从零开始搭建spark集群环境

已于 2022-05-08 22:47:31 修改
阅读量4.8k 收藏 42
点赞数 4
分类专栏： 大数据 文章标签： Spark环境搭建 Hadoop环境搭建 CentOS搭建Spark Spark Hadoop
于 2022-04-21 12:57:27 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/u014679804/article/details/124307564
版权

目录

一、集群环境规划

服务器名称IPHDFSYARN
master192.168.0.100NameNodeResourceManager
node1192.168.0.101DataNodeNodeManager
node2192.168.0.102DataNodeNodeManager
node3192.168.0.103DataNodeNodeManager

二、相关软件包

软件名下载链接
CentOS 7.9下载
Hadoop 3.2.3下载
Spark 3.2.1下载
JDK 1.8.0.321下载
Anaconda3下载

注：安装完虚拟机后，这里将下载的安装包放到/opt/bigdadata目录下

三、安装配置虚拟机

1.虚拟机安装

使用VirtualBox新建虚拟机，内存以及硬盘大小依据物理机自身内存和硬盘大小配置即可：
在这里插入图片描述
虚拟机镜像选择下载的CentOS,按照安装提示进行即可,安装向导最后一步创建完root用户密码后,点右边的USER CREATION,新建一个用户名hduser,作为spark用户
在这里插入图片描述
安装完成后,关闭虚拟机,在虚拟机设置中修改网络配置为桥接方式(方便主机和虚拟机以及虚拟机和虚拟机之间进行通信)
在这里插入图片描述

2.虚拟机(master)配置

1.配置主机名:

hostnamectl set-hostname master

2.设置静态IP

编辑网卡配置, IP需和物理机在同一网段

vi /etc/sysconfig/network-scripts/ifcfg-enp0s3

修改BOOTPROTO为static, ONBOOT为yes, 并添加IP相关配置

TYPE=Ethernet
PROXY_METHOD=none
BROWSER_ONLY=no
BOOTPROTO=static
DEFROUTE=yes
IPV4_FAILURE_FATAL=no
IPV6INIT=yes
IPV6_AUTOCONF=yes
IPV6_DEFROUTE=yes
IPV6_FAILURE_FATAL=no
IPV6_ADDR_GEN_MODE=stable-privacy
NAME=enp0s3
UUID=13795826-58dd-479b-ad39-194a1949edaf
DEVICE=enp0s3
ONBOOT=yes
#ip
IPADDR=192.168.0.100
GATEWAY=192.168.0.1
NETMASK=255.255.255.0

3.禁用防火墙

systemctl disable firewalld

4.修改SSH配置

禁用DNS配置项(前面的#号得去掉),解决连接缓慢问题

sed -i 's/GSSAPIAuthentication yes/GSSAPIAuthentication no/g' /etc/ssh/sshd_config
sed -i '/UseDNS yes/ a UseDNS no' /etc/ssh/sshd_config

5.给当前用户添加权限

visudo

添加hduser:
在这里插入图片描述

6.修改hosts文件,添加如下配置

192.168.0.100 master
192.168.0.101 node1
192.168.0.102 node2
192.168.0.103 node3

7.重启

重启刷新下主机名和IP以及SSH配置

reboot

四、JDK配置

解压:

cd /opt/bigdata
tar -zxvf jdk-8u321-linux-x64.tar.gz

设置环境变量:

vi /etc/profile

export JAVA_HOME=/opt/bigdata/jdk1.8.0_321
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export PATH=${JAVA_HOME}/bin:$PATH:

五、Hadoop配置(master)

解压:

cd /opt/bigdata
tar -zxvf hadoop-3.2.3.tar.gz

1.设置环境变量:

vi /etc/profile

export HADOOP_HOME=/opt/bigdata/hadoop-3.2.3
export PATH=${JAVA_HOME}/bin:$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin

2. 配置hadoop-env.sh:

cd /opt/bigdata/hadoop-3.2.3/etc/hadoop
vi hadoop-env.sh

修改JAVA_HOME，并去掉前面的#号

JAVA_HOME=/opt/bigdata/jdk1.8.0_321

设置HADOOP用户名

export HDFS_NAMENODE_USER=hduser
export HDFS_DATANODE_USER=hduser
export HDFS_SECONDARYNAMENODE_USER=hduser
export YARN_RESOURCEMANAGER_USER=hduser
export YARN_NODEMANAGER_USER=hduser

3. 配置core-site.xml:

<configuration>
<!-- 指定HDFS中NameNode的地址 -->
     <property>
        <name>fs.defaultFS</name>
        <value>hdfs://master:9000</value>
     </property>
<!-- 指定hadoop运行时产生文件的存储目录 -->
     <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/bigdata/hadoop-3.2.3/data/tmp</value>
     </property>
     <property>
        <name>hadoop.http.staticuser.user</name>
        <value>hduser</value>
    </property>
</configuration>

4. 配置hdfs-site.xml:

<configuration>
    <property>
        <name>dfs.namenode.http-address</name>
        <value>master:50070</value>
    </property>
     <property><!--NameNode的本地文件系统路径-->
         <name>dfs.namenode.name.dir</name>
         <value>/usr/local/hadoop/dfs/name</value>
     </property>
     <property><!--数据需要备份的数量，不能大于集群的机器数量，默认为3-->
        <name>dfs.replication</name>
        <value>3</value>
    </property>
</configuration>

5. 配置mapred-site.xml:

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
</configuration>

6. 配置yarn-site.xml:

<configuration>
    <property><!--NodeManager上运行的附属服务，用于运行mapreduce-->
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.resourcemanager.webapp.address</name>
        <value>master:8088</value>
    </property>
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>master</value>
</property>
</configuration>

7. 配置workers:

node1
node2
node3

8. 创建并格式化HDFS:

mkdir /home/hduser/hadoop/dfs/data
mkdir /home/hduser/hadoop/dfs/name
mkdir /home/hduser/hadoop/data/tmp
         
hadoop namenode -format

六、Anaconda3配置

执行下载的脚本：

cd /opt/bigdata
sh ./Anaconda3-2021.11-Linux-x86_64.sh

空格跳过License说明，并输入yes，接着输入安装路径：/opt/bigdata/ananconda3，等待完成后再次输入yes进行初始化即可

更新源，添加国内源：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --set show_channel_urls yes

创建一个python3.9的环境：

conda create -n pyspark python=3.9

七、Spark配置

解压

cd /opt/bigdata
tar -zxvf spark-3.2.1-bin-hadoop3.2.tgz

1. 配置环境变量

vi /etc/profile

export SPARK_HOME=/opt/bigdata/spark-3.2.1-bin-hadoop3.2
export PYSPARK_PYTHON=/opt/bigdata/anaconda3/envs/pyspark/bin/python3.9
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/Hadoop

vi /home/hduser/.bashrc

export PYSPARK_PYTHON=/opt/bigdata/anaconda3/envs/pyspark/bin/python3.9
export JAVA_HOME=/opt/bigdata/jdk1.8.0_321

2. 配置workers

vi /opt/bigdata/spark-3.2.1-bin-hadoop3.2/conf/workers

node1
node2
node3

3. 配置spark-env.sh

vi /opt/bigdata/spark-3.2.1-bin-hadoop3.2/conf/spark-env.sh

# 设置JAVA安装目录
JAVA_HOME=/opt/bigdata/jdk1.8.0_321

# HADOOOP软件配置文件目录
HADOOP_CONF_DIR=/opt/bigdata/hadoop-3.2.3/etc/hadoop
YARN_CONF_DIR=/opt/bigdata/hadoop-3.2.3/etc/hadoop

# MASTER 主机名
export SPARK_MASTER_HOST=master

# spark master通讯端口
export SPARK_MASTER_PORT=7077

# webui
SPARK_MASTER_WEBGUI_PORT=8080

# worker cpu核数
SPARK_WORKER_CORES=1

# worker可用内存
SPARK_WORKER_MEMORY=4g

# worker通讯地址
SPARK_WORKER_PORT=7078

# worker的webui地址
SPARK_WORKER_WEBUI_PORT=8081

# 设置历史日志目录
SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://master:8020/sparklog/ -Dspark.history.fs.cleaner.enabled=true"

4. 配置spark-defaults.conf

# 开启日志记录功能
spark.eventLog.enabled true

# 设置日志记录路径
spark.eventLog.dir hdfs://master:8020/sparklog/

# 设置spark日志是否压缩
spark.eventLog.compress true

5. log4j.properties配置

修改打印级别由INFO改为WARN

log4j.rootCategory=WARN, console

八、node1主机配置

1、关闭配置好的Master虚拟机，之后选中，并点击复制
在这里插入图片描述
2、名称改为node1，MAC地址选择重新生成：
在这里插入图片描述
3、参照master主机和IP配置方法配置node1主机的主机名和IP
4、修改hdfs-site.xml配置：

<configuration>
    <property>
        <name>dfs.namenode.http-address</name>
        <value>master:50070</value>
    </property>
     <property><!--DataNode的本地文件系统路径-->
         <name>dfs.datanode.data.dir</name>
         <value>/usr/local/hadoop/dfs/data</value>
     </property>
     <property><!--数据需要备份的数量，不能大于集群的机器数量，默认为3-->
        <name>dfs.replication</name>
        <value>3</value>
    </property>
</configuration>

5、重复上述步骤，复制出node2、node3主机
6、配置免密码访问：
在各个主机上执行如下命令（hduser用户下），生成SSH key：

ssh-keygen -t rsa

接着在任意一台主机（如master) 上执行：

cp /home/hduser/.ssh/id_rsa.pub /home/hduser/.ssh/authorized_keys

然后将其他主机上生成的id_rsa.pub中的内容拷贝到authorized_keys中，再将authorized_keys文件拷贝到其他主机上：

scp /home/hduser/.ssh/authorized_keys node1:/home/hduser/.ssh
scp /home/hduser/.ssh/authorized_keys node2:/home/hduser/.ssh
scp /home/hduser/.ssh/authorized_keys node3:/home/hduser/.ssh

7、启动Hadoop：

start-all.sh

8、创建历史日志目录
在HDFS上创建对应的历史日志目录

hadoop fs -mkdir /sparklog
hadoop fs -chmod 777 /sparklog

9、启动spark：

/opt/bigdata/spark-3.2.1-bin-hadoop3.2/sbin/start-all.sh

10、本地浏览器访问相关页面，看是否正常:

http://192.168.0.100:8088/cluster/nodes
http://192.168.0.100:50070/dfshealth.html#tab-datanode
http://192.168.0.100:8080/
克莉丝汀娜
关注
  • 4
    点赞
  • 踩
  • 42
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Spark集群及开发环境搭建（完整版）
04-09
Spark集群及开发环境搭建，适合初学者，一步一步并配有截图。 目录 一、 软件及下载 2 二、 集群环境信息 2 三、 机器安装 2 1. 安装虚拟机VirtualBox 2 2. 安装CentOs7 2 四、 基础环境搭建（hadoop用户下） 6 1. 机器名HostName 6 2. 关闭防火墙 6 3. 系统更新及常用工具安装 7 4. IP配置 8 5. JDK安装 8 五、 Hadoop安装及配置 9 1. 安装 9 2. 配置 10 六、 机器集群搭建 12 1. 复制机器 13 2. 设置静态IP 13 3. 设置机器名hostname 14 4. ssh免密登录 14 5. hadoop集群测试 16 七、 Spark & Scala 集群安装 18 1. scala安装 18 2. spark安装 19 3. 测试spark集群 20 八、 Scala开发 20 1、插件下载 20 2、插件安装 21 3、scala开发 22 4、程序执行 22
Spark实战高手之路-从零开始
05-02
Spark实战高手之路-从零开始
Spark集群搭建的三种方式详解
不积跬步，无以至千里
02-26 1554
Local 模式： 在本地模式下，Spark 将作为一个单独的 Java 进程在本地运行，不需要启动额外的集群资源。本地模式适用于开发和调试，可以快速运行 Spark 应用程序并查看结果，而不需要配置和管理集群资源。Standalone 模式： Standalone 模式是 Spark 提供的最简单的部署方式，也是默认的部署模式。在 Standalone 模式下，Spark 自身作为一个独立的集群运行，可以通过启动 Spark Master 和 Spark Worker 进程来启动一个完整的 Spark 集
BigDataGuide：大数据学习，从零开始学习大数据，包含大数据学习各阶段学习视频，面试资料
02-05
最近开始新一轮更新：包括一些视频链接和文档，把一些基础的内容也尽量补齐，避免还要再次找其他资料 大数据框架组件会慢慢更新一些新的内容，例如Hadoop3.X版本，Spark3.X版本等，不过我要自己先看看视频质量，后续再补全 可能这段时间README部分会有点乱~~~~~~ 大数据学习指南 大数据学习指南，从零开始学习大数据开发，包含大数据学习各个阶段资费汇总 概述 1. 2. 大数据学习路线 学习路线中的视频，文档资料可以关注公众号：旧时光大数据，回复相应关键字获取云盘链接 基础部分 一，编程工具选择 现在一般都是使用IDEA了，不过Eclipse也不错，初学时我看的是刘意老师的15年版本的
手把手从零搭建新冠疫情防控指挥作战平台视频教程
10-12
手把手视频详细讲解项目开发全过程，需要的小伙伴自行百度网盘下载，链接见附件，永久有效。 课程亮点 1，针对时下热门的新冠疫情数据进行大数据分析 2，手把手从零开始搭建项目并进行代码实现 3，综合运用HttpClient+Jsoup+Kafka+SparkStreaming+StructuredStreaming+SpringBoot+Echarts等多种实用技术 适用人群 1、对大数据感兴趣的在校生及应届毕业生。 2、对目前职业有进一步提升要求，希望从事大数据行业高薪工作的在职人员。 3、对大数据行业感兴趣的相关人员。 课程内容 第一章 项目介绍 1.1. 项目背景 1.2. 项目架构 1.3. 项目截图 1.4. 功能模块 第二章 数据爬取和生成 2.1. 数据清单 2.2. Java爬虫入门 2.3. 疫情数据爬取 2.4. 防疫数据生成 第三章 实时数据处理和分析 3.1. 环境准备 3.2. 物资数据实时处理与分析 3.3. 疫情数据实时处理与分析 第四章 实时数据展示 4.1. 环境准备 4.2. Echarts入门 4.3. SpringBoot+Echarts实现数据可视化 第五章 博雅云SaaS平台实现大屏展示 5.1. 云平台三种模式 5.2. 博雅云SaaS平台介绍 5.3. 博雅云应用案例 5.4. 云平台组件使用 5.5. 基于云平台实现大屏展示 第六章 项目总结 6.1. 业务总结 6.2. 技术总结
从0开始搭建Spark集群
08-31
CentOS集群搭建、Hadoop集群搭建 配置免密 连接外网，Hive安装 Zookeeper搭建 Kafka scala flume安装 Spark搭建及启动
Spark运行环境搭建
weixin_52112640的博客
06-07 2397
（2）启动Local环境 进入解压缩后的路径，执行一下命令
大数据技术——spark集群搭建
qq_53142796的博客
04-13 4239
Spark是一个开源的大数据处理框架，它可以在分布式计算集群上进行高效的数据处理和分析。Spark的特点是速度快、易用性高、支持多种编程语言和数据源。Spark的核心是基于内存的计算模型，可以在内存中快速地处理大规模数据。Spark支持多种数据处理方式，包括批处理、流处理、机器学习和图计算等。Spark的生态系统非常丰富，包括Spark SQL、Spark Streaming、MLlitGraphX等组件，可以满足不同场景下的数据处理需求。
Spark集群搭建超详细教程
热门推荐
笑看风云路的博客
05-19 1万+
前言 在上一篇文章《Hadoop集群搭建配置教程》中详细介绍了Hadoop集群搭建的全部过程，今天为大家带来分布式计算引擎Spark集群搭建，还是使用三个虚拟机节点上进行安装部署，围绕Standalone模式和Yarn模式的这两种部署模式进行展开。 集群搭建具体步骤 注意：以下步骤均在hadoop1节点上进行操作，特殊说明除外！ Standalone模式 1、下载spark-3.0.0的jar包 下载地址： https://archive.apache.org/dist/spark/spark-3.0.
Spark集群安装部署
MJK祺的博客
05-18 1612
由于Spark仅仅是一种计算机框架，不负责数据的存储和管理，因此，通常都会将Spark和Hadoop进行统一部署，由Hadoop中的HDFS，HBase等组件负责数据的存储管理，Spark负责数据计算。本文章主要阐述在Standalone模式下，Spark集群的安装和配置。Yarn模式不需要启动spark集群，只需要启动hadoop集群即可，在启动hadoop集群之前，需要在yarn-site.xml文件关闭内存检查，否则在测试官方案例时可能会报错。至此，Spark集群配置就完成了。
Spark-3.2.4 高可用集群安装部署详细图文教程
Stars.Sky 的博客
09-15 3630
Spark-3.2.4 高可用集群安装部署详细图文教程
Spark 实战开发教程
03-29
最近在学习Apache Spark，搜集些资料（共5个文档），供大家分享。 1、《Spark实战高手之路-从零开始》 2、《Spark开发环境配置及流程(Intellij_IDEA)》 3、《spark官方文档中文版》 4、《Spark 入门之 Scala 语言解释及示例讲解》 5、《Scala编码规范》 总结： Hadoop MapReduce会被新一代的大数据处理平台替代是技术发展的趋势，而在新一代的大数据处理平台中，Spark目前得到了最广泛的认可和支持。
SUCSES:从零开始编码的SPARK通用代码系列
03-08
成功 从零开始编码的SPARK通用代码系列 SUCSES是一个完全由零开始制作的开源编码解码引擎工具包。 它有3种不同的版本。 16、32和64，分别具有不同的活动能力 成功16： 用于暂存的文本编码和解码引擎。 它是 - 能够解码91个字符。 区分大小写 超级简单快捷 由Suhalo_351的65个字符的编码器转换而成 在SparkScratch_P上从头开始抓到91个字符 成功32： 用于Scratch的列表编码解码引擎。 SUCSES 16引擎通过非常简单的算法已增强到此列表编码引擎。 截至2021年3月，这是有史以来最简单，最受支持的云列表引擎，并且是印度第一个云列表引擎 支持89个字符！ （包括案例） 区分大小写 可以在0.1秒内对长度为100的项目进行编码 简单算法（最简单的方法，截至2021年） 超级快速流畅; 永远不会挂起！ Scratch 2.0的所有版
Python搭建Spark分布式集群环境
09-19
主要介绍了Spark分布式集群环境搭建基于Python版，Apache Spark 是一个新兴的大数据处理通用引擎，提供了分布式的内存抽象。100 倍本文而是使用三台电脑来搭建一个小型分布式集群环境安装,需要的朋友可以参考下
小坨的Spark分布式集群环境搭建小笔记
01-09
文章目录写在前面搭建好Hadoop集群环境安装Spark（Master节点上操作）配置环境变量（Master节点上操作）Spark配置（Master节点上操作）配置Worker节点启动Spark集群（在Master节点上操作）关闭Spark集群（在Master...
node-v9.6.0-x86.msi
04-29
Node.js，简称Node，是一个开源且跨平台的JavaScript运行时环境，它允许在浏览器外运行JavaScript代码。Node.js于2009年由Ryan Dahl创立，旨在创建高性能的Web服务器和网络应用程序。它基于Google Chrome的V8 JavaScript引擎，可以在Windows、Linux、Unix、Mac OS X等操作系统上运行。 Node.js的特点之一是事件驱动和非阻塞I/O模型，这使得它非常适合处理大量并发连接，从而在构建实时应用程序如在线游戏、聊天应用以及实时通讯服务时表现卓越。此外，Node.js使用了模块化的架构，通过npm（Node package manager，Node包管理器）,社区成员可以共享和复用代码，极大地促进了Node.js生态系统的发展和扩张。 Node.js不仅用于服务器端开发。随着技术的发展，它也被用于构建工具链、开发桌面应用程序、物联网设备等。Node.js能够处理文件系统、操作数据库、处理网络请求等，因此，开发者可以用JavaScript编写全栈应用程序，这一点大大提高了开发效率和便捷性。 在实践中，许多大型企业和组织已经采用Node.js作为其Web应用程序的开发平台，如Netflix、PayPal和Walmart等。它们利用Node.js提高了应用性能，简化了开发流程，并且能更快地响应市场需求。
Python基于机器学习的分布式系统故障诊断系统源代码，分布式系统的故障数据进行分析，设计故障诊断模型，高效地分析并识别故障类别
04-29
基于技术手段（包括但不限于机器学习、深度学习等技术）对分布式系统的故障数据进行分析，设计故障诊断模型，高效地分析并识别故障类别，实现分布式系统故障运维的智能化，快速恢复故障的同时大大降低分布式系统运维工作的难度，减少运维对人力资源的消耗。在分布式系统中某个节点发生故障时，故障会沿着分布式系统的拓扑结构进行传播，造成自身节点及其邻接节点相关的KPI指标和发生大量日志异常
JavaScript前端开发的核心语言前端开发的核心语言
最新发布
04-29
javascript 当今互联网时代，JavaScript已经成为了前端开发的核心语言它是一种高级程序设计语言，通常用于网页的交互和动态效果的实现。JavaScript的灵活性以及广泛的使用使得它变得异常重要，能够为用户带来更好的用户体验。 JavaScript的特点之一是它的轻量级，它可以在网页中运行无需单独的编译或下载。这意味着网页可以更快地加载并且用户无需安装额外的软件才能运行网页上的JavaScript代码。此外，与HTML和CSS紧密结合，可以直接在HTML文档中嵌入，使得网页的开发变得非常便捷。 JavaScript具有动态性，它可以在浏览器中实时修改页面内容和样。它可以通过操作DOM（文档对象模型来动态地修改网页的结构和布局，并且可以根据用户的行为实时地响应各种事件，如点击、标悬停、滚动等。这使得开发者可以轻松地为网页添加交互性和动态效果，提供更好的用户体验。 JavaScript也是一种面向对象的语言。它支持对象、类、继承、多态等面向对象编程的概念，使得代码结构更加清晰和可维护。开发者可以创建自定义的对象和方法，对功能进行封装和复用，提高代码的可读性和可维护性。
四则运算自动生成程序安装包
04-29
四则运算自动生成程序安装包
k8s搭建spark集群
04-29
Kubernetes（k8s）是一种用于部署、扩展和管理容器化应用程序的开源平台。通过将Kubernetes与Spark结合使用，可以实现在分布式环境下运行的可扩展高性能计算集群。 搭建Spark集群需要以下步骤： 1. 创建Kubernetes集群：在云平台或本地安装Kubernetes集群，并确保对它的访问权限。 2. 安装Hadoop和Spark：为了搭建Spark集群，需要先安装Hadoop和Spark环境。可以通过Kubernetes的资源定义来定义Hadoop和Spark的Pods，并将它们部署到Kubernetes集群中。 3. 配置HDFS和YARN：将HDFS和YARN配置到集群中，以使Spark可以轻松访问HDFS存储并在YARN上运行作业。 4. 创建Spark Master和Worker：在Kubernetes上创建Spark Master和Worker Pod，并使用Spark-submit命令将作业提交到Spark Master。 5. 安装Spark UI：安装Spark UI以便用户可以监视Spark集群及其作业的运行情况。 总的来说，通过将Kubernetes与Spark结合使用，我们可以轻松地管理一个高效稳定的集群。使用Kubernetes的动态容器管理、自动伸缩和负载均衡特性，可以更好地管理Spark集群的资源和作业，从而提高Spark集群的性能和可靠性。

“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 2
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