[原] RStudio Spark/Leaflet 与 GIS 最佳实践

最新推荐文章于 2024-04-23 14:30:57 发布
最新推荐文章于 2024-04-23 14:30:57 发布
阅读量422 收藏 4
点赞数
文章标签： 大数据 数据库 r语言
原文链接：https://segmentfault.com/a/1190000015048613
版权

clipboard.png

近年来，基于 Spark 的大数据并行计算方案日渐成熟，在GIS领域有了很多最佳实践。过去，大多数数据分析师可能都是基于Excel/Hive进行分析工作，但是随着数据分析架构的成熟，基于 RStudio 和 Spark/Leaflet 的数据分析环境正在变得更加易用和富有生产力。本文将分享 R语言社区最前沿的 Spark/Leaflet 和 GIS 数据处理方法。

在GIS分析领域，我们最常用的数据分析工具就是 PostGIS/QGIS。一方面，PostGIS 本身是一个开源的、单机部署的。这意味着，在物联网和大数据时代，随着传感器和数据量的迅速增长，单机内存、磁盘、网络等将成为GIS数据分析的瓶颈。另一方面，QGIS则是一个基于客户端非交互式的可视化工具，它无法快速将自己的想法转化为仪表盘生产力。对于互联网下半场的今天，美团、滴滴、摩拜、高德、Airbnb等拥有丰富GIS数据的公司而言，简化GIS数据分析门槛变得十分有意义。

经过长期实践发现，目前基于RStuido 和 Spark/Leaflet 的方案足够成熟，具有性能稳定、快速移植、低学习成本的特点。

从 PostGIS 到 Spark

在 PostGIS 中，由于数据库可以自建索引，所以在做数据分析时，性能会非常好。但是在数据量非常庞大时，往往也无力招架，而 Spark/Hive 其实是目前业内处理大数据的最佳选择和事实标准，如何将数据分析框架迁移到 Spark/Hive 架构成为不二选择。

从 PostGIS 到 Spark 可以分为两步：

  1. 从 PostGIS 数据库到 内存计算
  2. 从 单机内存 到 Spark 分布式内存

从 PostGIS 数据库到 内存计算

空间分析中通常包含几个核心要素：

  1. 空间几何构建
  2. 空间关系计算
  3. 空间几何计算
  4. 空间IO
  5. 坐标系系统
空间几何转化

clipboard.png

这些核心要素都包含在PostGIS/sf/ESRI 的空间计算函数中，如果你对 PostGIS 非常熟悉，那么你在学习 R 中的 sf 包就非常简单不过了，如果你还在入门GIS，那可以参考这个PostGIS 手册。 sf包提供了类似 PostGIS的空间计算函数，也同样包含来上述空间分析的核心要素，很幸运，它们的函数名都是一样的，但是它可以直接在R的内存中进行，不必要将数据存在数据库中。简单、一致、学习成本低，这也是R语言受到GISer垂青的原因之一。以下面一个例子就能明白它们之间的异同：

PostGIS：

# sc is a postgis connection

sc %>%
tbl(sql("SELECT st_contains(st_polygon(1,1, 1,4, 4,4, 4,1), st_point(2, 3) as res"))

sf：

list(matrix(c(1,1, 1,4, 4,4, 4,1),ncol=2, byrow=TRUE)) %>%
st_polygon() %>% 
st_contains(st_point(c(2,3)))

从 PostGIS 到 sf，分布式计算的路已经走了一半，起码已经从 数据库 到了内存。

从 单机内存 到 Spark 分布式内存

clipboard.png

在 Spark/Hive 生态中，有一种工具叫做 UDF（User Define Function），通过它，可以自定义一些空间函数来进行GIS分析，而这些工具已经有社区提供，不必再造车轮。

引用自 Query the planet: Geospatial big data analytics at Uber 中地理围栏示意图

利用 ESRI UDF/GeoSpark 提供的一系列的 ST_* 函数，它可以将你的 sf 代码与 sparklyr 很好的结合在一起。下面是一个具体围栏关联查询的例子：

# devtools::install_github("harryprince/geospark")
library(geospark)
library(sparklyr)
config = sparklyr::spark_config()
                                   
sc <- sparklyr::spark_connect(master = "yarn-client", version = "2.2.0",config = config)

# 添加 geospark UDF
register_gis(sc)

# (optional) 添加 ESRI UDF
# DBI::dbGetQuery(sc,"add jar esri-geometry-api-2.1.0.jar") 
# DBI::dbGetQuery(sc,"add jar spatial-sdk-hive-2.1.0-SNAPSHOT.jar")
# DBI::dbGetQuery(sc,"add jar spatial-sdk-json-2.1.0-SNAPSHOT.jar")
# 地理围栏计算

dplyr::tbl(sc,"ai.financer_tbl") %>% 
    filter(dt=="20180420") %>% 
    mutate(point_a = st_points(c(lat,lng)) %>%
    mutate(polygon_b = st_polygon(c(lat1,lng1,lat2,lng2))) %>%
    transmute(geohash= st_contains(polygon_b, point_a))

它们和 PostGIS/ESRI UDF/GeoSpark/ R 中的 sf 包都继承了同一套GIS数据处理语言。如果你掌握了 PostGIS 那么 sf 包和 ESRI UDF/GeoSpark 自然不在话下。
并且 GeoSpark 在ESRI UDF 的基础上还实现了SQL中的空间Join查询优化，通过对地理围栏进行四叉树的预见索引，整体提升空间Join查询的性能。

性能对比

下面是 GeoSpark 论文中对三种地理关联查询性能的对比：

序号测试用例记录条数
1SELECT IDCODE FROM zhenlongxiang WHERE ST_Disjoint(geom,ST_GeomFromText(‘POLYGON((517000 1520000,619000 1520000,619000 2530000,517000 2530000,517000 1520000))’));85,236 rows
2SELECT fid FROM cyclonepoint WHERE ST_Disjoint(geom,ST_GeomFromText(‘POLYGON((90 3,170 3,170 55,90 55,90 3))’,4326))60,591 rows

拓扑查询的性能(毫秒)

序号PostGIS/PostgreSQLGeoSpark SQLESRI Spatial Framework for Hadoop
1963148040,784
211087239464,217

可以看到使用 GeoSpark SQL 的方式，可以在数据规模和计算性能上同时超过 PG 和 ESRI UDF，而通过sparklyr的语法糖，可以完美移植 local的sf代码到 spark 上。

使用技巧

使用 Spark 的内存并行计算和传统单机计算最大的差异就是需要利用 惰性计算与异步计算 来优化性能。

首先介绍一下什么是 惰性计算和异步计算：

  • 惰性计算

因为大数据计算中，数据量非常大，如果每次写代码，数据就直接开始计算会对计算引擎带来不必要的压力。

为了应对大数据计算，spark 和 dplyr 都继承了 Lazy Computation的思想，也就是把定义计算步骤的图结构和获得数据结果分开。通过 tbl_df %>% collect() 或者 tbl_df %>% compute() 来实现。

  • 异步计算

以一个简单的例子来比喻就是 我们早晨起床的时候，会一边烧开水，一边刷牙。烧水并不需要一直守在水壶边上，烧水的同时做点别的事情，等水烧好来再把水倒出来，这就是简单的一个异步计算的例子。

在 R 中，我们通过 future和promises 这两个包来辅助实现。

具体例子：

pipeline = df %>% # 定义计算图
head(100)

pipeline 
collect() %>% # 惰性求值，自动优化计算逻辑
View()
library(future)
library(promises)

future(head(df,100)) %...>% # 使用 %...>% 代替 %>% 自动切换为异步计算模式
    collect() %...>%
    View()

从 Leaflet 到 Dashboard

地理数据在计算之外最重要的一个应用就是可视化技术，而R一直以地图数据可视化而闻名。国内有 leafletCN/geoChina/REmap 等包，国外有 leaflet/leaflet.extra/mapview/ggmap等，支持各种矢量/栅格数据。

IDE 交互式分析

clipboard.png

可视化技术核心有下面几个要素：

  1. 地理单元选择
  2. 坐标系选择
  3. BBox/Zoom level
  4. 图层管理
  5. 元素管理

mapview、leaflet、R notebook 是地图交互式分析最好用的三个工具。

在一个 R notebook chunk 中将 sf 对象通过 mapview 直接可视化，再通过 leaflet 进行图层叠加与拓展。

地理单元

如果不是展示矢量元素，那常见的地理单元有三种选择：

分别是 H3、S2 和 geohash，在R中都提供了对应的实现：

方法特点厂家
H3美观、等面积、等形状、NormlizedUber
S2层次丰富、精度高Google
geohash成熟实现、各端SDK齐全-

其中，H3 最适用于机器学习场景，避免了地理单元因为面积、形状不一致带来的统计指标的偏差。geohash在北京和深圳的面积误差就非常严重。

坐标系

常见的坐标系有三种：

分别是 国测局坐标系（GCJ-02）、地球坐标 (WGS84) 和 百度坐标 (BD-09)，在R中的 geoChina包都提供了对应的转换实现，以亮马桥地铁站位置为例：

# 经纬度转化
geogcj = data.frame(lat=39.949958,lng=116.46343)
geowgs = geoChina::gcj2wgs(39.949958, 116.46343)
geobd = geoChina::gcj2bd(39.949958,116.46343)

leaflet.mapbox::leafletMapbox(access_token=MAPBOX_TOKEN) %>%
 addCircleMarkers(lat = geogcj$lat,lng = geogcj$lng,color = "red") %>% 
 addCircleMarkers(lat = geowgs$lat,lng = geowgs$lng,color = "green") %>% 
 addCircleMarkers(lat = geobd$lat,lng = geobd$lng,color = "blue") %>% 
 # leafletCN::amap()
 leaflet.mapbox::addMapboxTileLayer(mapbox.classicStyleIds$dark)
REmap::remapB(markPointData = data.frame(a=c("gcj","wgs","bd"),
color=c("red","green","blue")),color = "Blue",geoData = geogcj %>% 
rbind(geowgs) %>%
rbind(geobd) %>% 
select(lon = lng,lat= lat) %>% 
cbind(city=c("gcj","wgs","bd")))

clipboard.png

图中，红点表示 高德坐标系；蓝点表示百度坐标系；绿点表示 Google坐标系。
如图所示，在国内 高德地图（左一白）底图中，红点可以准确表示 亮马桥地铁站；
在国内百度地图（中蓝）底图中，蓝点可以准确表示亮马桥地铁站位置。
在国际Google地图（右黑）底图中，绿点可以准确表示亮马桥地铁站位置。

对于初学者最容易犯的一个错误就是将坐标系混淆使用，这通常会带来上百米的精度误差。虽然，各个厂家标准不一，但好在各种语言但开源转化方案也很多，比如：https://github.com/googollee/...

图层与元素管理

和坐标系所对应的就是底图，参考瓦片地图原理一文，你可以替换各种厂家的底图来适配地图的坐标系：

地图商瓦片编码图层底图URI
高德地图谷歌XYZ道路http://webrd02.is.autonavi.co...
高德地图谷歌XYZ卫星http://webst04.is.autonavi.co...
谷歌地图谷歌XYZ道路http://mt2.google.cn/vt/lyrs=...
谷歌地图谷歌XYZ卫星http://mt2.google.cn/vt/lyrs=...
谷歌地图谷歌XYZ地形http://mt0.google.cn/vt/lyrs=...
OpenStreetMap谷歌XYZ道路http://a.tile.openstreetmap.o...
腾讯地图TMS道路http://rt1.map.gtimg.com/real...
Bing地图QuadTree道路http://r1.tiles.ditu.live.com...
百度地图百度XYZ道路 http://online4.map.bdimg.com/...;styles=pl&scaler=1&udt=20170406
百度地图百度XYZ交通 http://its.map.baidu.com:8002/traffic/TrafficTileService?level=19&x=99052&y=20189&time=1373790856265&label=web2D&;v=017

以 leaflet 官方文档为例：

outline <- quakes[chull(quakes$long, quakes$lat),]

leaflet(quakes) %>%
  # Base groups
  addTiles(group = "OSM (default)") %>%
  addProviderTiles(providers$Stamen.Toner, group = "Toner") %>%
  addProviderTiles(providers$Stamen.TonerLite, group = "Toner Lite") %>%
  # Overlay groups
  addCircles(~long, ~lat, ~10^mag/5, stroke = F, group = "Quakes") %>%
  addPolygons(data = outline, lng = ~long, lat = ~lat,
    fill = F, weight = 2, color = "#FFFFCC", group = "Outline") %>%
  # Layers control
  addLayersControl(
    baseGroups = c("OSM (default)", "Toner", "Toner Lite"),
    overlayGroups = c("Quakes", "Outline"),
    options = layersControlOptions(collapsed = FALSE)
  )

clipboard.png

底图、点、多边形等元素在图层上都得到统一的管理，更多 leaflet 及其插件的操作可以参考 时空维度挖掘之 leaflet。

仪表盘构建

在我们写完一段临时的分析代码，只要稍作排版上的改进，我们就可以将它发布为一个 dashboard，这极大释放地理分析的生产力，这主要得益于 Rmarkdown、flexdashboard、shiny@async 这三个工具。

---
title: "FinanceR"
output: 
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
runtime: shiny
---

/```{r setup, include=FALSE}
library(flexdashboard)
/```

Column {data-width=650}
-----------------------------------------------------------------------

### Chart A

/```{r}
library(dplyr)
library(leaflet)
outline <- quakes[chull(quakes$long, quakes$lat),]

leaflet(quakes) %>%
  # Base groups
  addTiles(group = "OSM (default)") %>%
  addProviderTiles(providers$Stamen.Toner, group = "Toner") %>%
  addProviderTiles(providers$Stamen.TonerLite, group = "Toner Lite") %>%
  # Overlay groups
  addCircles(~long, ~lat, ~10^mag/5, stroke = F, group = "Quakes") %>%
  addPolygons(data = outline, lng = ~long, lat = ~lat,
    fill = F, weight = 2, color = "#FFFFCC", group = "Outline") %>%
  # Layers control
  addLayersControl(
    baseGroups = c("OSM (default)", "Toner", "Toner Lite"),
    overlayGroups = c("Quakes", "Outline"),
    options = layersControlOptions(collapsed = FALSE)
  )
/```

clipboard.png

在原来的分析图表基础上，稍微做一些 markdown 样式的配置就可以生成一个dashboard并且发布。更多样式配置的方法可以参考 打造数据产品的快速原型：如何使用 flexdashboard 制作dashboard

总结

  1. 数据操作完全复用 dplyr 接口，无缝切换 PostGIS/MySQL到Spark。
  2. R本地代码可直接通过 sparklyr::spark_apply 分布式执行，不需要手动管理R包依赖，目前算法分发最简单模式。
  3. ESRI UDF 直接迁移本地 sf 空间计算函数到 Spark上，由于 dplyr 直接兼容 hive UDF，可以直接复用，通过 dbplyr::sql_render 生成对应SQL 在PostGIS/Hive 可继续使用。
  4. Rmarkdown + sparklyr 降低本地调试和调度部署切换的成本，通过 params 区分 yarn-client 和 yarn-cluster模式。
  5. 通过 future + promises 实现 spark 无缝迁移到异步计算模式
  6. mapview::mapview + leaflet + shiny@async + flexdashboard 可视化方案，默认配置足够简单，调用快速，拓展性强。
  7. 通过 Rcpp/sparklyr/reticulate/V8 可以和 C++/JVM/Python/JS等其他语言通讯，拓展性强。

参考资料

推荐产品

作为分享主义者(sharism)，本人所有互联网发布的图文均遵从CC版权，转载请保留作者信息并注明作者 Harry Zhu 的 FinanceR专栏: https://segmentfault.com/blog...，如果涉及源代码请注明GitHub地址： https://github.com/harryprince。微信号: harryzhustudio
商业使用请联系作者。
weixin_34375054
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GeoSpark 整体介绍
GIS摆渡人
12-30 2191
GeoSpark GeoSpark是基于Spark分布式的地理信息计算引擎，相比于传统的ArcGIS，GeoSpark可以提供更好性能的空间分析、查询服务。 功能：并行计算，空间查询，查询服务 GeoSpark 继承自Apache Apark，并拥有创造性的 空间弹性分布式数据集(SRDD）， GeoSpark 将JTS集成到项目中，支持拓扑运算 GeoSpark 支持PostGIS SQL语法 ...
R语言和Rstudio软件学习资料与详细报告
04-19
R语言和Rstudio软件学习资料与详细报告。 R语言来自于S_Plus的基于函数和对象的程序设计语言，主要用于统计分析和图形表示。S_Plus 又称S 语言，是由AT&T 贝尔实验室开发用于进行数据探索、统计分析、作图的一种程序设计语言，与SAS、SPSS共同构成世界上公认的三大统计软件。S_Plus兼容多种数据类型(向量、数组、列表、对象等)，数据可以直接来源于Excel，Lotus，Access，SAS，SPSS等软件，为交互式运行方式，具有强大的图形及交互图形功能，在进行探索性数据分析上具有特别的优势。 S-Plus是一个商业软件，在应用上受到一定的限制。因而，Auckland 大学的RobertGentleman 和Ross Ihaka 及其他志愿人员在此基础上开发了R 系统，其语法形式与S语言基本相同，但实现不同。 R编程计算速度通常比S-Plus快。更为重要的是，由于R的开源性（自由、免费、源代码开放）和强大的统计功能，以及适应大数据的探索性分析和可视化功能 R软件（简称：R）是实现R语言的工具，是属于GNU系统的自由、免费、源代码开放的软件，用于实现统计计算和统计制图。
使用SuperMap iObjects for Spark组件Main函数分析
SuperMap技术控
07-26 492
作者: Neshoir       SuperMap iObjects for Spark是超图空间大数据GIS组件包，是基于Spark大数据技术基础之上，将GIS技术及其能力与大数据技术进行深度融合，作为连接大数据与GIS行业应用的中间桥梁。该GIS组件面向开发者和运维人员，对于开发者而言提供了丰富的GIS功能SDK以及示例程序，对于运维人员而言提供了丰富的main函数...
Spark在地理信息系统中的应用：空间数据处理与分析实战
禅与计算机程序设计艺术
01-28 623
1.背景介绍 地理信息系统(GIS)是一种利用数字地理信息和地理信息系统技术来处理、分析、展示和管理地理空间数据的系统和方法。地理信息系统在各个领域的应用越来越广泛，例如地理学、地理信息科学、地理信息系统、地理信息科技等。 Spark是一个开源的大规模数据处理框架，可以处理大量数据，并提供了一系列的数据处理和分析工具。Spark在地理信息系统中的应用，可以帮助我们更高效地处理和分析地理空间数据...
GeoSpark 介绍与解析
qq_41775852的博客
03-13 2239
1、GeoSpark简介 GeoSpark是一个用于处理大规模空间数据的开源内存集群计算系统。是传统GIS与Spark的结合。GeoSpark由三层组成:Apache Spark层、Spatial RDD层和空间查询处理层。 Apache Spark Layer：Apache Spark层由Apache Spark本地支持的常规操作组成。它包括将数据加载、存储到磁盘 (例如，存储在本地磁盘或Ha...
GeoSpark 详细介绍
GIS摆渡人
12-30 5427
GeoSpark 一. 概要 GeoSpark是一个用来处理大规模空间数据的计算集群，用SRDDs（弹性分布式数据集 Spatial Resilient Disilient Distributed Datasets ）扩展了Apache Spark /SparkSQL，来高效导入，处理和 分析 大规模跨集群空间数据。 GeoSpark整体分为三层，上层为空间查询处理层，体层为几何操作库，中间为空间...
GeoSpark调研（一）：简介
jyj019的博客
06-27 6424
GeoSpark简介 GeoSpark是一个用于处理大规模空间数据的开源内存集群计算系统。是传统GIS与Spark的结合。GeoSpark扩展RDD以形成空间RDD（SRDD），并跨机器高效地对SRDD数据元素进行分区，并引入新颖的并行化空间（几何操作，遵循Open Geosptial Consortium（OGC）标准）转换和操作（用于SRDD），提供更直观的界面供用户编写空间数据分析程序。G...
GeoSparkSQL函数汇总
杨村的博客
04-27 344
【代码】GeoSparkSQL函数汇总。
geohash、google s2、uber h3三种格网系统
weixin_47747094的博客
06-30 5857
geohash、google s2、uber h3三种格网系统的算法
rstudio linux安装包
05-04
rstudio linux安装包，RStudio是一款功能强大的自由和开源编程语言和环境，提供了大量的图形和统计方法统计计算和图形。RStudio支持多系统MOX OS X，Linux和Windows系统，软件可以对代码进行整理。
gis-spark:适用于正常时空数据的Spark扩展
05-26
吉斯·斯帕克 用于常规时空数据分析的Spark扩展。 该项目旨在为专业GIS运营充分利用最新框架。 与以前的框架（如GeoSpark，SpatialHadoop等）不同，我们希望我们的框架的语义更符合GIS的世界观。 该存储库仍在开发中。 层的时空数据读取器和写入器（实际上是JavaPairRDD）： Postgis CSV档案（wkt中的几何图形） Shp（仅限读者） MongoDB（仅作家） ES MySQL Platform Reader（用于读取我们的大时空数据分析云平台的数据的API） 图层转换为数据集 吉斯功能： 1.图层类型保留功能 转型 层移 多边形makevalid 2.图层类型更改功能 缓冲 3.图层交互功能 夹子 相交 抹去 4.图层可视化 金字塔瓷砖套装（静态） 矢量金字塔瓷砖集 热图 5.型号 剪辑模型 交
centos下rstudio连接spark安装包和文档
05-15
rstudio，sparklyr安装过程，安装包以及安装sparklyr所需的依赖包
北京shp地图文件（cpg/dbf)包含铁路河流大厦gis
06-20
北京shp文件（cpg/dbf)包含铁路河流大厦建筑地点 gis/r地图文件 方便绘制地图 谢谢下载
rstudio-themes:RStudio的主题集合
04-27
RStudio主题集 这是自定义RStudio主题的集合，这些主题提供了默认内置主题的替代方法。 在下面，您将找到一个列表，其中包含由用户创建的144个RStudio主题（125个深色主题，19个浅色主题）。 您可以在找到CSV文件，...
ELK日志系统的搭建
adminstate的博客
04-23 1030
ELK日志系统搭建
【Hadoop】-HDFS的存储原理[4]
weixin_63106307的博客
04-20 1384
HDFS的存储原理是将大文件切分成固定大小的数据块，并在集群中的不同节点上存储数据块的，以提高数据的可靠性和性能。同时，HDFS采用流式的数据读写方式，减少了寻址的开销，提高了数据的传输效率。
ElasticSearch 入门学习
最新发布
灰熊
04-23 743
ElasticsSearch 是一个分布式的实时文档存储，每个字段可以被索引与搜索也是一个分布式实时分析搜索引擎也是一个能胜任上百个服务节点的扩展，并支持 PB 级别的结构化或者非结构化数据。
深入理解Java消息中间件-RabbitMQ
u011532237的博客
04-21 821
RabbitMQ是基于高级消息队列协议（AMQP）实现的一款开源消息代理软件，旨在提供高可用性、安全、互操作性强的企业消息系统。它由Erlang编写，因而继承了Erlang语言高并发、高可靠性的特点。
大数据——Zookeeper ZBA协议（四）
大数据爱好者的博客
04-20 883
对于分布式框架而言，基本上都会遵循CAP三大理论CAP(CAP理论是从客户端角度出发的！！！C(Consistency)：一致性。在一段时间内，访问这个集群获取到的数据是相同的。注意，此时，在一个时间段内，不要求每一台服务器的数据都一样，只要保证客户端获取到的数据一样就行A(Availability)：可用性。当客户端对集群中的节点发起请求的时候，节点能够在合理的时间内(一般理解为立刻)进行响应 - 时效性。注意，此处的可用性和服务器的高可用不是一回事儿！！！
https://rstudio.com/products/rstudio/download
03-16
这是RStudio官网的下载页面，提供了RStudio Desktop和RStudio Server的下载链接。RStudio是一个强大的集成开发环境，用于R语言的编程、数据分析和可视化。RStudio Desktop是一个本地安装的应用程序，适用于个人使用...

“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