyter，我们可以轻松地编写...
基于python机器学习的网络入侵检测系统源码.zip
07-05
基于python机器学习的网络入侵检测系统源码.zip 基于python机器学习的入侵检测系统源码.zip 基于python机器学习的入侵检测系统源码.zip 该项目是个人毕设项目源码，评审分达到95分，都经过严格调试，确保可以运行！...
Python数据挖掘实验《基于Python语言的网络数据挖掘》实验指导书 共39页.pdf
06-05
实验项目3 使用Python实现网络爬虫算法 实验项目4 使用Python获取社交网络数据 实验项目5 使用Python统计分析社交网络 实验项目6 使用Python大批量获取网络图片数据 实验项目7 使用Python处理图片尺寸和角度 实验...
Gov-network-mining:网络、群体与市场课程设计 政府新闻人物网络挖掘
05-28
本项目源自网络、群体与市场课程的期末课程设计，程序支持使用结巴分词获取人物、地点、机构三类实体名，以 $\text{network}x$ 和 $\text{Neo4j}$ 两种方法构建人物关系网络，在此基础上计算网络属性、$\text{...
基于Python实现的CNN卷积神经网络训练与识别.zip
06-13
Python 3.7 开发平台：Windows10 Visual Studio Code 机器学习库：torch 1.6.0 torchvision 0.7.0 辅助：CUDA 10.2，用于进行 GPU 加速 详细介绍参考：https://biyezuopin.blog.csdn.net/article/details/125256884
基于python使用深度卷积神经网络的图像去噪设计与实现
05-04
基于python使用深度卷积神经网络的图像去噪设计与实现
《基于Python语言的网络数据挖掘》实验指导书 共26页.doc
08-08
本课程实验旨在加深学生对于网络大数据挖掘的理解，培养学生分析、设计、实现基于Python语言的网络数据挖掘算法，掌握科学的实验方法，为以后其他专业课的学习打下坚实的基础。该实验内容采用循序渐进的方式，从...
基于python的BP神经网络算法设计与实现
04-14
基于python的BP神经网络算法设计与实现
基于Python的django社交网络分析系统源码.zip
06-14
，基于Python的django社交网络分析系统源码基于Python的django社交网络分析系统源码基于Python的django社交网络分析系统源码基于Python的django社交网络分析系统源码基于Python的django社交网络分析系统源码基于...
基于Python的网络聊天室的设计与实现.docx
10-26
《基于python的网上购物商品评论爬虫分析设计与实现.docx》万字、已降重、毕业论文、本科，目录如下，希望对你有所帮助： 第一章 绪论 1.1 研究背景 1.2 研究目的与意义 1.3 国内外研究现状 1.4 研究内容与方法 第二...
Python基于LSTM神经网络的时间序列预测.zip
05-11
Python基于LSTM神经网络的时间序列预测 使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。 Python基于LSTM神经...
《基于Python语言的网络数据挖掘》实验指导书2014(1).pdf
11-17
《基于Python语言的网络数据挖掘》实验指导书2014(1).pdf
基于python语言的网络数据挖掘 pdf
09-22
基于Python语言的网络数据挖掘PDF是指使用Python编程语言来实现对网络数据进行挖掘和分析，并将结果以PDF文件的形式呈现。 Python是一种功能强大且流行的编程语言，它有着丰富的数据分析和挖掘工具，因此成为处理网络数据挖掘的理想选择。通过Python的网络爬虫技术，可以从互联网上获取大量的数据源，如网页、社交媒体、新闻等。然后，利用Python的数据处理和挖掘工具，可以提取有价值的信息和模式。 在网络数据挖掘过程中，Python提供了众多的库和框架，如NumPy、Pandas和Scikit-learn等。NumPy是一个高性能的数学库，提供了丰富的数值运算和数据结构，可以对大规模数据进行处理。Pandas是一个数据分析库，提供了灵活的数据结构和数据处理功能，可以对数据进行清洗和预处理。Scikit-learn是一个机器学习库，提供了各种机器学习算法和工具，可以对网络数据进行模型训练和预测。 最后，利用Python的可视化库，如Matplotlib和Seaborn，可以将网络数据挖掘的结果进行可视化展示。将结果导出为PDF文件，可以方便地分享和保存。 总之，基于Python语言的网络数据挖掘PDF通过使用Python编程语言和相关的工具和库，可以对网络数据进行挖掘和分析，并将结果以PDF文件的形式呈现，方便分享和保存。这种方法能够帮助人们更好地理解和利用网络数据，发掘其潜在价值。

“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
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