Spark之三大集群模式—详解（3）

最新推荐文章于 2024-04-13 18:49:38 发布
最新推荐文章于 2024-04-13 18:49:38 发布
阅读量1.1k 收藏 3
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/weixin_44466534/article/details/105588985
版权

1、standalone集群模式

在这里插入图片描述

铁子话不多说，开整 ↓↓↓↓↓↓

文章目录:

1.1 集群角色介绍

standalone独立集群模式–开发测试使用

Spark是基于内存计算的大数据并行计算框架，
实际中运行计算任务肯定是使用集群模式，
那么我们先来学习Spark自带的standalone集群模式了解一下它的架构及运行机制。

Standalone集群使用了分布式计算中的master-slave模型，
master是集群中含有master进程的节点
slave是集群中的worker节点含有Executor进程

●Spark架构图如下(先了解)：
在这里插入图片描述

1.2 集群规划
node01:master
node02:slave/worker  
node03:slave/worker
1.3 修改配置并分发

●修改Spark配置文件

cd /export/servers/spark/conf

mv spark-env.sh.template spark-env.sh

vim  spark-env.sh

#配置java环境变量(如果之前配置过了就不需要动了)
export JAVA_HOME=/export/servers/jdk1.8 
#指定spark Master的IP
export SPARK_MASTER_HOST=node01
#指定spark Master的端口
export SPARK_MASTER_PORT=7077

mv slaves.template slaves

vim  slaves 

node02
node03

●配置spark环境变量 (建议不添加，避免和Hadoop的命令冲突)
将spark添加到环境变量,添加以下内容到 /etc/profile

export SPARK_HOME=/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0

export PATH=$PATH:$SPARK_HOME/bin

注意:
hadoop/sbin 的目录和 spark/sbin 可能会有命令冲突：

start-all.sh stop-all.sh

解决方案：
1.把其中一个框架的 sbin 从环境变量中去掉；

2.改名 hadoop/sbin/start-all.sh 改为: start-all-hadoop.sh

●通过scp 命令将配置文件分发到其他机器上

scp -r /export/servers/spark node02:/export/servers
scp -r /export/servers/spark node03:/export/servers
scp /etc/profile root@node02:/etc
scp /etc/profile root@node03:/etc

source /etc/profile 刷新配置

1.4 启动和停止

●集群启动和停止
在主节点上启动spark集群

/export/servers/spark/sbin/start-all.sh

在主节点上停止spark集群

/export/servers/spark/sbin/stop-all.sh

●单独启动和停止

在 master 安装节点上启动和停止 master：

start-master.sh
stop-master.sh

在 Master 所在节点上启动和停止worker(work指的是slaves 配置文件中的主机名)

start-slaves.sh
stop-slaves.sh
1.5 查看web界面

正常启动spark集群后，查看spark的web界面，查看相关信息。

http://node01:8080/

1.6 测试

●需求
使用集群模式运行Spark程序读取HDFS上的文件并执行WordCount

●集群模式启动spark-shell

/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-shell --master spark://node01:7077

●运行程序

sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output2")

●SparkContext web UI

http://node01:4040/jobs/

●注意

集群模式下程序是在集群上运行的，不要直接读取本地文件，应该读取hdfs上的 因为程序运行在集群上，具体在哪个节点上我们运行并不知道，其他节点可能并没有那个数据文件

2、standalone-HA高可用模式

2.1 原理

Spark Standalone集群是Master-Slaves架构的集群模式，和大部分的Master-Slaves结构集群一样，存在着Master单点故障的问题。
如何解决这个单点故障的问题，Spark提供了两种方案：

1.基于文件系统的单点恢复(Single-Node Recovery with Local File System)--只能用于开发或测试环境。
2.基于zookeeper的Standby Masters(Standby Masters with ZooKeeper)--可以用于生产环境。

在这里插入图片描述

2.2 配置HA

该HA方案使用起来很简单，首先启动一个ZooKeeper集群，然后在不同节点上启动Master，注意这些节点需要具有相同的zookeeper配置。

●先停止Sprak集群
/export/servers/spark/sbin/stop-all.sh 
 
●在node01上配置：
vim /export/servers/spark/conf/spark-env.sh
 
●注释掉Master配置
#export SPARK_MASTER_HOST=node01

●在spark-env.sh添加SPARK_DAEMON_JAVA_OPTS，内容如下：

export SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER  
-Dspark.deploy.zookeeper.url=node01:2181,node02:2181,node03:2181  
-Dspark.deploy.zookeeper.dir=/spark"


参数说明 
spark.deploy.recoveryMode：恢复模式
spark.deploy.zookeeper.url：ZooKeeper的Server地址
spark.deploy.zookeeper.dir：保存集群元数据信息的文件、目录。包括Worker、Driver、Application信息。

2.3 启动zk集群

zkServer.sh status
zkServer.sh stop
zkServer.sh start

2.4 启动Spark集群

●node01上启动Spark集群执行

/export/servers/spark/sbin/start-all.sh
 
●在node02上再单独只起个master:

/export/servers/spark/sbin/start-master.sh

●注意：

在普通模式下启动spark集群
只需要在主节点上执行start-all.sh 就可以了
在高可用模式下启动spark集群
先需要在任意一台主节点上执行start-all.sh 
然后在另外一台主节点上单独执行start-master.sh

●查看node01和node02

http://node01:8080/
http://node02:8080/

可以观察到有一台状态为StandBy

2.5 测试HA

●测试主备切换

1.在node01上使用jps查看master进程id
2.使用kill -9 id号强制结束该进程
3.稍等片刻后刷新node02的web界面发现node02为Alive

在这里插入图片描述

●测试集群模式提交任务

1.集群模式启动spark-shell

/export/servers/spark/bin/spark-shell --master 
spark://node01:7077,node02:7077

2.运行程序

sc.textFile("hdfs://node01:8020/wordcount/input/words.txt")
.flatMap(_.split(" ")).map((_, 1)).reduceByKey(_ + _)
.saveAsTextFile("hdfs://node01:8020/wordcount/output3")

3、 on yarn集群模式

●官方文档

http://spark.apache.org/docs/latest/running-on-yarn.html

3.1 准备工作

1.安装启动Hadoop(需要使用HDFS和YARN，已经ok)

2.安装单机版Spark(已经ok)
注意：不需要集群，因为把Spark程序提交给YARN运行本质上是把字节码给YARN集群上的JVM运行，
但是得有一个东西帮我去把任务提交上个YARN，所以需要一个单机版的Spark，
里面的有spark-shell命令，spark-submit命令

3.修改配置：
在spark-env.sh ，添加HADOOP_CONF_DIR配置，指明了hadoop的配置文件的位置

vim /export/servers/spark/conf/spark-env.sh
export HADOOP_CONF_DIR=/export/servers/hadoop/etc/hadoop

3.2 cluster模式

●说明
在企业生产环境中大部分都是cluster部署模式运行Spark应用
Spark On YARN的Cluster模式 指的是Driver程序运行在YARN集群上

●补充Driver是什么:
运行应用程序的main()函数并创建SparkContext的进程

●图解

在这里插入图片描述

●运行示例程序

 spark-shell是一个简单的用来测试的交互式窗口
spark-submit用来提交打成jar包的任务



/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10


 ●查看界面
 
http://node01:8088/cluster

在这里插入图片描述

3.3 client模式[了解]

●说明
学习测试时使用，开发不用，了解即可
Spark On YARN的Client模式 指的是Driver程序运行在提交任务的客户端

●图解

在这里插入图片描述

●运行示例程序

/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
--driver-memory 1g \
--executor-memory 1g \
--executor-cores 2 \
--queue default \
/export/servers/spark-2.2.0-bin-2.6.0-cdh5.14.0/examples/jars/spark-examples_2.11-2.2.0.jar \
10

3.4 两种模式的区别

Cluster和Client模式最本质的区别是：Driver程序运行在哪里！

运行在YARN集群中就是Cluster模式，
运行在客户端就是Client模式

当然还有由本质区别延伸出来的区别，面试的时候能简单说出几点就行

●cluster模式：生产环境中使用该模式

1.Driver程序在YARN集群中
2.应用的运行结果不能在客户端显示
3.该模式下Driver运行ApplicattionMaster这个进程中，如果出现问题，yarn会重启ApplicattionMaster(Driver)

●client模式：

1.Driver运行在Client上的SparkSubmit进程中
2.应用程序运行结果会在客户端显示

4、 Spark参数详解

4.1 spark-shell

spark-shell是Spark自带的交互式Shell程序，方便用户进行交互式编程，用户可以在该命令行下可以用scala编写spark程序，适合学习测试时使用！

●示例

spark-shell可以携带参数
spark-shell --master local[N] 数字N表示在本地模拟N个线程来运行当前任务
spark-shell --master local[*] *表示使用当前机器上所有可用的资源
默认不携带参数就是--master local[*]
spark-shell --master spark://node01:7077,node02:7077 表示运行在集群上

4.2 spark-submit

spark-submit命令用来提交jar包给spark集群/YARN
spark-shell交互式编程确实很方便我们进行学习测试，但是在实际中我们一般是使用IDEA开发Spark应用程序打成jar包交给Spark集群/YARN去执行。
spark-submit命令是我们开发时常用的!!!

示例：计算π

cd /export/servers/spark
/export/servers/spark/bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://node01:7077  \
--executor-memory 1g \
--total-executor-cores 2 \
/export/servers/spark/examples/jars/spark-examples_2.11-2.2.0.jar \
10

4.3 参数总结

●Master参数形式

在这里插入图片描述

其他参数示例

--master spark://node01:7077    指定 Master 的地址
--name "appName"                 指定程序运行的名称
--class                           程序的main方法所在的类
--jars  xx.jar                    程序额外使用的 jar 包
--driver-memory 512m             Driver运行所需要的内存, 默认1g
--executor-memory 2g             指定每个 executor 可用内存为 2g， 默认1g
--executor-cores 1               指定每一个 executor 可用的核数
--total-executor-cores 2         指定整个集群运行任务使用的 cup 核数为 2 个
 --queue default  					指定任务的对列
--deploy-mode						指定运行模式（client/cluster）

●注意：

如果 worker 节点的内存不足，那么在启动 spark-submit的时候，就不能为 executor分配超出 worker 可用的内存容量。
如果–executor-cores超过了每个 worker 可用的 cores，任务处于等待状态。
如果–total-executor-cores即使超过可用的 cores，默认使用所有的。以后当集群其他的资源释放之后，就会被该程序所使用。
如果内存或单个 executor 的 cores 不足，启动 spark-submit 就会报错，任务处于等待状态，不能正常执行。

爱纹身的big数据
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Spark运行环境搭建
weixin_52112640的博客
06-07 2524
（2）启动Local环境 进入解压缩后的路径，执行一下命令
Spark集群的三种模式
ZYN的博客
02-08 2612
文章目录1、Spark的由来1.1 Hadoop的发展1.2 MapReduce与Spark对比2、Spark内置模块3、Spark运行模式3.1 Standalone模式部署配置历史服务器配置高可用运行模式3.2 Yarn模式安装部署配置历史服务器运行模式4、WordCount案例 1、Spark的由来 定义：Hadoop主要解决，海量数据的存储和海量数据的分析计算。Spark是一种基于内存的快速、通用、可扩展的大数据分析计算引擎。 1.1 Hadoop的发展 Hadoop1.x存在的问题： Na
Spark 集群搭建（完整）
weixin_45131680的博客
09-12 2902
如果要在 Yarn 中运行 Spark 程序, 首先会和 RM 交互, 开启 ApplicationMaster, 其中运行了 Driver, Driver创建基础环境后, 会由 RM 提供对应的容器, 运行 Executor, Executor会反向向 Driver 反向注册自己, 并申请 Tasks 执行。对于 Spark Standalone 集群来说, 当 Worker 调度出现问题的时候, 会自动的弹性容错, 将出错的 Task 调度到其它 Worker 执行。
深度解析 Spark（进阶）：架构、集群运行机理与核心组件详解
最新发布
KKwan的博客
04-13 1624
Spark 应用程序作为集群上独立的进程集运行，由SparkContext 主程序（称为驱动程序）中的对象进行协调。具体来说，为了在集群上运行，SparkContext 可以连接到多种类型的集群管理器 （Spark 自己的独立集群管理器、Mesos、YARN 或 Kubernetes），这些集群管理器跨应用程序分配资源。连接后，Spark 会获取集群中节点上的执行程序，这些执行程序是为应用程序运行计算和存储数据的进程。
小白学习Spark03-在集群上运行Spark
chanweiliang7439的博客
05-13 285
03 在集群上运行Spark3.1 Spark运行架构3.1.1 驱动器节点3.1.2 执行器节点3.1.3 集群管理器3.1.4 启动Spark程序3.1.5 小结3.2 使用spark-submit部署应用3.3 打包代码与依赖3.3.1 使用Maven构建的用JAVA编写的Spark应用3.3.2 使用sbt构建的用Scala编写的Spark应用3.3.2 依赖冲突3.4 Spark应用内与应用间调度3.5 集群管理器3.5.1 独立集群管理器3.5.2 Hadoop YARN3.5.2 Apache
spark之Standalone模式部署配置详解
08-29
Spark 之 Standalone 模式部署配置详解 Spark 是一个基于内存的集群计算引擎，它可以在多种模式下运行，包括本地模式、伪分布式模式、集群模式等。在这些模式中，Standalone 模式是 Spark 的自带模式，对于大多数...
Spark 3.0.0 Application 提交集群原理和源码详解
06-30
Spark 3.0.0 Application 提交给集群的原理和源码详解，内容包括Spark Application 到底是如何提交给集群的：Application 提交参数配置详解、Application 提交给集群原理详解、Application 提交给集群源码详解；...
Spark 3.0.0集群启动原理和源码详解
06-30
本课程讲解Spark 3.0.0 集群启动原理和源码详解的内容，包括：Master 启动原理和源码详解: Master 启动的原理详解、 Master 启动的源码详解、 Master HA 双机切换、 Master 的注册机制和状态管理解密； Worker 启动...
Spark学习笔记 （二）Spark2.3 HA集群的分布式安装图文详解
08-25
Spark HA集群的分布式安装是指在多个节点上安装Spark集群，以便于提高Spark集群的高可用性和扩展性。分布式安装需要配置多个节点上的Spark集群，以便于实现高可用性和负载均衡。 六、Spark集群的启动和执行 在安装...
ApacheSpark内存管理详解
03-01
Spark作为一个基于内存的分布式计算引擎，其...　在执行Spark的应用程序时，Spark集群会启动Driver和Executor两种JVM进程，前者为主控进程，负责创建Spark上下文，提交Spark作业(Job)，并将作业转化为计算任务(Task)
Spark独立集群安装
wux_labs的博客
12-14 825
Spark独立集群的安装，至少需要3台服务器，在安装Spark之前准备好3台服务器，服务器的主机名及IP地址分别是：node1（10.0.0.5)、node2（10.0.0.6）、node3（10.0.0.7），每台服务器都需要按统一规划安装好Java、Python、Spark软件包。
Spark搭建/Hadoop集群
weixin_55946594的博客
10-30 2596
Spaek基础搭建；基于Hadoop集群.
Spark集群安装部署
MJK祺的博客
05-18 1738
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。
SparkCore 运行架构
Java大数据
10-10 355
从经典的WordCount来看SparkCore运行架构 术语： 相关术语 含义 Application 基于Spark进行构建的用户程序 。由集群中的一个driver program以及多个executors组成 Application jar 包含用户的Spark应用程序的Jar包。在某些场景下，用户可能想创建“Uber jar”，它包含用户的应用程序和它的依赖。用户的Ja...
Spark自带的集群模式（Standalone），Spark/Spark-ha集群搭建
涂作权的博客
07-05 4136
1、Spark自带的集群模式对于Spark自带的集群模式，Spark要先启动一个老大（Master）,然后老大Master和各个小弟（Worker）进行通信，其中真正干活的是Worker下的Executor。关于提交任务的，需要有一个客户端，这个客户端叫做Driver.这个Driver首先和Master建立通信，然后Master负责资源分配，然后让Worker启动Executor,然后Executo
spark集群模式的概述(cluster mode overview)
小朋友2滴偷偷的在写博客
05-17 649
文章来自http://spark.apache.org/docs/latest/cluster-overview.html Component spark应用程序以独立进程的集合的方式运行在集群中，通过driver program中的SparkContext对象进行协调。 SparkContext能够连接多种不同类型的cluster manager（如standalone，mesos，yarn）...
Spark集群模式&Spark程序提交
weixin_30588675的博客
10-19 176
Spark集群模式&Spark程序提交 1. 集群管理器 Spark当前支持三种集群管理方式 Standalone—Spark自带的一种集群管理方式，易于构建集群。 Apache Mesos—通用的集群管理，可以在其上运行Hadoop MapReduce和一些服务应用。 Hadoop ...
[spark学习] spark rdd详解
06-28
### 回答1： Spark RDD（弹性分布式数据集）是Spark中最基本的数据结构之一，它是一个不可变的分布式对象集合，可以在集群中进行并行处理。RDD可以从Hadoop文件系统中读取数据，也可以从内存中的数据集创建。RDD支持两种类型的操作：转换操作和行动操作。转换操作是指对RDD进行转换，生成一个新的RDD，而行动操作是指对RDD进行计算并返回结果。RDD具有容错性，因为它们可以在节点之间进行复制，以便在节点故障时恢复数据。 Spark RDD的特点包括： 1. 分布式：RDD可以在集群中进行并行处理，可以在多个节点上进行计算。 2. 不可变性：RDD是不可变的，一旦创建就不能修改，只能通过转换操作生成新的RDD。 3. 容错性：RDD具有容错性，因为它们可以在节点之间进行复制，以便在节点故障时恢复数据。 4. 惰性计算：RDD的计算是惰性的，只有在行动操作时才会进行计算。 5. 缓存：RDD可以缓存到内存中，以便在后续操作中快速访问。 Spark RDD的转换操作包括： 1. map：对RDD中的每个元素应用一个函数，生成一个新的RDD。 2. filter：对RDD中的每个元素应用一个函数，返回一个布尔值，将返回值为true的元素生成一个新的RDD。 3. flatMap：对RDD中的每个元素应用一个函数，生成一个新的RDD，该函数返回一个序列，将所有序列中的元素合并成一个新的RDD。 4. groupByKey：将RDD中的元素按照key进行分组，生成一个新的RDD。 5. reduceByKey：将RDD中的元素按照key进行分组，并对每个分组中的元素进行reduce操作，生成一个新的RDD。 Spark RDD的行动操作包括： 1. count：返回RDD中元素的个数。 2. collect：将RDD中的所有元素收集到一个数组中。 3. reduce：对RDD中的所有元素进行reduce操作，返回一个结果。 4. foreach：对RDD中的每个元素应用一个函数。 5. saveAsTextFile：将RDD中的元素保存到文本文件中。 以上就是Spark RDD的详细介绍。 ### 回答2： Apache Spark是一款基于内存的分布式计算系统，可以处理大规模数据，其中最为重要的就是Spark中的RDD（Resilient Distributed Datasets，弹性分布式数据集），RDD是Spark中的基本数据结构，是一种类似于数组的分布式数据集，可以被分割成多个分区，并在集群中的多个节点间进行并行计算。RDD是Spark提高执行效率和数据可靠性的重要手段。 在Spark中，RDD具有以下三个特点：弹性、不可变和可分区。弹性指RDD能够自动进行数据分区和容错，即使节点出现故障，也能够自动从故障的节点中复制数据，提高了数据的可靠性和并行计算的效率。不可变指RDD一旦创建就不能够被改变，可以进行转换操作生成新的RDD，也可以被缓存到内存中以供重复使用。可分区则指RDD中可以被分成多个分区，实现并行计算。 Spark中RDD的API提供了丰富的操作方法，常见的操作包括：转换操作和动作操作。转换操作指对RDD进行转换操作，返回一个新的RDD对象，例如map()、filter()等；动作操作指对RDD进行计算并返回结果，例如reduce()、collect()等。 值得注意的是，RDD是一种惰性求值的数据结构，即当对RDD进行转换操作时并不会立即进行计算，而是当需要对RDD进行动作操作时才会进行计算，这种惰性求值的机制可以进一步提高Spark的效率。同时，为了提高计算效率，可以使用RDD的持久化（缓存）功能，将RDD持久化到内存中，以便复用。 总之，RDD是Spark中的核心数据结构，其弹性、不可变和可分区的特点以及丰富的API操作方法，为Spark实现高效计算和数据处理提供了重要的支持。 ### 回答3： Spark RDD是Spark的核心抽象，代表分布式的元素集合，支持多种操作和转换。RDD可以看作是一个不可变的分布式内存数据集合，由一些分布式的partition(分区)组成。 1. RDD的特性： - 分布式的数据集，可以跨越多个节点进行计算 - 可以并行处理，充分利用集群计算资源 - 不可变的数据集，任何对数据集的操作都会生成新的数据集 - 支持多种类型的转换操作，如map、filter、reduce、groupByKey等 2. RDD的创建： - 通过外部数据源创建RDD：从HDFS或其他存储系统中读取数据创建 - 通过程序中的数据结构创建RDD：从内存中的数据结构中创建 - 通过其他RDD转换创建RDD：通过对已有的RDD进行转换操作创建 3. RDD的转换： RDD支持多种类型的操作和转换，如map、filter、reduce、groupByKey等。这些转换操作不会立即执行，而是记录下来，等到需要输出结果时才会真正执行。 4. RDD的行动： 行动操作是指对RDD进行计算并返回结果的操作，如count、collect等。行动操作会立即触发RDD的计算过程。 5. RDD的缓存： RDD支持缓存操作，将一个RDD的结果缓存在内存中，提高后续对该RDD的计算效率。缓存可以在计算过程中多次使用，通过unpersist清理缓存。 6. RDD的持久化： 当RDD的计算过程非常复杂时，可以将计算过程中得到的RDD进行持久化以便后续使用。持久化可以选择将RDD保存在磁盘中或者内存中，也可以将RDD复制到多个节点上以保障数据的可靠性。 7. RDD的checkpoint： RDD的checkpoint是指将RDD的计算结果保存在HDFS或其他分布式存储系统中，以便后续查询和还原数据集。在计算复杂的RDD时，使用checkpoint可以避免计算过程中数据丢失的问题。 总的来说，Spark RDD是Spark分布式计算的核心特性，其提供对大规模数据集的分布式处理能力，以及丰富的操作和转换方式，使得程序员可以轻松地处理海量数据。

“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

打赏作者

爱纹身的big数据

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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