Spark on YARN 部署案例

最新推荐文章于 2024-04-09 20:32:02 发布
最新推荐文章于 2024-04-09 20:32:02 发布
阅读量100 收藏
点赞数
文章标签： 大数据 java scala
原文链接：https://segmentfault.com/a/1190000008615411
版权

环境准备

1. 服务器角色分配

iphostnamerole
10.8.26.197server1主名字节点 (NodeManager)
10.8.26.196server2备名字节点 (SecondaryNameNode)
10.8.26.196server2数据字节点 (DataNode)

2. 软件设施

  • jdk1.8.0_102

  • scala-2.11.0:

  • hadoop-2.7.0

  • spark-2.0.2-bin-hadoop2.7：对应 scala 版本不能是 scala-2.11.x

3. HOSTS 设置

在每台服务器的 "/etc/hosts" 文件，添加如下内容：

10.8.26.197   server1   
10.8.26.196   server2  
10.8.26.196   server2

4. SSH 免密码登录

Redhat 7/CentOS 7 SSH 免密登录

Hadoop YARN 分布式集群配置

注：1-8 所有节点都做同样配置

1. 环境变量设置

# vim /etc/profile

# hadoop env set
export HADOOP_HOME=/usr/local/hadoop-2.7.0
export HADOOP_PID_DIR=/data/hadoop/pids
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export HADOOP_OPTS="$HADOOP_OPTS -Djava.library.path=$HADOOP_HOME/lib/native"

export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export HDFS_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

export JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/native

# jdk env set
export JAVA_HOME=/usr/local/jdk1.8.0_102
export CLASSPATH=.:$JAVA_HOME/lib/dt.jar:$JAVA_HOME/lib/tools.jar

# scala env set
export SCALA_HOME=/usr/local/scala-2.11.0
export PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$JAVA_HOME/bin:$SCALA_HOME/bin:$PATH

变量立即生效

# source /etc/profile

2. 相关路径创建

# mkdir -p /data/hadoop/{pids,storage}
# mkdir -p /data/hadoop/storage/{hdfs,tmp}
# mkdir -p /data/hadoop/storage/hdfs/{name,data}

3. 配置 core-site.xml

目录：$HADOOP_HOME/etc/hadoop/core-site.xml

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://server1:9000</value>
    </property>
    <property>
        <name>io.file.buffer.size</name>
        <value>131072</value>
    </property>
    <property>
        <name>hadoop.tmp.dir</name>
        <value>file:/data/hadoop/storage/tmp</value>
    </property>
    <property>
        <name>hadoop.proxyuser.hadoop.hosts</name>
        <value>*</value>
    </property>
    <property>
        <name>hadoop.proxyuser.hadoop.groups</name>
        <value>*</value>
    </property>
    <property>
        <name>hadoop.native.lib</name>
        <value>true</value>
    </property>
</configuration>

4. 配置 hdfs-site.xml

目录：$HADOOP_HOME/etc/hadoop/hdfs-site.xml

<configuration>
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>server2:9000</value>
    </property>
    <property>
        <name>dfs.namenode.name.dir</name>
        <value>file:/data/hadoop/storage/hdfs/name</value>
    </property>
    <property>
        <name>dfs.datanode.data.dir</name>
        <value>file:/data/hadoop/storage/hdfs/data</value>
    </property>
    <property>
        <name>dfs.replication</name>
        <value>3</value>
    </property>
    <property>
        <name>dfs.webhdfs.enabled</name>
        <value>true</value>
    </property>

</configuration>

5. 配置 mapred-site.xml

目录：$HADOOP_HOME/etc/hadoop/mapred-site.xml

<configuration>
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>
    <property>
        <name>mapreduce.jobhistory.address</name>
        <value>server1:10020</value>
    </property>

    <property>
        <name>mapreduce.jobhistory.webapp.address</name>
        <value>server1:19888</value>
    </property>
</configuration>

6. 配置 yarn-site.xml

目录：$HADOOP_HOME/etc/hadoop/yarn-site.xml

<configuration>
<!-- Site specific YARN configuration properties -->
    <property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    <property>
        <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name>
        <value>org.apache.hadoop.mapred.ShuffleHandler</value>
    </property>
    <property>
        <name>yarn.resourcemanager.scheduler.address</name>
        <value>server1:8030</value>
    </property>
    <property>
        <name>yarn.resourcemanager.resource-tracker.address</name>
        <value>server1:8031</value>
    </property>
    <property>
        <name>yarn.resourcemanager.address</name>
        <value>server1:8032</value>
    </property>
    <property>
        <name>yarn.resourcemanager.admin.address</name>
        <value>server1:8033</value>
    </property>
    <property>
        <name>yarn.resourcemanager.webapp.address</name>
        <value>server1:80</value>
    </property>
</configuration>

7. 配置 hadoop-env.sh、mapred-env.sh、yarn-env.sh

均在文件开头添加

目录：

  • $HADOOP_HOME/etc/hadoop/hadoop-env.sh

  • $HADOOP_HOME/etc/hadoop/mapred-env.sh

  • $HADOOP_HOME/etc/hadoop/yarn-env.sh

在以上三个文件开头添加如下内容：

export JAVA_HOME=/usr/local/jdk1.8.0_102
export CLASS_PATH=$JAVA_HOME/lib:$JAVA_HOME/jre/lib

export HADOOP_HOME=/usr/local/hadoop-2.7.0
export HADOOP_PID_DIR=/data/hadoop/pids
export HADOOP_COMMON_LIB_NATIVE_DIR=$HADOOP_HOME/lib/native
export HADOOP_OPTS="$HADOOP_OPTS -Djava.library.path=$HADOOP_HOME/lib/native"

export HADOOP_PREFIX=$HADOOP_HOME

export HADOOP_MAPRED_HOME=$HADOOP_HOME
export HADOOP_COMMON_HOME=$HADOOP_HOME
export HADOOP_HDFS_HOME=$HADOOP_HOME
export YARN_HOME=$HADOOP_HOME

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export HDFS_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

export JAVA_LIBRARY_PATH=$HADOOP_HOME/lib/native

export PATH=$PATH:$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

8. 数据节点配置

# vim $HADOOP_HOME/etc/hadoop/slaves
server1
server2
server3

9. Hadoop 简单测试

工作目录 master $HADOOP_HOME

# cd $HADOOP_HOME

首次启动集群时，做如下操作 [主名字节点上执行]

# hdfs namenode -format
# sbin/start-dfs.sh
# sbin/start-yarn.sh

检查进程是否正常启动

主名字节点 - server1：

# jps
11842 Jps
11363 ResourceManager
10981 NameNode
11113 DataNode
11471 NodeManager

备名字节点 - server2：

# jps
7172 SecondaryNameNode
7252 NodeManager
7428 Jps
7063 DataNode

数据节点 - server3：

# jps
6523 NodeManager
6699 Jps
6412 DataNode

hdfs 与 mapreduce 测试

#  hdfs dfs -mkdir -p /user/root
# hdfs dfs -put ~/text /user/root
# hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.0.jar wordcount /user/root /user/out
16/12/30 14:01:51 INFO client.RMProxy: Connecting to ResourceManager at server1/10.8.26.197:8032
16/12/30 14:01:55 INFO input.FileInputFormat: Total input paths to process : 1
16/12/30 14:01:55 INFO mapreduce.JobSubmitter: number of splits:1
16/12/30 14:01:56 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1483076482233_0001
16/12/30 14:01:58 INFO impl.YarnClientImpl: Submitted application application_1483076482233_0001
16/12/30 14:01:58 INFO mapreduce.Job: The url to track the job: http://server1:80/proxy/application_1483076482233_0001/
16/12/30 14:01:58 INFO mapreduce.Job: Running job: job_1483076482233_0001
16/12/30 14:02:23 INFO mapreduce.Job: Job job_1483076482233_0001 running in uber mode : false
16/12/30 14:02:24 INFO mapreduce.Job:  map 0% reduce 0%
16/12/30 14:02:36 INFO mapreduce.Job:  map 100% reduce 0%
16/12/30 14:02:44 INFO mapreduce.Job:  map 100% reduce 100%
16/12/30 14:02:45 INFO mapreduce.Job: Job job_1483076482233_0001 completed successfully
16/12/30 14:02:46 INFO mapreduce.Job: Counters: 49
    File System Counters
        FILE: Number of bytes read=242
        FILE: Number of bytes written=230317
        FILE: Number of read operations=0
        FILE: Number of large read operations=0
        FILE: Number of write operations=0
        HDFS: Number of bytes read=493
        HDFS: Number of bytes written=172
        HDFS: Number of read operations=6
        HDFS: Number of large read operations=0
        HDFS: Number of write operations=2
    Job Counters
        Launched map tasks=1
        Launched reduce tasks=1
        Data-local map tasks=1
        Total time spent by all maps in occupied slots (ms)=7899
        Total time spent by all reduces in occupied slots (ms)=6754
        Total time spent by all map tasks (ms)=7899
        Total time spent by all reduce tasks (ms)=6754
        Total vcore-seconds taken by all map tasks=7899
        Total vcore-seconds taken by all reduce tasks=6754
        Total megabyte-seconds taken by all map tasks=8088576
        Total megabyte-seconds taken by all reduce tasks=6916096
    Map-Reduce Framework
        Map input records=8
        Map output records=56
        Map output bytes=596
        Map output materialized bytes=242
        Input split bytes=99
        Combine input records=56
        Combine output records=16
        Reduce input groups=16
        Reduce shuffle bytes=242
        Reduce input records=16
        Reduce output records=16
        Spilled Records=32
        Shuffled Maps =1
        Failed Shuffles=0
        Merged Map outputs=1
        GC time elapsed (ms)=231
        CPU time spent (ms)=1720
        Physical memory (bytes) snapshot=293462016
        Virtual memory (bytes) snapshot=4158427136
        Total committed heap usage (bytes)=139976704
    Shuffle Errors
        BAD_ID=0
        CONNECTION=0
        IO_ERROR=0
        WRONG_LENGTH=0
        WRONG_MAP=0
        WRONG_REDUCE=0
    File Input Format Counters
        Bytes Read=394
    File Output Format Counters
        Bytes Written=172

执行完成后查看输出，

# hdfs dfs -ls /user/out
Found 2 items
-rw-r--r--   3 root supergroup          0 2016-12-30 14:02 /user/out/_SUCCESS
-rw-r--r--   3 root supergroup        172 2016-12-30 14:02 /user/out/part-r-00000

也可以通过 UI （http://server1/cluster/apps） 查看：

hadoop ui

HDFS 信息查看

# hdfs dfsadmin -report
# hdfs fsck / -files -blocks

UI（http://server1:50070/） ：

hdfs ui

集群的后续维护

# sbin/start-all.sh
# sbin/stop-all.sh

监控页面 URL

http://10.8.26.197:80

Spark 分布式集群配置

注：所有节点都做同样配置

1. Spark 相关配置

Spark 环境变量设置
# vim /etc/profile
# spark env set
export SPARK_HOME=/usr/local/spark-2.0.2-bin-hadoop2.7

export PATH=$SPARK_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$JAVA_HOME/bin:$SCALA_HOME/bin:$PATH
# source /etc/profile
配置 spark-env.sh
# cd $SPARK_HOME/conf
# mv spark-env.sh.template spark-env.sh
# vim spark-env.sh
## 添加如下内容
export JAVA_HOME=/usr/local/jdk1.8.0_102
export SCALA_HOME=/usr/local/scala-2.11.0
export HADOOP_HOME=/usr/local/hadoop-2.7.0
配置 worker 节点的主机名列表
# cd $SPARK_HOME/conf
# vim slaves
server1
server2
server3
其他配置
# cd $SPARK_HOME/conf
# mv log4j.properties.template log4j.properties

在 Master 节点上执行

# cd $SPARK_HOME && sbin/start-all.sh

检查进程是否启动

在 master 节点上出现 "Master"，在 slave 节点上出现 "Worker"

Master 节点：
[root@server1 spark-2.0.2-bin-hadoop2.7]# jps
11363 ResourceManager
10981 NameNode
13176 Master
13256 Worker
11113 DataNode
13435 Jps
11471 NodeManager
Slave 节点：
[root@server2 conf]# jps
7172 SecondaryNameNode
7252 NodeManager
7063 DataNode
8988 Worker
9133 Jps

相关测试

监控页面 URL

http://10.8.26.197:8080/ 或 http://server1:8080/

图片描述

切换到 "$SPARK_HOME/bin" 目录

1. 本地模式

# .bin/run-example org.apache.spark.examples.SparkPi local

2. 普通集群模式

# ./bin/run-example org.apache.spark.examples.SparkPi spark://10.8.26.197:7077
# ./bin/run-example org.apache.spark.examples.SparkLR spark://10.8.26.197:7077

3. 结合 HDFS 的集群模式

工作目录 $SPARK_HOME

scala> val file=sc.textFile("hdfs://server1:9000/user/root/README.md")
file: org.apache.spark.rdd.RDD[String] = hdfs://server1:9000/user/root/README.md MapPartitionsRDD[5] at textFile at <console>:24

scala> val count = file.flatMap(line => line.split(" ")).map(word => (word, 1)).reduceByKey(_+_)
count: org.apache.spark.rdd.RDD[(String, Int)] = ShuffledRDD[8] at reduceByKey at <console>:26

scala> count.collect()
res3: Array[(String, Int)] = Array((package,1), (this,1), (Version"](http://spark.apache.org/docs/latest/building-spark.html#specifying-the-hadoop-version),1), (Because,1), (Python,2), (cluster.,1), (its,1), ([run,1), (general,2), (have,1), (pre-built,1), (YARN,,1), (locally,2), (changed,1), (locally.,1), (sc.parallelize(1,1), (only,1), (Configuration,1), (This,2), (basic,1), (first,1), (learning,,1), ([Eclipse](https://cwiki.apache.org/confluence/display/SPARK/Useful+Developer+Tools#UsefulDeveloperTools-Eclipse),1), (documentation,3), (graph,1), (Hive,2), (several,1), (["Specifying,1), ("yarn",1), (page](http://spark.apache.org/documentation.html),1), ([params]`.,1), ([project,2), (prefer,1), (SparkPi,2), (<http://spark.apache.org/>,1), (engine,1), (version,1), (file,1), (documentation...
scala> :quit

4. 基于 YARN 模式

# ./bin/spark-submit --class org.apache.spark.examples.SparkPi \
    --master yarn \
    --deploy-mode cluster \
    --driver-memory 1g \
    --executor-memory 1g \
    --executor-cores 1 \
     examples/jars/spark-examples*.jar \
    10

执行结果：

$HADOOP_HOME/logs/userlogs/application_*/container*_***/stdout

或

http://10.8.26.197/logs/userl...

监控页面

weixin_33995481
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
spark练习案例_操作练习-Spark on Yarn
weixin_39705193的博客
12-20 199
承接上一篇文档《Spark案例练习-打包提交》将spark应用运行在yarn集群上 官网地址：http://spark.apache.org/docs/2.0.2/running-on-yarn.html1. 在spark-env.sh中配置HADOOP_CONF_DIR 或者 YARN_CONF_DIRHADOOP_CONF_DIR=/opt/bigdata/hadoop-2.7.3/etc/h...
spark on yarn实例练习
weixin_30507481的博客
12-30 132
1、spark on yarn作业提交（yarn-client模式） bin/spark-submit \--class dajiangtai.averageAge \--master yarn-client \--num-executors 1 \--driver-memory 1g \--executor-memory 1g \--executor-cores 1 \lib/wordcoun...
Oozie 提交Spark On Yarn示例
pt707621764的专栏
09-05 1万+
大家好，我是crazy_老中医，我写程序就像老中医一样，全屏感觉和经验，但是有用！ 废话不多说，现在开始正文，本文将阐述如何将一个Spark程序通过oozie提交到hadoop的Yarn上运行。 准备工作 集群规划   hdp-master hdp-slave1 hdp-slave2 hadoop NameNod
Spark on YARN
u013076651的博客
01-27 224
将Spark任务的pyspark文件，经过Py4J转换，提交到Yarn的JVM中去运行
Spark on Yarn 模式编写workcount实例
学亮编程手记
08-15 350
一:上传输入文件到hadoop,本例上传的文件名为spark.txt 二:打包程序，打包名为:Spark-0.0.1-SNAPSHOT.jar 三:上传文件到Spark集群进行部署 import java.util.ArrayList; import java.util.List; import org.apache.spark.SparkConf; import org.apache.spark.api.java.JavaRDD; import org.apache.spark..
spark部署学习资料
12-14
四、Spark on YARN部署 在YARN（Hadoop Yet Another Resource Negotiator）上运行Spark，需要配置Hadoop和Spark的环境，设置`spark.yarn.*`相关的配置项，如队列、内存和核数分配。 五、Spark on Mesos部署 Mesos...
通过案例实战掌握Spark编程模型内幕.pptx
05-14
针对Spark的学习，可以参加一系列的实战课程，例如"决战大数据‘Spark纯实战’公益大讲坛"，涵盖了Spark集群部署、编程模型、内核运行、SQL、Hive on Spark、Streaming、GraphX、SparkR、Tachyon、运维与调优等多个...
Spark分布式内存计算框架视频教程
10-21
7.Spark on YARN 8.应用部署模式DeployMode 第二章、SparkCore 模块 1.RDD 概念及特性 2.RDD 创建 3.RDD 函数及使用 4.RDD 持久化 5.案例：SogouQ日志分析 6.RDD Checkpoint 7.外部数据源（HBase和MySQL） 8.广播...
spark资料学习
12-10
"Spark_on_Yarn的淘宝数据挖掘平台.pdf"阐述了Spark在YARN上的运行模式，以及在淘宝数据挖掘平台中的部署和优化，对于大型企业构建自己的数据平台具有参考价值。 最后，"大数据核心技术与应用论坛—推荐系统算法...
Based on spark batch processing big data platform（基于spark的.zip
03-06
1. 集群设置：首先，需要部署Hadoop HDFS作为数据存储层，然后配置Spark集群，包括Master节点和Worker节点。 2. 数据源集成：Spark可以与多种数据源集成，如HDFS、HBase、Cassandra等，为批处理提供数据输入和输出。...
Spark的Yarn模式及其案例，2024年最新文末有惊喜
最新发布
2301_78399550的博客
04-09 848
谈到面试，其实说白了就是刷题刷题刷题，天天作死的刷。。。。。为了准备这个“金三银四”的春招，狂刷一个月的题，狂补超多的漏洞知识，像这次美团面试问的算法、数据库、Redis、设计模式等这些题目都是我刷到过的并且我也将自己刷的题全部整理成了PDF或者Word文档（含详细答案解析）66个Java面试知识点架构专题（MySQL，Java，Redis，线程，并发，设计模式，Nginx，Linux，框架，微服务等）+大厂面试题详解（百度，阿里，腾讯，华为，迅雷，网易，中兴，北京中软等）算法刷题（PDF）
Spark on Yarn
思亘七险，点落九宫，神游八极，纵横十方。
06-05 289
Spark on Yarn 1.Yarn的产生背景 Hadoop Spark Standalone MPI …等分布式的框架 集群的资源利用率不够，就需要统一的资源管理和调度。 使用Yarn的话，多种计算框架可以共享集群资源，按需分配，这样可以提升集群资源的利用率。 2.Yarn架构 各自的职责以及重试的机制(挂了之后如何重新执行) RM： NM： AM： Container： 3.Yarn的执行...
Spark on Yarn with Hive实战案例与常见问题解决
weixin_33720956的博客
10-09 393
[TOC] 1 场景 在实际过程中，遇到这样的场景： 日志数据打到HDFS中，运维人员将HDFS的数据做ETL之后加载到hive中，之后需要使用Spark来对日志做分析处理，Spark的部署方式是Spark on Yarn的方式。 从场景来看，需要在我们的Spark程序中通过HiveContext来加载hive中的数据。 如果希望自己做测试，环境的配置可以参考我之前的文章，主要有下面的需要配...
Spark On Yarn环境部署测试（standalone）
若兰幽竹
08-25 896
Spark On Yarn环境部署测试（使用伪分布）一、前提工作二、配置Spark On Yarn三、运行Spark Pi案例 一、前提工作 安装了Hadoop伪分布，可以参考：Hadoop2.7.3环境搭建之伪分布式 安装spark伪分布，可参考：Spark Standalone单机模式环境搭建 二、配置Spark On Yarn 修改yarn-site.xml,添加如下信息 <!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是 true --&
Spark的Yarn模式及其案例
Faith_xzc
08-11 2844
目录基本概念Yarn模式搭建1. 解压缩文件2.修改配置文件启动集群测试Spark中examples案例1. 提交应用2.Web 页面查看日志配置历史服务器1.具体步骤2.重新提交应用3.Web 页面查看日志 基本概念 独立部署（Standalone）模式由Spark 自身提供计算资源，无需其他框架提供资源。这种方式降低了和其他第三方资源框架的耦合性，独立性非常强。但是也要记住，Spark 主要是计算框架，而不是资源调度框架，所以本身提供的资源调度并不是它的强项，所以还是和其他专业的资源调度框架集成会更靠谱
spark学习-运行spark on yarn 例子和查看日志.
搬砖笔记
06-29 8080
要通过web页面查看运行日志,需要启动两个东西 hadoop启动jobhistoryserver和spark的history-server. 相关配置文件: etc/hadoop/mapred-site.xml &lt;!--配置jobhistory的地址和web管理地址--&gt; &lt;property&gt; &lt;name&gt;mapr...
第一个Spark On Yarn程序
热门推荐
Jack‘s bolg
02-22 1万+
环境 hadoop 2.2.0 + Scala 2.10.3 + Spark 0.9 + Idea 13 单机伪分布式的Yarn Idea SBT插件使用：建立SBT项目，然后在Setting中设置SBT autoimport 和 auto 创建目录结构 build.sbt name := "WordCount" version := "1.0" scalaVersion :
运行spark——运行自带案例
ant的博客
05-17 3666
run-example运行自带案例 在spark的bin目录下执行：run-example + 类名 ./run-example org.apache.spark.examples.SparkPi 还有其他的例子都在examples目录下
spark on yarn部署
04-30
以下是 Spark on YARN 的部署步骤： 1. 安装 Hadoop 集群：在所有节点上安装 Hadoop 集群。确保每个节点都能够互相通信。 2. 安装 Spark：在每个节点上安装 Spark。确保 Spark 版本与 Hadoop 版本兼容。 3. 配置 ...

“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