探索你的数据--翻译自官方文档Exploring Your Data

最新推荐文章于 2023-04-28 09:16:09 发布
最新推荐文章于 2023-04-28 09:16:09 发布
阅读量281 收藏
点赞数
分类专栏： es文档

1.样本数据集

现在我们已经对基础知识有了了解，让我们试着学习一个更真实的数据集。我们准备了一个关于客户银行账户信息的虚构JSON文档样本。每个文档都有以下模式

{
    "account_number": 0,
    "balance": 16623,
    "firstname": "Bradshaw",
    "lastname": "Mckenzie",
    "age": 29,
    "gender": "F",
    "address": "244 Columbus Place",
    "employer": "Euron",
    "email": "bradshawmckenzie@euron.com",
    "city": "Hobucken",
    "state": "CO"
}

这些数据是使用www.json-generator.com/生成的，所以请忽略数据的实际值和语义，因为这些数据都是随机生成的。

2.加载样本数据集

您可以从这里https://github.com/elastic/elasticsearch/blob/master/docs/src/test/resources/accounts.json?raw=true下载示例数据集（accounts.json）。将它解压缩到我们当前的目录，并按照如下所示将它加载到我们的集群中：

curl -H "Content-Type: application/json" -XPOST "localhost:9200/bank/_doc/_bulk?pretty&refresh" --data-binary "@accounts.json"
curl "localhost:9200/_cat/indices?v"

备注：上述第一条指令直接在kibana中运行会报错，无法执行。会出现无法导入的情况，

解决方案如下：

curl --version显示了版本信息说明安装好curl了）。MAC、LINUX同理。

  1. 启动elasticsearch（在elasticsearch安装目录的bin目录下有elasticsearch.bat，将cmd定位到这个bin目录，输入elasticsearch，可以启动服务，服务端口默认9200）

  2. 再打开一个cmd，定位到你想要压入elasticsearch的json格式数据所在的目录，然后执行类似于下面的命令：

    curl (-u elastic) -XPOST "localhost:9200/aaa/bbb/_bulk?pretty" --data-binary @abc.json

    解释一下：

    (1) 如果你设置了elasticsearch的访问权限，那么你需要输入括号里的内容，其中elastic是默认的管理账户名，此时会提示你输入密码。如果你没设置，忽略括号里的内容不用输入，直接curl -XPOST...

    (2) -XPOST表示用post方式提交给elasticsearch

    (3) localhost可以换成一个IP地址，如果你想要访问某台服务器特定的elasticsearch，前提是那边的elasticsearch的yml配置文件的跨域访问已经被允许了。即在elasticsearch\config\elasticsearch.yml中设置了network.host: 0.0.0.0之类的。

    (4) aaa表示elasticsearch的某个“数据库”的名字，bbb表示这个数据库中“某个表”的名字。follow your heart随便改。

    (5) _bulk表示批量导入数据。pretty表示用格式化过的json显示结果。--data-binary表示后边的数据要来了要来了，是二进制格式来的。后边@abc.json就是你的json文件名。

  3. 成功以后cmd会显示所有压入数据的对应json反馈，很通俗易懂。明明白白的说了哪些是成功压入的，哪些失败了。

解决完成以后意味着我们只是成功将1000个文档批量索引到银行索引（在_doc类型下）。

3.查询API

运行查询有两种方式，一是通过   REST request URI   方式 发送 查询参数， 二是通过   REST request body  。 方式二更为灵活，可以使用可读性好的 JSON  格式定义你的查询条件，下面我们针对方式一举个例子，以后的教程都使用方式二。

RESTrequest uri的查询条件放在_search之后，以下例子返回 bank 索引中的所有文档：

GET /bank/_search?q=*&sort=account_number:asc&pretty

bank 表示查询bank索引中的文档， _search 后面跟的是查询条件，q=* 参数指示 Elasticsearch 匹配索引中的所有文档。 sort=account_number:asc 参数指示使用 account_number 对结果进行升序排序。 pretty 参数告诉 Elasticsearch 返回漂亮的JSON结果。

返回的部分内容如下

{
  "took" : 63,
  "timed_out" : false,
  "_shards" : {
    "total" : 5,
    "successful" : 5,
    "skipped" : 0,
    "failed" : 0
  },
  "hits" : {
    "total" : 1000,
    "max_score" : null,
    "hits" : [ {
      "_index" : "bank",
      "_type" : "_doc",
      "_id" : "0",
      "sort": [0],
      "_score" : null,
      "_source" : {"account_number":0,"balance":16623,"firstname":"Bradshaw","lastname":"Mckenzie","age":29,"gender":"F","address":"244 Columbus Place","employer":"Euron","email":"bradshawmckenzie@euron.com","city":"Hobucken","state":"CO"}
    }, {
      "_index" : "bank",
      "_type" : "_doc",
      "_id" : "1",
      "sort": [1],
      "_score" : null,
      "_source" : {"account_number":1,"balance":39225,"firstname":"Amber","lastname":"Duke","age":32,"gender":"M","address":"880 Holmes Lane","employer":"Pyrami","email":"amberduke@pyrami.com","city":"Brogan","state":"IL"}
    }, ...
    ]
  }
}

至于返回内容，我们看到以下部分：

  • took -  Elasticsearch  执行查询的时间（以毫秒为单位）
  • timed_out - 告诉我们查询是否超时
  • _shards - 告诉我们查询了多少个分片，以及查询成功/失败的分片数量
  • hits - 查询结果
  • hits.total - 符合我们查询条件的文档总数
  • hits.hits - 实际查询结果数组（默认为前10个文档）
  • hits.sort - 对结果进行排序的键（如果没提供，则默认使用_score进行排序）
  • hits._score和max_score-现在先忽略这些字段

使用方式二执行上面查询如下：

GET /bank/_search
{
  "query": { "match_all": {} },
  "sort": [
    { "account_number": "asc" }
  ]
}

不同点是我们用json格式的请求体代替了_search api uri中的q=*参数。我们将会在后面的内容讨论json格式的查询。

注意，当我们接收到返回结果的时候， elasticsearch 已经完全处理了这个请求，不会维护任何的服务器端的资源或者在结果中打开游标。这与许多其他的平台形成鲜明的对比(比如sql的游标)。

4.查询语句介绍

 Elasticsearch  提供了一种 JSON-style 的特定领域语言用来执行查询，称为 Query DSL，该查询语言十分全面，初看可能觉得有点吓人。事实上，学习它的最好方式就是从几个基本的例子开始。回到上一个例子，我们执行了这个查询：

GET /bank/_search
{
  "query": { "match_all": {} }
}
上面的 query   部分告诉我们查询定义是什么，  match_all 部分仅仅是我们想运行的查询的类型，也就是查询指定索引下的所有文档。

除了查询参数以外，也可以通过其他参数影响查询结果。比如前面的 sort 指定排序字段，下面通过 size 指定返回结果数

GET /bank/_search
{
  "query": { "match_all": {} },
  "size": 1
}

注意 size 如果不指定，默认是10。

下面的语句查询所有文档但是只返回10-19的文档

GET /bank/_search
{
  "query": { "match_all": {} },
  "from": 10,
  "size": 10
}

from参数（最小值是0，不是1）指定返回文档的起始文档的索引， size 参数指定一共返回多少个文档。这个特性对实现分页非常有用。如果 from 没有指定，默认值是0。

下面的示例执行match_all并按帐户余额按降序对结果进行排序，并返回前10个（默认大小）文档。

GET /bank/_search
{
  "query": { "match_all": {} },
  "sort": { "balance": { "order": "desc" } }
}

6.执行查询

接下来我们进一步探讨Query DSL。首先看一下返回的文档字段。默认情况下，完整的JSON文档作为所有搜索的一部分返回。

默认情况下，完整的JSON文档作为所有搜索的一部分返回。文档原始内容被称为源（查询结果中的_source字段）。如果不希望返回整个源文档，也可以请求仅几个字段被返回。

以下示例显示如何返回两个字段（_source内）， account_number 和 balance ：

GET /bank/_search
{
  "query": { "match_all": {} },
  "_source": ["account_number", "balance"],
  "size": 1
  
}
返回如下： 
{
  "took": 3,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "failed": 0
  },
  "hits": {
    "total": 999,
    "max_score": 1,
    "hits": [
      {
        "_index": "bank",
        "_type": "account",
        "_id": "25",
        "_score": 1,
        "_source": {
          "account_number": 25,
          "balance": 40540
        }
      }
    ]
  }
}
以上的例子仅仅减少了 _source 里的字段，返回的字段 account_number 和 balance 仍然包含在 _source 中
如果你之前有SQL背景，上述在概念上与SQL SELECT FROM字段列表有些相似。

现在来看看查询部分。通过前面的示例，我们已经学会了如何使用 match_all 查询来匹配所有文档。现在介绍一个名为match查询的新查询，可以将其视为基本的字段搜索查询（即针对特定字段或一组字段进行搜索）。

以下示例返回的 account_number 为20：

GET /bank/_search
{
  "query": { "match": { "account_number": 20 } }
}


以下实例返回 address 中包含"mill"的所有账户：

GET /bank/_search
{
  "query": { "match": { "address": "mill" } }
}

以下示例返回address中包含"mill"或者"lane"的所有账户：

GET /bank/_search
{
  "query": { "match": { "address": "mill lane" } }
}

以下示例是match（match_phrase）的一个变体，返回在地址中包含短语"mill lane"的所有帐户：

GET /bank/_search
{
  "query": { "match_phrase": { "address": "mill lane" } }
}

下面介绍bool(ean) query 。 布尔查询允许我们把多个 match 查询合并到一个查询中。以下示例由两个 match  查询组成，返回 address 中既包含"mill" 又包含"lane" 的所有账户：


GET /bank/_search
{
  "query": {
    "bool": {
      "must": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}

在上面的示例中， bool must 里面的所有查询条件必须都为真时才会被匹配。相比之下，下面的示例由两个match查询组成，并返回在地址中包含"mill"或"lane"的所有帐户：

GET /bank/_search
{
  "query": {
    "bool": {
      "should": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}

在上面的例子中， bool should 子句指定了一个查询列表，只要其中一个查询为真，文档就会被匹配。

以下示例由两个match查询组成，并返回在地址中既不包含"mill"也不包含"lane"的所有帐户：

GET /bank/_search
{
  "query": {
    "bool": {
      "must_not": [
        { "match": { "address": "mill" } },
        { "match": { "address": "lane" } }
      ]
    }
  }
}
在上面的例子中，bool must_not 子句指定一个查询列表，只有查询列表中的条件都为假的时候才会被匹配。

也可以把 must，should，must_not 同时组合到bool子句。此外，我们也可以组合bool 到任何一个bool子句中，实现复杂的多层bool子句嵌套逻辑。


下面的例子返回所有年龄是40岁但不居住在ID（Idaho）的账户：

GET /bank/_search
{
  "query": {
    "bool": {
      "must": [
        { "match": { "age": "40" } }
      ],
      "must_not": [
        { "match": { "state": "ID" } }
      ]
    }
  }
}

7.执行过滤

前面我们跳过了一点细节，文档得分（也就是在搜索结果中的 _score 字段）。分数是一个数值，它是文档与我们指定的搜索查询匹配的相对度量。分数越高，文档越相关，分数越低，文档的相关性越低。但查询并不总是需要产生分数，特别是当它们仅用于"过滤"文档集时。 Elasticsearch 会检测这些情况，并自动优化查询执行，以免计算无用的分数。

bool查询支持filter子句,它允许你使用一个查询语句去限制其它子句的匹配结果,同时不会计算文档的得分。例如，我们来介绍一下 范围查询, 它允许我们通过一个范围值去过滤文档。通常用于数字或日期过滤。

以下示例使用布尔查询返回余额在20000到30000之间（包括端值）的所有帐户。换句话说，我们想找到余额大于或等于20000且小于等于30000的账户。

GET /bank/_search
{
  "query": {
    "bool": {
      "must": { "match_all": {} },
      "filter": {
        "range": {
          "balance": {
            "gte": 20000,
            "lte": 30000
          }
        }
      }
    }
  }
}
仔细分析上面的例子，bool查询包含了一个match_all查询（查询部分）和一个range查询（过滤部分）。我们也可以用任何其它的查询语句代替查询和过滤部分的语句。对于上面的例子，因为所有文档都是指定范围之内的，他们从某种意义上来说是等价的（equally），即他们的相关度都是一样的（filter子句查询，不会改变得分）。

除了 match_all,match,bool,range查询，还有很多种类的查询，但我们不在这里一一介绍。从现在开始，我们对查询已经有一个基础的了解，把学到的知识应用到其他查询类型应该也没什么难度。

8.执行聚合

聚合提供从数据中分组和提取统计信息的功能。理解聚合的最简单的方法是将其大致等同于SQL GROUP BY和SQL聚合函数。在 Elasticsearch 中，可以返回匹配搜索的同时返回聚合结果，在一个响应中将所有匹配的结果和聚合结果同时返回。这是非常强大和高效的，可以降低网络请求的次数。

以下示例通过state字段进行分组，并按照count 降序排序，返回前10（默认值）条数据：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword"
      }
    }
  }
}

在SQL中，上述聚合在概念上类似于：

SELECT state, COUNT(*) FROM bank GROUP BY state ORDER BY COUNT(*) DESC
返回内容（仅部分）如下： 
{
  "took": 141,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "skipped": 0,
    "failed": 0
  },
  "hits": {
    "total": 1000,
    "max_score": 0,
    "hits": []
  },
  "aggregations": {
    "group_by_state": {
      "doc_count_error_upper_bound": 20,
      "sum_other_doc_count": 770,
      "buckets": [
        {
          "key": "ID",
          "doc_count": 27
        },
        {
          "key": "TX",
          "doc_count": 27
        },
        {
          "key": "AL",
          "doc_count": 25
        },
        {
          "key": "MD",
          "doc_count": 25
        },
        {
          "key": "TN",
          "doc_count": 23
        },
        {
          "key": "MA",
          "doc_count": 21
        },
        {
          "key": "NC",
          "doc_count": 21
        },
        {
          "key": "ND",
          "doc_count": 21
        },
        {
          "key": "ME",
          "doc_count": 20
        },
        {
          "key": "MO",
          "doc_count": 20
        }
      ]
    }
  }
}
可以看到，有27个账户居住在ID（Idaho），27个账户居住在TX（Texas），25个账户居住在AL（Alabama）等等。

注意，设置size=0 是为了不显示搜索结果，因为我们仅仅想看返回的聚合结果。

基于上述例子，下面的例子除了分组还会计算每个州的账户的平均余额：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword"
      },
      "aggs": {
        "average_balance": {
          "avg": {
            "field": "balance"
          }
        }
      }
    }
  }
}

返回结果：

{
  "took": 32,
  "timed_out": false,
  "_shards": {
    "total": 5,
    "successful": 5,
    "failed": 0
  },
  "hits": {
    "total": 999,
    "max_score": 0,
    "hits": []
  },
  "aggregations": {
    "group_by_state": {
      "doc_count_error_upper_bound": 20,
      "sum_other_doc_count": 770,
      "buckets": [
        {
          "key": "ID",
          "doc_count": 27,
          "average_balance": {
            "value": 24368.777777777777
          }
        },
        {
          "key": "TX",
          "doc_count": 27,
          "average_balance": {
            "value": 27462.925925925927
          }
        },
        {
          "key": "AL",
          "doc_count": 25,
          "average_balance": {
            "value": 25739.56
          }
        },
        {
          "key": "MD",
          "doc_count": 25,
          "average_balance": {
            "value": 24963.52
          }
        },
        {
          "key": "TN",
          "doc_count": 23,
          "average_balance": {
            "value": 29796.782608695652
          }
        },
        {
          "key": "MA",
          "doc_count": 21,
          "average_balance": {
            "value": 29726.47619047619
          }
        },
        {
          "key": "NC",
          "doc_count": 21,
          "average_balance": {
            "value": 26785.428571428572
          }
        },
        {
          "key": "ND",
          "doc_count": 21,
          "average_balance": {
            "value": 26303.333333333332
          }
        },
        {
          "key": "MO",
          "doc_count": 20,
          "average_balance": {
            "value": 24151.8
          }
        },
        {
          "key": "AK",
          "doc_count": 19,
          "average_balance": {
            "value": 24088.63157894737
          }
        }
      ]
    }
  }
}

注意我们是如何把average_balance聚合嵌入到group_by_state聚合中的。在所有的聚合中这是一种普遍的模式。你可以按你的需求随意的在聚合中嵌套聚合子句，汇总你的数据。

基于上面的例子，以下示例加入了按每个州的账户平均余额降序排序：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_state": {
      "terms": {
        "field": "state.keyword",
        "order": {
          "average_balance": "desc"
        }
      },
      "aggs": {
        "average_balance": {
          "avg": {
            "field": "balance"
          }
        }
      }
    }
  }
}

以下示例演示了如何按年龄段（20-29岁，30-39岁和40-49岁），然后按性别分组，然后最终得到每个年龄段的男女平均账户余额：

GET /bank/_search
{
  "size": 0,
  "aggs": {
    "group_by_age": {
      "range": {
        "field": "age",
        "ranges": [
          {
            "from": 20,
            "to": 30
          },
          {
            "from": 30,
            "to": 40
          },
          {
            "from": 40,
            "to": 50
          }
        ]
      },
      "aggs": {
        "group_by_gender": {
          "terms": {
            "field": "gender.keyword"
          },
          "aggs": {
            "average_balance": {
              "avg": {
                "field": "balance"
              }
            }
          }
        }
      }
    }
  }
}

还有许多其他聚合功能，将不再详细介绍。如果您想进一步试验，可以参考聚合参考指南https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations.html


翻译水平有限。也可以参考查看https://github.com/13428282016/elasticsearch-CN/wiki/es-gettting-started









bug工厂
关注
专栏目录
【trition-server】pytorch 文档：使用 Triton 提供 Torch-TensorRT 模型
突围
07-05 222
Serving a Torch-TensorRT model with Triton
【cs224n学习作业】Assignment 1 - Exploring Word Vectors
zhangxiaolinxin的博客
07-06 800
CS224N课程的第一个大作业， 主要是对词向量做了一个探索， 并直观的感受了一下词嵌入或者词向量的效果。这里简单的记录一下我探索的一个过程。分为两部分， 第一部分是基于计数的单词词向量， 而第二部分，是基于词向量的预测， 是利用了已经训练好的一个词向量矩阵去介绍一下怎么进行预测， 比如可视化这些词向量啊， 找同义词或者反义词，实现单词的类比关系等。 准备工作 导入要用的包 import sys assert sys.version_info[0]==3 assert sys.version_info[1]
5、探索你的数据(1)
mine_1的专栏
01-03 234
原文地址：https://www.elastic.co/guide/en/elasticsearch/reference/current/getting-started-search.html elasticsearch版本：6.5 目录地址：https://blog.csdn.net/mine_1/article/details/85623429 目录 1、示例数据 2、示例数据下载 ...
windows提示“你的数据将在你所在的国家或地区之外进行处理”
最新发布
黄树茂博客
04-28 1万+
windows提示“你的数据将在你所在的国家或地区之外进行处理”
Elasticsearch-检索进阶(银行测试数据)
微信公众号: 后端码匠
03-30 1081
Elasticsearch-检索进阶 本节参考 官方文档 检索示例： 导入样本测试数据 准备一份顾客银行账户信息的虚构的JSON文档样本。每个文档都有下列的 schema（模式）。 https://raw.githubusercontent.com/elastic/elasticsearch/master/docs/src/test/resources/accounts.json https://raw.fastgit.org/elastic/elasticsearch/master/docs/src/te
ES - 样本测试数据
Wolf_xujie的博客
11-26 1864
ES样本测试数据
从零开始的ElasticSearch安装方法到使用方法 到SpringBoot整合ElasticSearch全程无废话
a203206868的博客
07-29 1013
0、简介 es–> solr mysql用作持久化存储，ES用作检索 基本概念：index库>type表>document文档 index索引（index在es中添加） 动词：相当于mysql的insert 名词：相当于mysql的db Type类型 put /index/user { ​ “name”:“zhansan” } 在index中，可以定义一个或多个类型 类似于mysql的table，每一种类型的数据放在一起 Document文档(必须是json格式) 保存在某个index下，
2.Explore Your Data
10点43的博客
08-31 373
Using Pandas to Get Familiar With Your Data 任何机器学习项目的第一步都是熟悉数据。 您将使用Pandas库。 Pandas是科学家用于挖掘和处理数据的主要工具。 大多数人在他们的代码中将pandas缩写为pd。 我们使用如下命令执行此操作。 [1] import pandas as pd Pandas库中最重要的部分是DataFrame。 Da...
官方文档-丰富你的数据
qq_16164711的博客
12-10 1412
对应7.16官方文档路径： Ingest pipelines » Enrich your data 官方地址如下： https://www.elastic.co/guide/en/elasticsearch/reference/7.16/ingest-enriching-data.html 注：enrich 为 pipeline processor 的一种，主要作用是将现有索引数据加入到你传入的文档中。 Enrich 你的数据 你可以使用 enrich processor 在 ingest 阶段将现存索引的
dsc-exploring-and-transforming-json-schemas-lab-onl01-dtsc-pt-012120:探索和转换JSON模式
03-30
从文件disease_data.json加载数据。 #Your code here 探索架构层次结构的第一层和第二层 #Your code here 转换为数据框 从JSON文件创建一个DataFrame。 确保检索数据框的列名。 （在主词典的'meta'键中搜索。）...
Exploring C++ 11
05-02
### Exploring C++ 11 #### 知识点概览 《Exploring C++ 11》第二版是一本全面介绍C++ 11新特性和编程实践的书籍。本书通过一系列“探索”（Explorations）的形式，循序渐进地介绍了C++ 11的各种核心概念和技术...
iOS UIKit 框架 346 篇文档分类整理 - 预告
太阳火神的美丽人生
05-04 3138
iOS UIKit 框架 346 篇文档分类整理 - 预告
Elasticsearch 参考指南（探索你的数据）
weixin_34167043的博客
06-03 110
探索你的数据 样本数据集 现在我们已经了解了基础知识，让我们尝试更真实的数据集，我准备了一份关于客户银行账户信息的虚构JSON文档样本，每个文档都有以下模式： { "account_number": 0, "balance": 16623, "firstname": "Bradshaw", "lastnam...
开始使用Elasticsearch
limboys的博客
08-05 218
开始使用Elasticsearch 准备好测试驱动程序的Elasticsearch了吗?看看如何使用REST api来存储、搜索和分析数据? 步骤通过这个入门教程到: 启动并运行一个Elasticsearch实例 索引一些示例文档 使用Elasticsearch查询语言搜索文档 使用bucket和度量聚合分析结果 需要更多的? 查看Elasticsearch介绍，学习术语并了解基本...
全文检索-Es-初步检索（三）
MC_666的博客
02-28 3307
全文检索-Es-初步检索（三）
elasticsearch——进阶检索
Wuliking的博客
07-27 345
上篇回顾：elasticsearch入门检索 本篇主要记录进阶检索的使用 1、样本测试数据 准备了一份顾客银行账户信息的虚构的JSON文档样本。每个文档都有下列的schema（模式）。 "account_number" : 2, "balance" : 28838, "firstname" : "Roberta", "lastname" : "Bender", "age" : 22, "gender" : "F", "address" : "560 Kingsway Place", "employer" :
elasticsearch-accounts.json
05-26
Elasticsearch7.4.2一份顾客银行账户信息的虚构的JSON文档样本, accounts.json
探索数据科学Exploring Data Science
11-15
向读者介绍数据科学的各个领域，并以R，Python和其他语言的实际示例说明哪种方法最适合每种方法。
IRIS 2021 技术文档 First Look 14-- JDBC 和 InterSystems 数据库
InterSystems的博客
09-22 634
本文档介绍了如何使用 InterSystems JDBC 驱动程序连接到 InterSystems IRIS®数据平台实例，这样您就可以在 InterSystems IRIS 中使用 Java。 要浏览所有的技术概要(First Look)，包括可以在 InterSystems IRIS 免费的评估实例上执行的那些，请参见 InterSystems First Looks(《InterSyst...
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