MR 程序代码

最新推荐文章于 2023-08-10 09:36:42 发布
最新推荐文章于 2023-08-10 09:36:42 发布
阅读量686 收藏
点赞数
分类专栏： 大数据hadoop 文章标签： mapreduce 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/qq_38999072/article/details/119859296
版权

一、建立MAVEN工程，在POM.XML中引入JAR包

pom.xml

<dependencies>
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-core</artifactId>
            <version>2.14.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-common</artifactId>
            <version>2.7.7</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-hdfs</artifactId>
            <version>2.7.7</version>
        </dependency>

        <dependency>
            <groupId>org.apache.hadoop</groupId>
            <artifactId>hadoop-client</artifactId>
            <version>2.7.7</version>
        </dependency>
</dependencies>

log4j.properties

log4j.rootLogger=INFO, stdout
log4j.appender.stdout=org.apache.log4j.ConsoleAppender
log4j.appender.stdout.layout=org.apache.log4j.PatternLayout
log4j.appender.stdout.layout.ConversionPattern=%d %p [%c] - %m%n

log4j.appender.logFile=org.apache.log4j.FileAppender
log4j.appender.logFile.File=target/spring.log
log4j.appender.logFile.layout=org.apache.log4j.PatternLayout
log4j.appender.logFile.layout.ConversionPattern=%d %p [%c] - %m%n

二、使用步骤

1.WordCount示例

WordMapper

package com.hdfs.mr;



import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class WordMapper extends Mapper<LongWritable, Text,Text, IntWritable> {

    Text k = new Text();
    IntWritable v = new IntWritable(1);

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] words = line.split(" ");


        for (String word:words) {
            k.set(word);
            context.write(k,v);
        }
    }

}

WordReducer

package com.hdfs.mr;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;
import java.util.Iterator;

public class WordReducer extends Reducer <Text, IntWritable ,Text, IntWritable>{

    IntWritable v = new IntWritable();
    @Override
    protected void reduce(Text key, Iterable<IntWritable> values, Context context) throws IOException, InterruptedException {
        int sum = 0;

        Iterator it = values.iterator();

        while (it.hasNext()){
            sum += Integer.parseInt(it.next().toString());
        }
        v.set(sum);

        context.write(key,v);
    }
}

WordDriver

package com.hdfs.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.BZip2Codec;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;


public class WordDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        String[] args1 = new String[2];
        args1[0]= "d:/hello.txt";
        args1[1]="d:/output10";
        Configuration conf = new Configuration();

        // 设置map 输出端压缩
        conf.setBoolean("mapreduce.map.output.compress",true);
        conf.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);

        //1, 获取job对象
        Job job = Job.getInstance(conf);

        //2, 设置JAR存储位置
        job.setJarByClass(WordDriver.class);

        //3, 关联Map和Reducer类
        job.setMapperClass(WordMapper.class);
        job.setReducerClass(WordReducer.class);

        //4, 设置Maper阶段输出数据的Key和Value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        //5, 设置最终输出阶段的Key和Value类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        //8, 设置Combiner 可以把reducer 直接设置进去，如果处理流程一样
        job.setCombinerClass(WordReducer.class);

        //9 设置reduce 输出端压缩
        FileOutputFormat.setCompressOutput(job,true);
        FileOutputFormat.setOutputCompressorClass(job,BZip2Codec.class);


        //6, 设置输入和输出路径
        FileInputFormat.setInputPaths(job,new Path(args1[0]));
        FileOutputFormat.setOutputPath(job,new Path(args1[1]));

        //7, 提交JOB
        job.waitForCompletion(true);
    }
}

2.序列化 自定义分区 示例

FlowBean

package com.hdfs.mr;

import org.apache.hadoop.io.Writable;

import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;

public class FlowBean implements Writable {
    private long upload;
    private long download;
    private long sum;


    public FlowBean() {
        super();
    }

    public FlowBean(long upload, long download) {
        super();
        this.upload = upload;
        this.download = download;
        this.sum = upload + download;
    }

    @Override
    public String toString() {
        return upload +"\t" + download +"\t" + sum ;

    }

    public void write(DataOutput dataOutput) throws IOException {
        dataOutput.writeLong(upload);
        dataOutput.writeLong(download);
        dataOutput.writeLong(sum);

    }

    public void readFields(DataInput dataInput) throws IOException {

        this.upload = dataInput.readLong();
        this.download = dataInput.readLong();
        this.sum = dataInput.readLong();

    }

    public long getUpload() {
        return upload;
    }

    public void setUpload(long upload) {
        this.upload = upload;
    }

    public long getDownload() {
        return download;
    }

    public void setDownload(long download) {
        this.download = download;
    }

    public long getSum() {
        return sum;
    }

    public void setSum(long a, long b) {
        this.sum = a + b;
    }
}

FlowMapper

package com.hdfs.mr;



import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.IOException;

public class FlowMapper extends Mapper<LongWritable, Text,Text, FlowBean> {

    Text k = new Text();
    FlowBean flowBean = new FlowBean();

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
        String line = value.toString();
        String[] fileds = line.split("\t");

        flowBean.setUpload(Long.parseLong(fileds[1]));
        flowBean.setDownload(Long.parseLong(fileds[2]));
        flowBean.setSum(Long.parseLong(fileds[1]),Long.parseLong(fileds[2]));

        k.set(fileds[0]);
        context.write(k,flowBean);

    }

}

FlowReducer

package com.hdfs.mr;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;

import java.io.IOException;

public class FlowReducer extends Reducer<Text, FlowBean, Text, FlowBean> {

    FlowBean flowBean = new FlowBean();

    @Override
    protected void reduce(Text key, Iterable<FlowBean> values, Context context) throws IOException, InterruptedException {

        long sumUp = 0;
        long sumDown = 0;

        for (FlowBean ff : values) {
            sumUp += ff.getUpload();
            sumDown += ff.getDownload();
        }
        flowBean.setUpload(sumUp);
        flowBean.setDownload(sumDown);
        flowBean.setSum(sumUp, sumDown);
        context.write(key, flowBean);
    }
}

FlowDriver

package com.hdfs.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;


public class FlowDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {

        String[] args1 = new String[2];
        args1[0]= "d:/phone.txt";
        args1[1]="d:/output4";
        Configuration conf = new Configuration();

        //1, 获取job对象
        Job job = Job.getInstance(conf);

        //2, 设置JAR存储位置
        job.setJarByClass(FlowDriver.class);

        //3, 关联Map和Reducer类
        job.setMapperClass(FlowMapper.class);
        job.setReducerClass(FlowReducer.class);

        //4, 设置Maper阶段输出数据的Key和Value类型
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(FlowBean.class);

        //5, 设置最终输出阶段的Key和Value类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(FlowBean.class);

        //8 设置自定义分区（没有可以不设置）
//        job.setPartitionerClass(CustomPartitioner.class);
//        job.setNumReduceTasks(2);

        //6, 设置输入和输出路径
        FileInputFormat.setInputPaths(job,new Path(args1[0]));
        FileOutputFormat.setOutputPath(job,new Path(args1[1]));

        //7, 提交JOB
        job.waitForCompletion(true);
    }
}

CustomPartitioner

package com.hdfs.shuffle;

import com.hdfs.mr.FlowBean;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Partitioner;

public class CustomPartitioner extends Partitioner<Text, FlowBean> {

    public int getPartition(Text text, FlowBean flowBean, int i) {
        // 手机号前3位
        String phoneNo = text.toString().substring(0,3);

        int partition = 1;
        if("138".equals(phoneNo)){
            partition = 0;
        }
        return partition;
    }
}

3.Map Join

1 MapJoinMapper

package com.hdfs.mapjoin;

import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;

import java.io.*;
import java.net.URI;
import java.net.URISyntaxException;
import java.util.HashMap;

public class MapJoinMapper extends Mapper<LongWritable, Text,Text, NullWritable> {

    HashMap<String, String> pdMap = new HashMap();
    Text k = new Text();

    @Override
    protected void setup(Context context) throws IOException, InterruptedException {

        Configuration conf = context.getConfiguration();
        FileSystem fs = null;
        try {
            fs = FileSystem.get(new URI("hdfs://s201:9000"),conf,"root");
        } catch (URISyntaxException e) {
            e.printStackTrace();
        }
        //缓存小表
        URI[] cacheFiles = context.getCacheFiles();
        String path=cacheFiles[0].getPath().toString();
        System.out.println("path:============="+ path);
        FSDataInputStream fin = fs.open(new Path(path));
        BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(fin,"UTF-8"));


//        BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(new FileInputStream(path),"UTF-8"));

        String line;
        while (StringUtils.isNotEmpty(line = bufferedReader.readLine())){

            String[] fileds = line.toString().split(" ");
            pdMap.put(fileds[0],fileds[1]);
        }
        IOUtils.closeStream(fin);
        IOUtils.closeStream(bufferedReader);


    }

    @Override
    protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {


        String[] fileds = value.toString().split(" ");

        // 获取ID
        String pid = fileds[1];
        String pname = pdMap.get(pid);
        System.out.println(pid +"pid==================pname"+ pname);

        String line = fileds[0] +"\t"+ pname +"\t" + fileds[2];

        k.set(line);
        context.write(k ,NullWritable.get());

    }
}

2 MapJoinDriver

package com.hdfs.mapjoin;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;

import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

import java.io.IOException;
import java.net.URI;
import java.net.URISyntaxException;


public class MapJoinDriver {
    public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException, URISyntaxException {

        String[] args1 = new String[2];
        // 这么设置就是HDFS的路径，不是LINUX 系统路径
        args1[0] = "/root/order.txt";
        args1[1] = "/output9";
        Configuration conf = new Configuration();
        conf.set("fs.defaultFS", "hdfs://s201:9000");

        //1, 获取job对象
        Job job = Job.getInstance(conf);

        //2, 设置JAR存储位置
        job.setJarByClass(MapJoinDriver.class);

        //3, 关联Map和Reducer类
        job.setMapperClass(MapJoinMapper.class);
//        job.setReducerClass(OrderCompareReducer.class);

        //4, 设置Maper阶段输出数据的Key和Value类型
//        job.setMapOutputKeyClass(Text.class);
//        job.setMapOutputValueClass(NullWritable.class);

        //5, 设置最终输出阶段的Key和Value类型
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(NullWritable.class);

        //8 设置自定义分区（没有可以不设置）（如果分区内排序，就需要分区了,要是全部排序就不能设置分区）
//        job.setPartitionerClass(CustomTowPartitioner.class);
//        job.setNumReduceTasks(2);


        //9 设置分组排序类
//        job.setGroupingComparatorClass(OrderGroupingComparator.class);

        //10 设置缓存文件
        job.addCacheFile(new URI("hdfs://s201:9000/pd.txt"));
        // 这里是linux 系统路径
//        job.addCacheFile(new Path("/root/pd.txt").toUri());
        job.setNumReduceTasks(0);


        //6, 设置输入和输出路径
        FileInputFormat.setInputPaths(job, new Path(args1[0]));
        FileOutputFormat.setOutputPath(job, new Path(args1[1]));

        //7, 提交JOB
        job.waitForCompletion(true);
    }
}

3 数据文件
order.txt

1001 1 1
1002 2 2
1003 3 3
1004 1 4
1005 2 5
1006 3 6

pd.txt

1 小米
2 华为
3 格力

4.分组排序（辅助排序）

OrderGroupingComparator

package com.hdfs.shuffle;

import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableComparator;

public class OrderGroupingComparator extends WritableComparator {
    public OrderGroupingComparator() {
        super(OrderCompareBean.class,true);
    }

    @Override
    public int compare(WritableComparable a, WritableComparable b) {
        OrderCompareBean aBean = (OrderCompareBean) a;
        OrderCompareBean bBean = (OrderCompareBean) b;

        int result;
        if(aBean.getOrder_id() > bBean.getOrder_id()){
            result = 1;
        }else if(aBean.getOrder_id() < bBean.getOrder_id()){
            result = -1;
        }else {
            result = 0;
        }
        return result;
    }
}
醉卧千山下，诗酒趁年华。
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
mr程序代码
11-07
本代码集主要是关于MR（MapReduce）程序的实现，涵盖了对文件操作、Hive数据仓库处理、HBase分布式数据库交互以及与关系型数据库的集成。下面将详细阐述这些知识点。 首先，MapReduce的核心思想是将复杂的大规模...
java打包jar,（集群中）运行mr进行wordcount的过程以及报错，以及历史服务器安装
weixin_53063015的博客
02-18 1302
java打包jar,运行mr进行wordcount的过程以及报错 在java中将写好的mapper，reducer，以及dirver打包放到集群上运行 在集群中运行可以将数据存放到hdfs中方便管理 提前配置——>编写好内容——>运行中一些报错的解决 使用的eclipse创建的maven项目中编写的mapper package com.bob.mr; import java.io.IOException; import org.apache.hadoop.io.IntWritable; impo
什么是代码合并。PR、MR通识说明
热门推荐
spt_dream的博客
08-10 1万+
这时候如果能有一个人来帮你再把把关，看看你写的代码咋样，则会促使自己写代码时更加注意代码规范和代码健壮性，毕竟谁也不想被别人批评，要是因为代码写的好被表扬就更好了。这是可以的，并且很多时候我们推荐这么做，比如一个模块需要三天去完成，这三天你可能提交了六七次，而实际上你只是完成了一个新模块的开发而已。比如有一天，你困意十足，打开编译器直接开始干活了，干了半天才发现这是dev分支，这时候已经有很多代码的改动了，咋整？)就是指将你开发的代码的内容以一种请求合并的方式来合并到它想去的分支上，这个请求的接收人(
Java - MR 读写 orc 之 NoSuchMethodError: hive.ql.exec.vector.VectorizedRowBatch.getMaxSize()
BITDDD小栈
04-20 2648
一.引言 上一篇文章提到了 Java map-reduce 如何单独读取 ORC 文件以及 RcFile 文件，在同一个 MR 任务下分别读取 RcFile 以及 ORC 文件时，报如下错误:java.lang.NoSuchMethodError: org.apache.hadoop.hive.ql.exec.vector.VectorizedRowBatch.getMaxSize()I。完整的异常栈如下: 2022-04-20 06:44:47,326 FATAL [main] org.apach.
01MR两种jar包导入(主要是maven)
hao难懂的博客
09-27 244
一、可以自己导入jar包 新建一个JavaProject项目，再建一个folder文件夹，命名为lib，将common,hdfs,mapreduce下 的所有jar包拷贝到eclipse中，然后再将他们各自目录下的lib中的jar包也拷贝到eclipse中 的lib文件夹中。 二、可以使用maven (常用) 1.下载一个maven压缩包，在eclipse中依次点击Window->perf...
开发mr程序必须的jar包(5个)
beagreatprogrammer的专栏
12-09 1465
mr程序必要的jar包
Hadoop提交Job执行MR程序代码.zip
10-02
本文将详细解析标题为“Hadoop提交Job执行MR程序代码.zip”的内容，涵盖Hadoop MR程序代码、job提交流程以及MR程序的不同运行模式。 首先，Hadoop MapReduce（简称MR）是基于Google的MapReduce编程模型实现的，主要...
MR应用程序模板
03-05
标题中的“MR应用程序模板”指的是MapReduce程序模板，这是一个在大数据处理领域中广泛使用的编程模型。MapReduce由Google提出，主要用于大规模数据集的并行计算。在这个模型中，数据处理被分为两个主要阶段：Map...
MR程序Bulkload数据到hbase
03-12
标题中的“MR程序Bulkload数据到hbase”指的是使用MapReduce（MR）程序批量加载（Bulkload）数据到HBase数据库的过程。MapReduce是Apache Hadoop框架中的一个关键组件，用于处理和生成大规模数据集。而HBase是一个...
blue蓝牙入门程序代码
12-10
"blue蓝牙入门程序代码"是针对这一需求提供的一套示例代码，旨在帮助开发者快速熟悉蓝牙在Android平台上的使用。 在Android系统中，蓝牙功能主要通过BluetoothAdapter类进行操作，它提供了查找、连接和管理蓝牙设备...
MR编程之Top3源代码
05-01
求所有文件中数值的最大三个值( Top 3 )，并按降序输出。MR编程mapper，reducer，combiner类的源代码
Mapreduce学习（一）——mr程序wordcount
qq_32695789的博客
12-09 2354
之前学习了java操作hdfs系统。现在来学习mapreduce。写一个最简单的wordcount的小程序 一、mapreduce介绍 mr框架其实是由两部分构成：第一部分就是map部分。第二部分就是reduce部分。 map是对hdfs系统上的文件进行第一次的筛选解析生成K-V的格式发送给reduce。 reduce部分就是接收map解析处理之后的K-V键值对之后。对其进行计算得到我们所...
mr源码解析
03-08 590
在我们提交完MR程序之后，MR程序会先后经历map，reduce阶段，下面我们详细的来解析一下各个阶段 1、map阶段，在这个阶段主要分如下的几个步骤read，map,collect，溢写，combine阶段 (1)、在read阶段，maptask会调用用户自定义的RecordReader方法，在splitInput中解析出一个个的key-value对 (2)、在map阶段，maptask会接受由...
使用IDE自己编译、发布及测试MR（MaxCompute）
Allenzyg的博客
12-02 732
1.下载maxcompute插件 2.配置MaxCompute Console(odpscmd)程序路径 3.配置连接的maxcompute项目的AK信息 4.新建项目 选择MaxCompute JAVA项目，并选择JDK(1.8,如没有需要安装) 命名项目名称 5.创建JAVA代码 展开项目，在src->main->java处 右键单击，新建JAVA CLASS 命名为mywordcount 6.录入MR代码 packa.
java写mr程序1-worldCount
Chao_Qing的专栏
07-23 607
1.计数MapReduce mapper程序: package cn.mr; import java.io.IOException; import org.apache.hadoop.io.LongWritable; import org.apache.hadoop.io.Text; import org.apache.hadoop.mapreduce.Mapper; import org.ap...
mr相关代码
weixin_45354496的博客
04-02 287
jobmain package com.naixue.sort; import org.apache.hadoop.conf.Configuration; import org.apache.hadoop.fs.Path; import org.apache.hadoop.io.NullWritable; import org.apache.hadoop.mapreduce.Job; import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
java中mr是我什么意思,yarn中MR作业报错Java heap space
weixin_42356829的博客
03-10 435
hue页面提交到hive中的作业，被转换成了MR作业运行在yarn集群中。作业报错//0，报错内容摘要我们hadoop-2.7集群用的执行引擎不是Tez，而是mr(是老集群)Error: Java heap spaceContainer killed by the ApplicationMaster.//1，查找报错日志[root@ my-hadoop-cluster hive]# grep -C...
日常代码提交流程
ydjjcdd的博客
06-05 1424
一、新的任务开发开始后，大家各自建立自己的分支 分支名称示例：feature-136-zgj 136:版本号最后一个小数点后面的数字 zgj:自己名字全拼的首字母 二、开发完一个最小的功能粒度，提交mergerequest 小的功能粒度：一小块完整的UI或者加上接口的一小块完整的功能 提交mr前，先将develop分支的代码merge到自己的分支，如果有冲突，解决下冲突，再提交mr 直接提交到develop分支,并指定好代码审查人 代码审查.
MR概述
zzaliubi的博客
04-26 788
一、概述 定义:MapReduce是一个分布式运算程序的编程框架。核心功能是将用户编写的业务逻辑代码和自带默认组件整合成一个完整的分布式运算程序，并发执行在一个Hadoop集群上。将原本的一个任务在一台节点上计算，变成了将一个任务分成多个task，在集群上运行，也就是分布式计算，这样可以由多台节点的算力来计算一个任务，主要用来解决大型数据的计算。 二、核心思想 1.分布式分为两个阶段，Map阶段和Reduce阶段。 2.MapTask并发实例互不干扰。 3.ReduceTask并发实例互不干扰，但是它们的
导入mr医学图像的程序代码
最新发布
11-18
导入MR医学图像的程序代码可以使用Python语言和一些开源库来实现。下面是一个简单的示例： ```python import numpy as np import SimpleITK as sitk # 读取MR医学图像文件 image_path = 'path_to_your_MR_image....

“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

醉卧千山下，诗酒趁年华。

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