五、数据仓库电商项目——DWT层、可与DWS合并一层

已于 2022-05-03 11:55:10 修改
阅读量1.2k 收藏 3
点赞数
分类专栏： 数仓电商项目 文章标签： 数据仓库 big data 大数据
于 2021-05-14 17:05:43 首次发布
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/qq_22473611/article/details/116797791
版权

DWT层 

DWT层将DWS层每日聚合的数据进行积累，DWT层不是分区表，是一个累积型全量表，并且数据来源与DWS层。

累积性全量表：查询要改动的旧数据，查询新增和变化的新数据，新旧关联，以新换旧，导入覆盖。

DWT设备主题宽表

在这里插入图片描述

用户主题宽表

 

drop table if exists dwt_user_topic;
create external table dwt_user_topic
(
    user_id string  comment '用户id',
    login_date_first string  comment '首次登录时间',
    login_date_last string  comment '末次登录时间',
    login_count bigint comment '累积登录天数',
    login_last_30d_count bigint comment '最近30日登录天数',
    order_date_first string  comment '首次下单时间',
    order_date_last string  comment '末次下单时间',
    order_count bigint comment '累积下单次数',
    order_amount decimal(16,2) comment '累积下单金额',
    order_last_30d_count bigint comment '最近30日下单次数',
    order_last_30d_amount bigint comment '最近30日下单金额',
    payment_date_first string  comment '首次支付时间',
    payment_date_last string  comment '末次支付时间',
    payment_count decimal(16,2) comment '累积支付次数',
    payment_amount decimal(16,2) comment '累积支付金额',
    payment_last_30d_count decimal(16,2) comment '最近30日支付次数',
    payment_last_30d_amount decimal(16,2) comment '最近30日支付金额'
 )COMMENT '用户主题宽表'
stored as parquet
location '/warehouse/gmall/dwt/dwt_user_topic/'
tblproperties ("parquet.compression"="lzo");



 insert overwrite table dwt_user_topic
select
    nvl(new.user_id,old.user_id),
    if(old.login_date_first is null and new.login_count>0,'2020-03-29',old.login_date_first),
    if(new.login_count>0,'2020-03-29',old.login_date_last),
    nvl(old.login_count,0)+if(new.login_count>0,1,0),
    nvl(new.login_last_30d_count,0),
    if(old.order_date_first is null and new.order_count>0,'2020-03-29',old.order_date_first),
    if(new.order_count>0,'2020-03-29',old.order_date_last),
    nvl(old.order_count,0)+nvl(new.order_count,0),
    nvl(old.order_amount,0)+nvl(new.order_amount,0),
    nvl(new.order_last_30d_count,0),
    nvl(new.order_last_30d_amount,0),
    if(old.payment_date_first is null and new.payment_count>0,'2020-03-29',old.payment_date_first),
    if(new.payment_count>0,'2020-03-29',old.payment_date_last),
    nvl(old.payment_count,0)+nvl(new.payment_count,0),
    nvl(old.payment_amount,0)+nvl(new.payment_amount,0),
    nvl(new.payment_last_30d_count,0),
    nvl(new.payment_last_30d_amount,0)
from
dwt_user_topic old
full outer join
(
    select
        user_id,
        sum(if(dt='2020-03-29',login_count,0)) login_count,
        sum(if(dt='2020-03-29',order_count,0)) order_count,
        sum(if(dt='2020-03-29',order_amount,0)) order_amount,
        sum(if(dt='2020-03-29',payment_count,0)) payment_count,
        sum(if(dt='2020-03-29',payment_amount,0)) payment_amount,
        sum(if(login_count>0,1,0)) login_last_30d_count,
        sum(order_count) order_last_30d_count,
        sum(order_amount) order_last_30d_amount,
        sum(payment_count) payment_last_30d_count,
        sum(payment_amount) payment_last_30d_amount
    from dws_user_action_daycount
    where dt>=date_add( '2020-03-29',-30)
    group by user_id
)new
on old.user_id=new.user_id;

商品主题宽表

hive (gmall)> 
drop table if exists dwt_sku_topic;
create external table dwt_sku_topic
(
    sku_id string comment 'sku_id',`在这里插入代码片`
    spu_id string comment 'spu_id',
    order_last_30d_count bigint comment '最近30日被下单次数',
    order_last_30d_num bigint comment '最近30日被下单件数',
    order_last_30d_amount decimal(16,2)  comment '最近30日被下单金额',
    order_count bigint comment '累积被下单次数',
    order_num bigint comment '累积被下单件数',
    order_amount decimal(16,2) comment '累积被下单金额',
    payment_last_30d_count   bigint  comment '最近30日被支付次数',
    payment_last_30d_num bigint comment '最近30日被支付件数',
    payment_last_30d_amount  decimal(16,2) comment '最近30日被支付金额',
    payment_count   bigint  comment '累积被支付次数',
    payment_num bigint comment '累积被支付件数',
    payment_amount  decimal(16,2) comment '累积被支付金额',
    refund_last_30d_count bigint comment '最近三十日退款次数',
    refund_last_30d_num bigint comment '最近三十日退款件数',
    refund_last_30d_amount decimal(10,2) comment '最近三十日退款金额',
    refund_count bigint comment '累积退款次数',
    refund_num bigint comment '累积退款件数',
    refund_amount decimal(10,2) comment '累积退款金额',
    cart_last_30d_count bigint comment '最近30日被加入购物车次数',
    cart_last_30d_num bigint comment '最近30日被加入购物车件数',
    cart_count bigint comment '累积被加入购物车次数',
    cart_num bigint comment '累积被加入购物车件数',
    favor_last_30d_count bigint comment '最近30日被收藏次数',
    favor_count bigint comment '累积被收藏次数',
    appraise_last_30d_good_count bigint comment '最近30日好评数',
    appraise_last_30d_mid_count bigint comment '最近30日中评数',
    appraise_last_30d_bad_count bigint comment '最近30日差评数',
    appraise_last_30d_default_count bigint comment '最近30日默认评价数',
    appraise_good_count bigint comment '累积好评数',
    appraise_mid_count bigint comment '累积中评数',
    appraise_bad_count bigint comment '累积差评数',
    appraise_default_count bigint comment '累积默认评价数'
 )COMMENT '商品主题宽表'
stored as parquet
location '/warehouse/gmall/dwt/dwt_sku_topic/'
tblproperties ("parquet.compression"="lzo");

INSERT OVERWRITE INTO dwt_sku_topic
SELECT nvl(new.sku_id, old.sku_id), dwd_dim_sku_info.spu_id
	, nvl(new.order_count30, 0)
	, nvl(new.order_num30, 0)
	, nvl(new.order_amount30, 0)
	, nvl(old.order_count, 0) + nvl(new.order_count, 0)
	, nvl(old.order_num, 0) + nvl(new.order_num, 0)
	, nvl(old.order_amount, 0) + nvl(new.order_amount, 0)
	, nvl(new.payment_count30, 0)
	, nvl(new.payment_num30, 0)
	, nvl(new.payment_amount30, 0)
	, nvl(old.payment_count, 0) + nvl(new.payment_count, 0)
	, nvl(old.payment_num, 0) + nvl(new.payment_count, 0)
	, nvl(old.payment_amount, 0) + nvl(new.payment_count, 0)
	, nvl(new.refund_count30, 0)
	, nvl(new.refund_num30, 0)
	, nvl(new.refund_amount30, 0)
	, nvl(old.refund_count, 0) + nvl(new.refund_count, 0)
	, nvl(old.refund_num, 0) + nvl(new.refund_num, 0)
	, nvl(old.refund_amount, 0) + nvl(new.refund_amount, 0)
	, nvl(new.cart_count30, 0)
	, nvl(new.cart_num30, 0)
	, nvl(old.cart_count, 0) + nvl(new.cart_count, 0)
	, nvl(old.cart_num, 0) + nvl(new.cart_num, 0)
	, nvl(new.favor_count30, 0)
	, nvl(old.favor_count, 0) + nvl(new.favor_count, 0)
	, nvl(new.appraise_good_count30, 0)
	, nvl(new.appraise_mid_count30, 0)
	, nvl(new.appraise_bad_count30, 0)
	, nvl(new.appraise_default_count30, 0)
	, nvl(old.appraise_good_count, 0) + nvl(new.appraise_good_count, 0)
	, nvl(old.appraise_mid_count, 0) + nvl(new.appraise_mid_count, 0)
	, nvl(old.appraise_bad_count, 0) + nvl(new.appraise_bad_count, 0)
	, nvl(old.appraise_default_count, 0) + nvl(new.appraise_default_count, 0)
FROM (
	SELECT sku_id, spu_id, order_last_30d_count, order_last_30d_num, order_last_30d_amount
		, order_count, order_num, order_amount, payment_last_30d_count, payment_last_30d_num
		, payment_last_30d_amount, payment_count, payment_num, payment_amount, refund_last_30d_count
		, refund_last_30d_num, refund_last_30d_amount, refund_count, refund_num, refund_amount
		, cart_last_30d_count, cart_last_30d_num, cart_count, cart_num, favor_last_30d_count
		, favor_count, appraise_last_30d_good_count, appraise_last_30d_mid_count, appraise_last_30d_bad_count, appraise_last_30d_default_count
		, appraise_good_count, appraise_mid_count, appraise_bad_count, appraise_default_count
	FROM dwt_sku_topic
) old
	FULL JOIN (
		SELECT sku_id
			, sum(if(dt = '2020-03-29', order_count, 0)) AS order_count
			, sum(if(dt = '2020-03-29', order_num, 0)) AS order_num
			, sum(if(dt = '2020-03-29', order_amount, 0)) AS order_amount
			, sum(if(dt = '2020-03-29', payment_count, 0)) AS payment_count
			, sum(if(dt = '2020-03-29', payment_num, 0)) AS payment_num
			, sum(if(dt = '2020-03-29', payment_amount, 0)) AS payment_amount
			, sum(if(dt = '2020-03-29', refund_count, 0)) AS refund_count
			, sum(if(dt = '2020-03-29', refund_num, 0)) AS refund_num
			, sum(if(dt = '2020-03-29', refund_amount, 0)) AS refund_amount
			, sum(if(dt = '2020-03-29', cart_count, 0)) AS cart_count
			, sum(if(dt = '2020-03-29', cart_num, 0)) AS cart_num
			, sum(if(dt = '2020-03-29', favor_count, 0)) AS favor_count
			, sum(if(dt = '2020-03-29', appraise_good_count, 0)) AS appraise_good_count
			, sum(if(dt = '2020-03-29', appraise_mid_count, 0)) AS appraise_mid_count
			, sum(if(dt = '2020-03-29', appraise_bad_count, 0)) AS appraise_bad_count
			, sum(if(dt = '2020-03-29', appraise_default_count, 0)) AS appraise_default_count
			, sum(order_count) AS order_count30, sum(order_num) AS order_num30
			, sum(order_amount) AS order_amount30, sum(payment_count) AS payment_count30
			, sum(payment_num) AS payment_num30, sum(payment_amount) AS payment_amount30
			, sum(refund_count) AS refund_count30, sum(refund_num) AS refund_num30
			, sum(refund_amount) AS refund_amount30, sum(cart_count) AS cart_count30
			, sum(cart_num) AS cart_num30, sum(favor_count) AS favor_count30
			, sum(appraise_good_count) AS appraise_good_count30, sum(appraise_mid_count) AS appraise_mid_count30
			, sum(appraise_bad_count) AS appraise_bad_count30, sum(appraise_default_count) AS appraise_default_count30
		FROM dws_sku_action_daycount
		WHERE dt >= date_add('2020-03-29', -30)
		GROUP BY sku_id
	) new
	ON new.sku_id = old.sku_id
	LEFT JOIN dwd_dim_sku_info ON new.sku_id = dwd_dim_sku_info.id;

 优惠券主题宽表（预留）

在这里插入图片描述

活动主题宽表（预留） 

在这里插入图片描述

四月天03
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
图像处理小波变换图像压缩 DCT+三层DWT+图像检索 MATLAB.rar
06-18
matlab DCT变化，系数量化，逆变换重建图像，输出MSE，PSNR以及压缩比。...三层DＷT变换，输出低频高频占比 高频子带置零，并重建图像，输出PSNR值，压缩比 图像检索，包含测试用图，下载后更改路径即可使用
数据仓库和数据集市详解：ODS、DW、DWD、DWM、DWS、ADS
weixin_42526326的博客
11-30 1万+
@TOC 数据流向 应用示例 何为数仓DW Data warehouse（可简写为DW或者DWH）数据仓库，是在数据库已经大量存在的情况下，它是一整套包括了etl、调度、建模在内的完整的理论体系。 数据仓库的方案建设的目的，是为前端查询和分析作为基础，主要应用于OLAP（on-line Analytical Processing），支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果。目前行业比较流行的有：AWS Redshift，Greenplum，Hive等。 数据仓库并不是数据的最终目的地
数据仓库基本概念
xby18772963985的博客
11-28 2525
数仓分层都分哪些层 关于数仓分层，不同的公司分的层数是不一样的。比如：阿里巴巴分4层(没有图中的DWT层)，美团是上面5层，而京东是9层。当然数仓的每一层的命名也没有一个统一的标准，比如这一层就叫这个名字，但是整体思想是一样的。 ODS层： 用于存放原始数据，数据不做任何修改，所以这相当于起到一个备份作用。因为在数仓建设当中，数据是最重要的，宁可多费一些磁盘空间，也要保证数据的完整性。所以即使ODS层下面所有层的表数据都没了，也是没有关系的，因为只要有ODS层在，其余所有层的数据都可以重新生成，因为它
电商数仓(dwt 层)
a1786742005的博客
05-03 6778
一、dwt 层介绍 dws 层统计的是每日数据，dws 层数据服务 dwt 层数据，dwt 层统计的是不同主题的累积数据。 二、数据表 2.1 设备主题宽表 dwt_uv_topic 1、数据来源 dwt_uv_topic、dws_uv_detail_daycount。 2、建表 drop table if exists dwt_uv_topic; create external table d...
大数据基础知识科普--数据分层（ETL、ODS、DW、DWD、DWM、DWS、DIM）
热门推荐
程序人生
06-18 4万+
零、数据加载层：ETL（Extract-Transform-Load） 一、数据运营层：ODS（Operational Data Store） 二、数据仓库层：DW（Data Warehouse） 1. 数据明细层：DWD（Data Warehouse Detail） 2. 数据中间层：DWM（Data WareHouse Middle） 3. 数据服务层：DWS（Data WareHouse Servce） 三、数据应用层：APP（Application） 四、维表层：（Dimension）
用户画像-标签体系（dwt层）
格子衫
08-17 946
1 前言 最近在学习用户画像，翻看了七十多份资料，简单过了一遍赵宏田老师的书，最近又看了许多微信公众号里的文章。 整体感受就是，资料太杂、内容太乱、重复的太多、相互间也会有些冲突。但大致可以归为两类：赵宏田老师的一套，另外其它的一套。 有那么七八张图在各种文档、公众号文章里反复出现，我也搞不清楚哪个是原创了。用户画像的描述至少在六个地方看到连文字都是一样的。 本来想着直接抄一下权威老师的作业就好了，但发现了一些问题，比如标签分类违背了分类的基本原则、混淆了标签与标签取值的区别。可能是我较真了但还是希
数仓及其维度(分层)建模(ODS DWD DWS DWT ADS)
weixin_45532984的博客
05-12 1万+
一. 数仓及其维度 1. 什么是数仓？ 数据仓库，简称数仓,（ Data Warehouse ）。从逻辑上理解，数据库和数仓没有区别，都是通过数据库软件实现存放数据的地方，只不过从数据量来说，数据仓库要比数据库更庞大。 数仓主要是为企业制定决策，提供数据支持的。当业务简单，可以用数据库来存储，分析，制表。但当数据量几何式增长，需要跨机器整合时，数仓就是非常必要的了。 2. 数仓的特点 （1）集成性 数仓中存储的数据来源于多个数据源，原始数据在不同数据源中的存储方式.........
尚硅谷大数据项目之电商数仓电商数据仓库系统1
08-04
【尚硅谷大数据项目之电商数仓电商数据仓库系统1】主要涵盖了数据仓库的构建和理论，包括数仓分层、命名规范、范式理论、关系建模与维度建模，以及核心的维度表和事实表。 1. **数仓分层**：数据仓库的分层设计是...
通信与网络中的一种DWT域基于IFS的数字水印算法
12-10
数字化媒体(如数字图像、数字视频和音频等)的传输和获取变得越来越便捷，一方面促进了人类信息的共享，推动了社会的进步，而另一方面由于其极易复制且复制后的媒体质量与原版几乎没有差异，因此也带来了数字多媒体的...
大数据项目之电商数仓（3电商数据仓库系统）V4.2.2.docx
09-07
它按照数据处理的不同阶段，将数据划分为ODS（Operational Data Store，操作数据层）、DIM（Dimension，维度层）、DWD（Detail Data Warehouse，明细数据层）、DWS（Data Warehouse Service，数据服务层）、DWT...
DWT的分解与重构
05-20
对图片采样DWT小波算法进行分解与重构，并已经通过调试
WVLT.rar_dwt verilog_一维小波变换
09-21
子目录说明： \wvlt\lib\ 中存放的一些基本的小波基定义和相关库函数； \wvlt\wrefine\ 中存放的是小波基细化的程序代码； \wvlt\wxfrm\ 中存放的是一维小波变换的数学实现。
【Matlab代码】图像的小波分解和重构实现
05-15
MATLAB中实现图像分解和重构的命令主要有dwt2(idwt2)和 wavedec2( waverec2)。其中，进行一层小波分解的命令为dwt2，对应的小波重构命令为idwt2；进行多层分解的命令为wavedec2，对应的重构命令为 wavered2。
dwt实现小波变换.rar_DWT小波变换_dwt_dwt实现小波变换_小波变换_小波数据处理
07-15
利用dwt实现小波变换，是一种数据处理手段
数据仓库知识(数仓建模以及分层).pdf
最新发布
08-29
第五章数据仓库分层 第六章元数据管理系统解析 第七章hive的Metastore机制 第八章基于hadoop架构数仓管理工具hive 第九章hadoop集群Yarn容量调度器 第十章从0到1简单搭建数仓ODS层(埋点日志+业务数据) 第十一章从0到...
万字详解数仓分层设计架构 ODS-DWD-DWS-ADS
架构文摘
11-05 4945
一、数仓建模的意义，为什么要对数据仓库分层？只有数据模型将数据有序的组织和存储起来之后，大数据才能得到高性能、低成本、高效率、高质量的使用。1、分层意义1）清晰数据结构：每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。数据关系条理化：源系统间存在复杂的数据关系，比如客户信息同时存在于核心系统、信贷系统、理财系统、资金系统，取数时该如何决策呢？数据仓库会对相同主题的数据进行...
数据仓库分层
别这么骄傲
11-02 562
图文结合，方便理解数仓
话单数据仓库搭建（2）- 数据仓库ODS及DWD层
qq_42409495的博客
12-27 2896
1 数仓分层概念 1.1 为什么要分层 1、把复杂问题简单化 将一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。 2、清晰数据结构 每一个数据分层都有它的作用域，这样我们在使用表的时候能更方便地定位和理解。 便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复。 3、减少重复开发 规范数据分层，通过的中间层数据，能够减少极大的重复计算，增加一次计算结果的复用性。 4、隔离原始数据 不论是数据的异常还是数据的敏感性，使真实数据与统计
小波学习之一（单层一维离散小波变换DWT的Mallat算法C++和MATLAB实现）
06-08
好的，您的问题是关于单层一维离散小波变换DWT的Mallat算法在C++和MATLAB中的实现。 首先，我们来简单介绍一下DWT的Mallat算法。 DWT的Mallat算法是一种基于滤波器组的小波变换算法，其基本思想是通过一系列的低通滤波和高通滤波，将信号分解成多个不同尺度的子带信号。然后，对每个子带信号进行下采样，得到一组低分辨率子带信号和一组高分辨率子带信号。这些子带信号可以表示原始信号的不同频率和尺度成分，可以用于信号压缩、降噪、特征提取等应用。 在C++中实现该算法，需要定义滤波器组和下采样函数，然后按照Mallat算法进行递归分解和下采样，在每个尺度上得到一组子带系数。在MATLAB中，可以使用内置函数'dwt'来实现DWT的Mallat算法，也可以自己编写代码实现。 以下是C++和MATLAB实现DWT的Mallat算法的示例代码： C++代码： ```cpp #include <iostream> #include <vector> #include <cmath> using namespace std; // 定义低通和高通滤波器 vector<double> lpfilter = {0.7071, 0.7071}; // Daubechies4小波的低通滤波器 vector<double> hpfilter = {-0.7071, 0.7071}; // Daubechies4小波的高通滤波器 // 下采样函数 vector<double> downsample(vector<double> x) { vector<double> y; for (int i = 0; i < x.size(); i += 2) { y.push_back(x[i]); } return y; } // DWT的Mallat算法 vector<vector<double>> dwt(vector<double> x) { vector<vector<double>> coeffs; int n = x.size(); if (n == 1) { coeffs.push_back(x); return coeffs; } // 进行低通滤波和高通滤波 vector<double> lpd, hpd, lpr, hpr; for (int i = 0; i < lpfilter.size(); i++) { lpd.push_back(lpfilter[i]); hpd.push_back(hpfilter[i]); } for (int i = lpfilter.size(); i < n; i++) { lpd.push_back(0); hpd.push_back(0); } for (int i = 0; i < lpfilter.size(); i++) { lpr.push_back(lpfilter[lpfilter.size()-1-i]); hpr.push_back(-hpfilter[hpfilter.size()-1-i]); } for (int i = lpfilter.size(); i < n; i++) { lpr.push_back(0); hpr.push_back(0); } vector<double> cA(n/2), cD(n/2); for (int i = 0; i < n; i += 2) { double sum = 0, diff = 0; for (int j = 0; j < lpfilter.size(); j++) { sum += lpd[j] * x[(i+j)%n]; diff += hpd[j] * x[(i+j)%n]; } cA[i/2] = sum; cD[i/2] = diff; } coeffs.push_back(cA); coeffs.push_back(cD); // 递归分解 vector<vector<double>> subcoeffs = dwt(cA); coeffs.insert(coeffs.end(), subcoeffs.begin()+1, subcoeffs.end()); coeffs.push_back(cD); return coeffs; } int main() { vector<double> x = {1, 2, 3, 4, 5, 6, 7, 8}; vector<vector<double>> coeffs = dwt(x); for (int i = 0; i < coeffs.size(); i++) { cout << "Level " << i << ": "; for (int j = 0; j < coeffs[i].size(); j++) { cout << coeffs[i][j] << " "; } cout << endl; } return 0; } ``` MATLAB代码： ```matlab % 定义信号x和小波滤波器h和g x = [1 2 3 4 5 6 7 8]; h = [0.7071 0.7071]; % Daubechies4小波的低通滤波器 g = [-0.7071 0.7071]; % Daubechies4小波的高通滤波器 % DWT的Mallat算法 coeffs = {}; while length(x) > 1 % 进行低通滤波和高通滤波 lp = conv(h, x); hp = conv(g, x); % 下采样 cA = downsample(lp); cD = downsample(hp); % 存储系数 coeffs{end+1} = cA; coeffs{end+1} = cD; % 更新信号 x = cA; end coeffs{end+1} = x; % 输出系数 for i = 1:length(coeffs) fprintf('Level %d: ', i-1); disp(coeffs{i}); end % 下采样函数 function y = downsample(x) y = x(1:2:end); end ``` 希望这些代码对您有所帮助！

“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
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

四月天03

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