Structured Streaming

最新推荐文章于 2023-03-21 11:04:28 发布
最新推荐文章于 2023-03-21 11:04:28 发布
阅读量229 收藏
点赞数
分类专栏： Spark
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_43057549/article/details/109340582
版权

概述
StructedStreaming是基于Spark Sql的流式处理框架，支持datafram和DataSet数据类型。对于开发者，在使用strucedStreaming时，不需要去考虑使用的是流式计算还是离线计算，只需要使用相同的方式进行处理。

StructedStreaming支持了连续流模型，类似于Flink的实时流，而不是以前的micro batch，但是在使用的时候仍然有限制，大部分情况还是在应用小批量模式。

spark2.2之后，StructedStreaming已经被标注位稳定版，意味着spark的流式计算已经被StructedStreaming所占据。

Spark读取本地文件，写入到HBase中，Kafka

package com.zorel.sparktohbase;

import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.ForeachWriter;

import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.streaming.StreamingQuery;
import org.apache.spark.sql.streaming.StreamingQueryException;
import org.apache.spark.sql.streaming.Trigger;
import org.apache.spark.sql.types.StructType;
import org.json.JSONObject;

import static org.apache.spark.sql.types.DataTypes.StringType;

import java.util.ArrayList;
import java.util.List;

import org.apache.hadoop.hbase.client.HBaseAdmin;
import org.apache.spark.sql.AnalysisException;

import static org.apache.spark.sql.types.DataTypes.*;
import com.google.gson.JsonObject;
import com.zorel.interchange.crud.CrudHBase;




public class SparkRealize implements Functions{
	
	static private SparkSession ss = null;
	static{
		System.setProperty("HADOOP_USER_NAME","root");
		ss = SparkUtils.getSparkSession("Stream");
		
	}

	public void sparktohbase() {
		// TODO Auto-generated method stub
		//File数据源，必须指定schema
		StructType scheam = new StructType().add("event_time", StringType)
				.add("flow_id", LongType)
				.add("event_unixtime", TimestampType)
				.add("in_iface", StringType)
				.add("event_type", StringType)
				.add("src_ip", StringType)
				.add("src_port", IntegerType)
				.add("dest_ip", StringType)
				.add("dest_port", StringType)
				.add("proto", StringType)
				.add("tx_id", IntegerType)
				.add("alert", new StructType()
						.add("action", StringType)
						.add("gid", IntegerType)
						.add("qr_id", StringType)
						.add("signature_id", LongType)
						.add("rev", IntegerType)
						.add("signature", StringType)
						.add("category", StringType)
						.add("severity", IntegerType)
						.add("tx_id", IntegerType)
						.add("cm_id", StringType))
				.add("http", new StructType()
						.add("hostname", StringType)
						.add("url", StringType)
						.add("http_user_agent", StringType)
						.add("http_content_type", StringType)
						.add("http_method", StringType)
						.add("protocol", StringType)
						.add("status", IntegerType)
						.add("length", IntegerType)
						.add("http_request_headers", StringType)
						.add("http_request_headers_len", IntegerType)
						.add("http_response_headers", StringType)
						.add("http_response_headers_len", IntegerType)
						)
				.add("fileinfo", new StructType().add("fstorepath", StringType))
				.add("src_country", StringType)
				.add("src_city", StringType)
				.add("src_ip_val", LongType)
				.add("dest_ip_val", LongType)
				.add("ip_type", IntegerType)
				.add("clusterid", StringType);
		//Dataset<org.apache.spark.sql.Row> jsons = ss.readStream().schema(scheam).format("json").load("C:\\java\\file");
		Dataset<org.apache.spark.sql.Row> jsons = ss.read().format("json").load("file:///usr/test");
		try {
			jsons.createOrReplaceGlobalTempView("Temp");
			Dataset<org.apache.spark.sql.Row> sql = ss.sql("select * from global_temp.Temp where event_type = 'alert' ");
			//sql.show();
		    //.foreach(new HBaseSink())
			//.foreachBatch()
		    //.format("console")
		    //.outputMode("append")
		    //.start();
			//foreachQuery.awaitTermination();
			List<String> str = sql.toJSON().collectAsList();
			List list = new ArrayList<JSONObject>();
			str.forEach(elem->list.add(new JSONObject(elem)));
			CrudHBase cj = new CrudHBase();
			cj.addBatch("eve_http",	list);
		} catch (Exception e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}
	
	@Override
	public void fileSparSqlToConsole() {
		// TODO Auto-generated method stub
		Dataset<org.apache.spark.sql.Row> jsons = ss.read().format("json").load("C:\\java\\file");
		jsons.createOrReplaceGlobalTempView("Temp");
		Dataset<org.apache.spark.sql.Row> sql = ss.sql("select * from global_temp.Temp where event_type = 'alert' ");
		sql.show();
		List<String> str = sql.toJSON().collectAsList();
		str.forEach(elem->System.out.println(elem));
		ss.close();
	}


	@Override
	public void fileSparkSqlToHbase() {
		// TODO Auto-generated method stub
		Dataset<org.apache.spark.sql.Row> jsons = ss.read().format("json").load("file:///opt/test");
		jsons.createOrReplaceGlobalTempView("Temp");
		Dataset<org.apache.spark.sql.Row> sql = ss.sql("select * from global_temp.Temp where event_type = 'alert' ");
		List<String> str = sql.toJSON().collectAsList();
		List list = new ArrayList<JSONObject>();
		str.forEach(elem->list.add(new JSONObject(elem)));
		CrudHBase cj = new CrudHBase();
		cj.addBatch("eve_http",	list);
	}

	@Override
	public void fileSparkSqlToClickhouse() {
		// TODO Auto-generated method stub
		Dataset<org.apache.spark.sql.Row> jsons = ss.read().format("json").load("C:\\java\\file");
		jsons.createOrReplaceGlobalTempView("Temp");
		Dataset<org.apache.spark.sql.Row> sql = ss.sql("select * from global_temp.Temp where event_type = 'alert' ");
		List<String> str = sql.toJSON().collectAsList();
		List list = new ArrayList<JSONObject>();
		str.forEach(elem->list.add(new JSONObject(elem)));
		//CrudClickhouse cj = new CrudClickhouse();
		//cj.addBatch("eve_http",	list);
	}

	@Override
	public void fileSparkStreamToConsole() {
		// TODO Auto-generated method stub
		StructType scheam = new StructType().add("event_time", StringType)
				.add("flow_id", LongType)
				.add("event_unixtime", TimestampType)
				.add("in_iface", StringType)
				.add("event_type", StringType)
				.add("src_ip", StringType)
				.add("src_port", IntegerType)
				.add("dest_ip", StringType)
				.add("dest_port", StringType)
				.add("proto", StringType)
				.add("tx_id", IntegerType)
				.add("alert", new StructType()
						.add("action", StringType)
						.add("gid", IntegerType)
						.add("qr_id", StringType)
						.add("signature_id", LongType)
						.add("rev", IntegerType)
						.add("signature", StringType)
						.add("category", StringType)
						.add("severity", IntegerType)
						.add("tx_id", IntegerType)
						.add("cm_id", StringType))
				.add("http", new StructType()
						.add("hostname", StringType)
						.add("url", StringType)
						.add("http_user_agent", StringType)
						.add("http_content_type", StringType)
						.add("http_method", StringType)
						.add("protocol", StringType)
						.add("status", IntegerType)
						.add("length", IntegerType)
						.add("http_request_headers", StringType)
						.add("http_request_headers_len", IntegerType)
						.add("http_response_headers", StringType)
						.add("http_response_headers_len", IntegerType)
						)
				.add("fileinfo", new StructType().add("fstorepath", StringType))
				.add("src_country", StringType)
				.add("src_city", StringType)
				.add("src_ip_val", LongType)
				.add("dest_ip_val", LongType)
				.add("ip_type", IntegerType)
				.add("clusterid", StringType);
		Dataset<org.apache.spark.sql.Row> jsons = ss.readStream().schema(scheam).format("json").load("file:///usr/test");
		try {
			jsons.createOrReplaceGlobalTempView("Temp");
			Dataset<org.apache.spark.sql.Row> sql = ss.sql("select * from global_temp.Temp where event_type = 'alert' ");
			sql.writeStream()
		    //.foreach(new HBaseSink())
			.foreachBatch((a, b)->{
				List<String> list = a.toJSON().collectAsList(); 
				List arr = new ArrayList<JSONObject>();
				list.forEach(elem->arr.add(new JSONObject(elem)));
			})
		    .format("console")
		    .start()
		    .awaitTermination();
	}catch (Exception e) {
		// TODO Auto-generated catch block
		e.printStackTrace();
	}
	}
	@Override
	public void fileSparkStreamToHbase() {
		// TODO Auto-generated method stub
		StructType scheam = new StructType().add("event_time", StringType)
				.add("flow_id", LongType)
				.add("event_unixtime", TimestampType)
				.add("in_iface", StringType)
				.add("event_type", StringType)
				.add("src_ip", StringType)
				.add("src_port", IntegerType)
				.add("dest_ip", StringType)
				.add("dest_port", StringType)
				.add("proto", StringType)
				.add("tx_id", IntegerType)
				.add("alert", new StructType()
						.add("action", StringType)
						.add("gid", IntegerType)
						.add("qr_id", StringType)
						.add("signature_id", LongType)
						.add("rev", IntegerType)
						.add("signature", StringType)
						.add("category", StringType)
						.add("severity", IntegerType)
						.add("tx_id", IntegerType)
						.add("cm_id", StringType))
				.add("http", new StructType()
						.add("hostname", StringType)
						.add("url", StringType)
						.add("http_user_agent", StringType)
						.add("http_content_type", StringType)
						.add("http_method", StringType)
						.add("protocol", StringType)
						.add("status", IntegerType)
						.add("length", IntegerType)
						.add("http_request_headers", StringType)
						.add("http_request_headers_len", IntegerType)
						.add("http_response_headers", StringType)
						.add("http_response_headers_len", IntegerType)
						)
				.add("fileinfo", new StructType().add("fstorepath", StringType))
				.add("src_country", StringType)
				.add("src_city", StringType)
				.add("src_ip_val", LongType)
				.add("dest_ip_val", LongType)
				.add("ip_type", IntegerType)
				.add("clusterid", StringType);
		Dataset<org.apache.spark.sql.Row> jsons = ss.readStream().schema(scheam).format("json").load("file:///opt/test");
		try {
			jsons.createOrReplaceGlobalTempView("Temp");
			Dataset<org.apache.spark.sql.Row> sql = ss.sql("select * from global_temp.Temp where event_type = 'alert' ");
			sql.writeStream()
		    //.foreach(new HBaseSink())
			.foreachBatch((a, b)->{
				List<String> list = a.toJSON().collectAsList(); 
				List arr = new ArrayList<JSONObject>();
				list.forEach(elem->arr.add(new JSONObject(elem)));
				CrudHBase ch = new CrudHBase();
				arr.forEach(elem->System.out.println(elem));
				
				ch.addBatch("eve_http", arr);
			})
		    //.format("console")
		    .outputMode("append")
		    .start()
			.awaitTermination();
	}catch (Exception e) {
		// TODO Auto-generated catch block
		e.printStackTrace();
	}
	}

	@Override
	public void fileSparkStreamToClickhouse()  {
		// TODO Auto-generated method stub
		StructType scheam = new StructType().add("event_time", StringType)
				.add("flow_id", LongType)
				.add("event_unixtime", TimestampType)
				.add("in_iface", StringType)
				.add("event_type", StringType)
				.add("src_ip", StringType)
				.add("src_port", IntegerType)
				.add("dest_ip", StringType)
				.add("dest_port", StringType)
				.add("proto", StringType)
				.add("tx_id", IntegerType)
				.add("alert", new StructType()
						.add("action", StringType)
						.add("gid", IntegerType)
						.add("qr_id", StringType)
						.add("signature_id", LongType)
						.add("rev", IntegerType)
						.add("signature", StringType)
						.add("category", StringType)
						.add("severity", IntegerType)
						.add("tx_id", IntegerType)
						.add("cm_id", StringType))
				.add("http", new StructType()
						.add("hostname", StringType)
						.add("url", StringType)
						.add("http_user_agent", StringType)
						.add("http_content_type", StringType)
						.add("http_method", StringType)
						.add("protocol", StringType)
						.add("status", IntegerType)
						.add("length", IntegerType)
						.add("http_request_headers", StringType)
						.add("http_request_headers_len", IntegerType)
						.add("http_response_headers", StringType)
						.add("http_response_headers_len", IntegerType)
						)
				.add("fileinfo", new StructType().add("fstorepath", StringType))
				.add("src_country", StringType)
				.add("src_city", StringType)
				.add("src_ip_val", LongType)
				.add("dest_ip_val", LongType)
				.add("ip_type", IntegerType)
				.add("clusterid", StringType);
		Dataset<org.apache.spark.sql.Row> jsons = ss.readStream().schema(scheam).format("json").load("C:\\java\\file");
		try {
			jsons.createOrReplaceGlobalTempView("Temp");
			Dataset<org.apache.spark.sql.Row> sql = ss.sql("select * from global_temp.Temp where event_type = 'alert' ");
			sql.writeStream()
		    //.foreach(new HBaseSink())
			.foreachBatch((a, b)->{
				List<String> list = a.toJSON().collectAsList(); 
				List arr = new ArrayList<JSONObject>();
				list.forEach(elem->arr.add(new JSONObject(elem)));
			//	CrudClickhouse cli = new CrudClickhouse();
				//cli.addBatch("", arr);
			})
		    //.format("console")
		    .outputMode("append")
		    .start()
			.awaitTermination();
	}catch (Exception e) {
		// TODO Auto-generated catch block
		e.printStackTrace();
	}
	}
	@Override
	public void kafkaSparkStreamToClickhouse() {
		// TODO Auto-generated method stub
		
	}

	@Override
	public void kafkaSparkStreamToHbase() {
		// TODO Auto-generated method stub
		SparkSession session = SparkUtils.getSparkSession("spark");
		Dataset<org.apache.spark.sql.Row> ds = session.readStream()
		.format("kafka")
		.option("kafka.bootstrap.servers", "192.168.10.31:9092")
		.option("subscribe", "topic0")
		//.option("failOnDataLoss", false)
		.option("startingOffsets", "latest")
		.load();
		Dataset<org.apache.spark.sql.Row> res = ds.selectExpr("CAST(value AS string)");
		String str = null;
		try {
			res.writeStream()
			.queryName("query")
			.option("checkpointLocation", "file:///usr/checkpoint")
			//.option("checkpointLocation", "C://checkpoint")
			.foreachBatch((a, b)->{
				//a表示存取数据的DataSet，b表示BatchId：Long
				List<String> list = a.toJSON().collectAsList();
				list.forEach(elem->System.out.println(elem));
				List<String> mid = new ArrayList();
				list.forEach(elem->{
					String s1 = elem.replaceAll("\\\\", "");
					String s2 = s1.substring(10);
					String s3 = s2.substring(0, s2.length()-1);
					mid.add(s3);
				});
				mid.forEach(elem->System.out.println(elem));
				List<JSONObject> result = new ArrayList();
				mid.forEach(elem->{
					JSONObject json = new JSONObject(elem);
					if(json.get("event_type").equals("alert"))
					result.add(new JSONObject(elem));
				});
				//result.forEach(elem->System.out.println(elem));
				CrudHBase ch = new CrudHBase();
				ch.addBatch("eve_http", result);
			})
			.outputMode("append")
			//.format("console")
			.start()
			.awaitTermination();
		} catch (StreamingQueryException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}




	@Override
	public void kafkaSparkStreamToConsole() {
		// TODO Auto-generated method stub
		SparkSession session = SparkUtils.getSparkSession("spark");
		Dataset<org.apache.spark.sql.Row> ds = session.readStream()
		.format("kafka")
		.option("kafka.bootstrap.servers", "192.168.10.31:9092")
		.option("subscribe", "topic0")
		//.option("failOnDataLoss", false)
		.option("startingOffsets", "latest")
		.load();
		Dataset<org.apache.spark.sql.Row> res = ds.selectExpr("CAST(value AS string)");
		try {
			res.writeStream()
			.queryName("query")
			.option("checkpointLocation", "D://checkpoint")
			.outputMode("append")
			.format("console")
			.start()
			.awaitTermination();
		} catch (StreamingQueryException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
	}
	
}
稷下小鲤鱼
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
(1)StructuredStreaming简介
qq_18522601的博客
07-18 515
一，概述 Structured Streaming是一个可扩展和容错的流处理引擎，并且是构建于sparksql引擎之上。可以用处理静态数据的方式去处理你的流计算。随着流数据的不断流入，Sparksql引擎会增量的连续不断的处理并且更新结果。可以使用DataSet/DataFrame的API进行 streaming aggregations, event-time windows, stream...
Spark Structured Streaming
01-07
Spark Structured Streaming 一、概述 http://spark.apache.org/docs/latest/structured-streaming-programming-guide.html 简单来说Spark Structured Streaming提供了流数据的快速、可靠、容错、端对端的精确一次...
Structured Streaming简介
Shyllin的博客
03-21 858
Structured Streaming简介
Spark3+Clickhouse+Hadoop大数据实战课程
04-13
数据分析职业是一个多金的职业，数据分析职位是一个金饭碗的职位，前景美好，但是要全面掌握大数据分析技术，非常困难，大部分学员的痛点是不能快速找到入门要点，精准快速上手。本课程采用项目驱动的方式，以Spark3和Clickhouse技术为突破口，带领学员快速入门Spark3+Clickhouse数据分析，促使学员成为一名高效且优秀的大数据分析人才。学员通过本课程的学习，不仅可以掌握使用Python3进行Spark3数据分析，还会掌握利用Scala/java进行Spark数据分析，多语言并进，力求全面掌握；另外通过项目驱动，掌握Spark框架的精髓，教导Spark源码查看的技巧；会学到Spark性能优化的核心要点，成为企业急缺的数据分析人才；更会通过Clickhouse和Spark搭建OLAP引擎，使学员对大数据生态圈有一个更加全面的认识和能力的综合提升。真实的数据分析项目，学完即可拿来作为自己的项目经验，增加面试谈薪筹码。课程涉及内容：Ø  Spark内核原理（RDD、DataFrame、Dataset、Structed Stream、SparkML、SparkSQL）Ø  Spark离线数据分析(千万简历数据分析、雪花模型离线数仓构建)Ø  Spark特征处理及模型预测Ø  Spark实时数据分析(Structed Stream)原理及实战Ø  Spark+Hive构建离线数据仓库（数仓概念ODS/DWD/DWS/ADS）Ø  Clickhouse核心原理及实战Ø  Clickhouse engine详解Ø  Spark向Clickhouse导入简历数据，进行数据聚合分析Ø  catboost训练房价预测机器学习模型Ø  基于Clickhouse构建机器学习模型利用SQL进行房价预测Ø  Clickhouse集群监控，Nginx反向代理Grafana+Prometheus+Clickhouse+node_exporterØ  Spark性能优化Ø  Spark工程师面试宝典       课程组件：集群监控：福利：本课程凡是消费满359的学员，一律送出价值109元的实体书籍.
深入Apache Spark流计算引擎：Structured Streaming.pdf
08-21
Apache Spark的Structured Streaming是针对流处理的一个强大且高级的API，它将流处理与Spark SQL引擎相结合，提供了快速、可扩展且容错的处理能力。Structured Streaming的核心理念是让开发者能够像处理静态数据集...
Spark视频第4课_深度解析Spark Structured Streaming
12-25
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识...
Spark视频第3课_Structured Streaming In Spark
12-25
机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识...
Continuous Processing in Structured Streaming Design Sketch
03-30
Structured Streaming was the 2nd (and the latest) major streaming effort in Spark. Its design decouples the frontend (user-facing APIs) and backend (execution), and allows us to change the execution ...
计算机集成制造(CIM)
05-08
计算机集成制造(CIM)PPT-5_设计自动化_CAE CIMS
StructedStreaming概述
大数据跟我学i
05-02 586
文章目录SparkStreaming的不足 SparkStreaming的不足 基于微批处理,延迟高不能做到真正的实时计算 DStream基于RDD,不直接支持SQL 流批处理的API应用层不统一 流用的是DSteam,底层是RDD 批用的是DataFram、DataSet、RDD 不支持EventTime(事件时间) EventTime：事件真正发生的时间 PorcessTime处理时间：事件被流系统处理的时间 IngestionTime摄入事件：事件到达流系统的时间 列举不适用的场景
Structured Streaming 入门详解
kamisamak的博客
04-16 365
Structured Streaming(使用SQL计算实时数据) Spark Streaming 是一个基于Spark Core Structured Streaming是一个基于Spark SQL引擎的可扩展、容错的流处理引擎。 意义：使用SQL计算实时数据，使用简单易学的技术实现实时计算。减低了实时处理的学习、使用难度。 SparkSQL作用是计算离线数据。...
Structured Streaming知识梳理
weixin_44519124的博客
04-17 1783
Structured Streaming是一个基于Spark SQL引擎的可扩展、容错的流处理引擎 Spark SQL：接收sql转化成算子，对数据进行计算。意义是：降低学习、开发难度/成本。 SparkStreaming：实现数据的实时计算。意义：提高数据的计算效率。 能否实现通过sql 计算实时数据？？？ 答案：能（Structured Streaming） 特点：...
Structured Streaming demo
石榴姐yyds
04-25 174
​ package com.unistack.tamboo.compute.process.impl; import com.alibaba.fastjson.JSONArray; import com.google.common.collect.Maps; import com.unistack.tamboo.compute.process.StreamProcess; import org.apache.kafka.clients.consumer.ConsumerRecord; import o.
Spark 的 StructedStreaming
Joker_Jiang3的博客
07-09 668
Spark 的 StructedStreaming 一、Spark Streaming的不足 1、基于微批，延迟高，不能做真正的实时 2、DStream基于RDD，不直接支持SQL 3、流批处理的API应用层不统一（流用的DStream–底层是RDD，批的用DF/DS/RDD） 4、不支持EventTime事件时间 注 EventTime事件时间：事件真正发生的时间 PorcessingTime处理时间：事件被流系统处理的时间 IngestionTime摄入时间：事件到达流系统的时间 如：一条错误日志10
【Big Data 每日一题20180926】Structured Streaming 之状态存储解析
tianyeshiye
09-27 648
Structured Streaming 之状态存储解析 [酷玩 Spark] Structured Streaming 源码解析系列 ，返回目录请 猛戳这里 「腾讯·广点通」技术团队荣誉出品 本文内容适用范围： * 2017.07.11 update, Spark 2.2 全系列 √ (已发布：2.2.0) * 2017.10.02 update, Spark 2.1 全系列 √ (已发...
SQL实现Structured Streaming
跋跋寒的博客
12-12 799
需要的配置只有一个sql文件 1.实现socket输入 console输出 配置： CREATE TABLE SocketTable( word String, valuecount int )WITH( type='socket', host='hadoop-sh1-core1', port='9998', delimiter=' ' );...
StructuredStreaming
最新发布
04-08
StructuredStreaming是Apache Spark提供的一种流计算（streaming）方式，它可以将流式数据作为一组连续的小批处理来处理，实现数据流和批处理的协同工作，从而支持实时流处理和交互式查询。具体来说，Structured...

“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