Spark SQL

最新推荐文章于 2024-09-11 14:10:29 发布
最新推荐文章于 2024-09-11 14:10:29 发布
阅读量174 收藏
点赞数
文章标签： 大数据 分布式 hadoop 数据库 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_45759901/article/details/115398800
版权

Spark SQL

文章目录

Spark 介绍

行业广泛使用Hadoop来分析他们的数据集。原因是Hadoop框架基于一个简单的编程模型（MapReduce），它支持可扩展，灵活，容错和成本有效的计算解决方案。这里，主要关注的是在处理大型数据集时在查询之间的等待时间和运行程序的等待时间方面保持速度。
Spark由Apache Software Foundation引入，用于加速Hadoop计算软件过程。
对于一个普遍的信念，Spark不是Hadoop的修改版本，并不是真的依赖于Hadoop，因为它有自己的集群管理。 Hadoop只是实现Spark的方法之一。
Spark以两种方式使用Hadoop - 一个是存储，另一个是处理。由于Spark具有自己的集群管理计算，因此它仅使用Hadoop进行存储。

Apache Spark 简介

Apache Spark是一种快速的集群计算技术，专为快速计算而设计。它基于Hadoop MapReduce，它扩展了MapReduce模型，以有效地将其用于更多类型的计算，包括交互式查询和流处理。 Spark的主要特性是它的内存中集群计算，提高了应用程序的处理速度。
Spark旨在涵盖各种工作负载，如批处理应用程序，迭代算法，交互式查询和流式处理。除了在相应系统中支持所有这些工作负载之外，它还减少了维护单独工具的管理负担。

Apache Spark的特性

Apache Spark具有以下功能

速度

Spark有助于在Hadoop集群中运行应用程序，在内存中速度提高100倍，在磁盘上运行时提高10倍。这可以通过减少对磁盘的读/写的数量来实现。它将中间处理数据存储在存储器中。

支持多种语言

Spark在Java，Scala或Python中提供了内置的API。因此，可以使用不同的语言编写应用程序。Spark提供了80个高级操作符进行交互式查询。

高级分析

Spark不仅支持“Map”和“reduce”。它还支持SQL查询，流数据，机器学习（ML）和图算法。

Spark基于Hadoop

下图显示了如何使用Hadoop组件构建Spark的三种方式。

星火内置在Hadoop

Spark部署有三种方式，如下所述。
Standalone- Spark独立部署意味着Spark占据HDFS（Hadoop分布式文件系统）顶部的位置，并明确为HDFS分配空间。 这里，Spark和MapReduce将并行运行以覆盖集群上的所有spark作业。
Hadoop Yarn- Hadoop Yarn部署意味着，spark只需运行在Yarn上，无需任何预安装或根访问。 它有助于将Spark集成到Hadoop生态系统或Hadoop堆栈中。 它允许其他组件在堆栈顶部运行。
Spark in MapReduce (SIMR) - MapReduce中的Spark用于在独立部署之外启动spark job。 使用SIMR，用户可以启动Spark并使用其shell而无需任何管理访问。

Spark的组件

下图说明了Spark的不同组件。

星火组件

Apache Spark Core

Spark Core是spark平台的基础通用执行引擎，所有其他功能都是基于。它在外部存储系统中提供内存计算和引用数据集。
Spark SQL
Spark SQL是Spark Core之上的一个组件，它引入了一个称为SchemaRDD的新数据抽象，它为结构化和半结构化数据提供支持。

Spark Streaming

Spark Streaming利用Spark Core的快速调度功能来执行流式分析。它以小批量获取数据，并对这些小批量的数据执行RDD（弹性分布式数据集）转换。

MLlib (Machine Learning Library)

MLlib是Spark之上的分布式机器学习框架，因为基于分布式内存的Spark架构。根据基准，它是由MLlib开发人员针对交替最小二乘法（ALS）实现完成的。 Spark MLlib是基于Hadoop磁盘的Apache Mahout版本的9倍（在Mahout获得了Spark接口之前）。
GraphX
GraphX是Spark上的一个分布式图形处理框架。它提供了一个用于表达图形计算的API，可以通过使用Pregel抽象API为用户定义的图形建模。它还为此抽象提供了一个优化的运行时。

Spark RDD

弹性分布式数据集

弹性分布式数据集(RDD)是Spark的基本数据结构。它是一个不可变的分布式对象集合。 RDD中的每个数据集划分为逻辑分区，可以在集群的不同节点上计算。 RDD可以包含任何类型的Python，Java或Scala对象，包括用户定义的类。

形式上，RDD是只读的，分区的记录集合。 RDD可以通过对稳定存储器或其他RDD上的数据的确定性操作来创建。 RDD是可以并行操作的元件的容错集合。

有两种方法来创建RDD - 并行化驱动程序中的现有集合，或引用外部存储系统中的数据集，例如共享文件系统，HDFS，HBase或提供Hadoop输入格式的任何数据源。

Spark使用RDD的概念来实现更快和更高效的MapReduce操作。让我们首先讨论MapReduce操作是如何发生的，以及为什么它们不那么高效。

MapReduce中的数据共享缓慢

MapReduce被广泛应用于在集群上使用并行的分布式算法来处理和生成大型数据集。它允许用户使用一组高级操作符来编写并行计算，而不必担心工作分布和容错。

不幸的是，在大多数当前框架中，在计算之间重复使用数据(例如：两个MapReduce作业之间)的唯一方法是将其写入外部稳定存储系统(例如：HDFS)。虽然这个框架提供了访问集群的计算资源的许多抽象，用户仍然想要更多。

迭代和交互应用程序都需要跨并行作业更快的数据共享。由于复制，序列化和磁盘IO，MapReduce中的数据共享速度很慢。关于存储系统，大多数Hadoop应用程序，他们花费90%以上的时间做HDFS读写操作。

MapReduce迭代运算

在多阶段应用程序中跨多个计算重用中间结果。下图说明了当前框架如何工作，同时对MapReduce执行迭代操作。这会由于数据复制，磁盘I / O和序列化而招致大量开销，这使得系统变慢。

MapReduce的迭代操作

MapReduce上的交互操作

用户对同一数据子集运行即席查询。 每个查询将对稳定存储执行磁盘I / O，这可以支配应用程序执行时间。
下图说明了当在MapReduce上执行交互式查询时当前框架如何工作。

MapReduce的交互式操作

使用Spark RDD进行数据共享

由于复制，序列化和磁盘IO，MapReduce中的数据共享速度很慢。大多数Hadoop应用程序，他们花费90％以上的时间做HDFS读写操作。
认识到这个问题，研究人员开发了一个名为Apache Spark的专门框架。 spark的关键思想是弹性分布式数据集（RDD）;它支持内存中处理计算。这意味着，它将存储器的状态存储为作业中的对象，并且对象可以在这些作业之间共享。内存中的数据共享比网络和磁盘快10到100倍。
让我们现在尝试找出Spark RDD中如何进行迭代和交互操作。

Spark RDD的迭代操作

下图给出了Spark RDD的迭代操作。它将中间结果存储在分布式存储器中，而不是稳定存储（磁盘），并使系统更快。
注意 - 如果分布式内存（RAM）不足以存储中间结果（JOB的状态），则它将这些结果存储在磁盘上

在星火RDD迭代操作

在星火RDD交互式操作

此图显示星火RDD交互式操作。如果不同的查询在同一组数据的反复运行，该特定数据可被保存在内存中获得更好的执行时间。

在星火RDD交互式操作

默认情况下，每次对其执行操作时，都可以重新计算每个已转换的RDD。 但是，您还可以在内存中保留RDD，在这种情况下，Spark将保持集群上的元素更快的访问，下次查询它。 还支持在磁盘上持久存储RDD，或者跨多个节点进行复制。

Spark SQL 简介

Spark为结构化数据处理引入了一个称为Spark SQL的编程模块。它提供了一个称为DataFrame的编程抽象，并且可以充当分布式SQL查询引擎。

Spark SQL的特性
集成

无缝地将SQL查询与Spark程序混合。 Spark SQL允许您将结构化数据作为Spark中的分布式数据集(RDD)进行查询，在Python，Scala和Java中集成了API。这种紧密的集成使得可以轻松地运行SQL查询以及复杂的分析算法。

统一数据访问

加载和查询来自各种来源的数据。 Schema-RDDs提供了一个有效处理结构化数据的单一接口，包括Apache Hive表，镶木地板文件和JSON文件。

Hive兼容性

在现有仓库上运行未修改的Hive查询。 Spark SQL重用了Hive前端和MetaStore，为您提供与现有Hive数据，查询和UDF的完全兼容性。只需将其与Hive一起安装即可。

标准连接

通过JDBC或ODBC连接。 Spark SQL包括具有行业标准JDBC和ODBC连接的服务器模式。

可扩展性

对于交互式查询和长查询使用相同的引擎。 Spark SQL利用RDD模型来支持中查询容错，使其能够扩展到大型作业。不要担心为历史数据使用不同的引擎。

Spark SQL架构

下图说明了Spark SQL的体系结构

星火SQL架构

此架构包含三个层，即Language API，Schema RDD和数据源。

语言API

Spark与不同的语言和Spark SQL兼容。 它也是由这些语言支持的API（python，scala，java，HiveQL）。

模式RDD

Spark Core是使用称为RDD的特殊数据结构设计的。 通常，Spark SQL适用于模式，表和记录。 因此，我们可以使用Schema RDD作为临时表。 我们可以将此Schema RDD称为数据帧。

数据源

通常spark-core的数据源是文本文件，Avro文件等。但是，Spark SQL的数据源不同。 这些是Parquet文件，JSON文档，HIVE表和Cassandra数据库。

Spark SQL数据帧

DataFrame是一个分布式数据集合，它被组织成命名列。从概念上讲，它相当于具有良好优化技术的关系表。

DataFrame可以从不同来源的数组构造，例如Hive表，结构化数据文件，外部数据库或现有RDD。这个API是为现代大数据和数据科学应用程序设计的，从Python的R ProgrammingandPandas中的DataFrame中获得灵感。

DataFrame的特性
下面是一些DataFrame的一些特征能够将单个节点集群上的大小为Kilobytes到Petabytes的数据处理为大型集群。

支持不同的数据格式(Avro，csv，弹性搜索和Cassandra)和存储系统(HDFS，HIVE表，mysql等)。

通过Spark SQL Catalyst优化器(树变换框架)的最先进的优化和代码生成。

可以通过Spark-Core轻松地与所有大数据工具和框架集成。

提供用于Python，Java，Scala和R编程的API。

SQLContext

SQLContext是一个类，用于初始化Spark SQL的功能。初始化SQLContext类对象需要SparkContext类对象(sc)

以下命令用于通过spark-shell初始化SparkContext

$ spark-shell

默认情况下，SparkContext对象在spark-shell启动时用namesc初始化

使用以下命令创建SQLContext。

scala> val sqlcontext = new org.apache.spark.sql.SQLContext(sc)

例

让我们考虑一个名为employeesee.json的JSON文件中的员工记录示例。 使用以下命令创建DataFrame(df)并读取名为employee.json的JSON文档，并具有以下内容。

employee.json-将此文件放在currentscala>指针所在的目录中。

{
   {"id" : "1201", "name" : "satish", "age" : "25"}
   {"id" : "1202", "name" : "krishna", "age" : "28"}
   {"id" : "1203", "name" : "amith", "age" : "39"}
   {"id" : "1204", "name" : "javed", "age" : "23"}
   {"id" : "1205", "name" : "prudvi", "age" : "23"}
}
DataFrame操作

DataFrame为结构化数据操作提供了一个领域特定的语言。

按照以下步骤执行DataFrame操作

阅读JSON文档

首先，我们要读取JSON文档。基于此，生成名为(dfs)的DataFrame。

使用以下命令读取JSON文档namedemployee.json。

scala> val dfs = sqlContext.read.json("employee.json")

输出:字段名称从employee.json自动获取

dfs:org.apache.spark.sql.DataFrame = [age:string,id:string,name:string]
显示数据

如果想看到的数据框的数据，然后使用以下命令。

scala>dfs.show()

输出:可以以表格格式查看数据

<console>:22, took 0.052610 s
+----+------+--------+
|age | id   |  name  |
+----+------+--------+
| 25 | 1201 | satish |
| 28 | 1202 | krishna|
| 39 | 1203 | amith  |
| 23 | 1204 | javed  |
| 23 | 1205 | prudvi |
+----+------+--------+
使用方法printSchema

如果要查看DataFrame的Structure(Schema)

scala>dfs.printSchma()

输出：

root
   |-- age: string (nullable = true)
   |-- id: string (nullable = true)
   |-- name: string (nullable = true)

使用选择方法
使用以下命令从DataFrame的三个列中获取fetchname-column。

scala> dfs.select("name").show()

**输出：**您可以查看名称列的值。

<console>:22, took 0.044023 s
+--------+
|  name  |
+--------+
| satish |
| krishna|
| amith  |
| javed  |
| prudvi |
+--------+

使用年龄过滤器
使用以下命令查找年龄大于23（age> 23）的雇员。

scala> dfs.filter(dfs("age") > 23).show()

输出

<console>:22, took 0.078670 s
+----+------+--------+
|age | id   | name   |
+----+------+--------+
| 25 | 1201 | satish |
| 28 | 1202 | krishna|
| 39 | 1203 | amith  |
+----+------+--------+

使用groupBy方法
使用以下命令计算同一年龄的员工人数。

scala> dfs.groupBy("age").count().show()

输出：这两个雇员有23岁。

<console>:22, took 5.196091 s
+----+-----+
|age |count|
+----+-----+
| 23 |  2  |
| 25 |  1  |
| 28 |  1  |
| 39 |  1  |
+----+-----+
运行SQL查询

SQLContext使应用程序能够在运行SQL函数时以编程方式运行SQL查询，并将结果作为DataFrame返回。
通常，在后台，SparkSQL支持两种不同的方法将现有的RDD转换为DataFrames

编号方法和说明
1使用反射来推断模式 此方法使用反射来生成包含特定类型的对象的RDD的模式。
2以编程方式指定模式 第二种创建DataFrame的方法是通过编程接口，它允许您构造一个模式，然后将其应用到现有的RDD。

Spark安装

1.下载JDK（我已安装跳过）
2.下载scala

https://scala-lang.org/在官网安装

2.1 解压
[root@hadoop-master ~]# tar -xvf scala-2.13.5.tgz -C /usr/local/
2.2 移动到/usr/local/ 改名
[root@hadoop-master ~]# cd /usr/local/
[root@hadoop-master ~]# mv scala-2.13.5/ scala
2.3 配置环境变量
[root@hadoop-master ~]# vi /root/.bashrc
#添加以下
export PATH = $PATH:/usr/local/scala/bin
[root@hadoop-master ~]# source /root/.bashrc
2.4 验证scala安装
[root@hadoop-master ~]# scala -version

出现

Scala code runner version 2.13.5 -- Copyright 2002-2020, LAMP/EPFL and Lightbend, Inc.

说明安装成功

3.下载Apache Spark
3.1 通过官网下载apache spark

spark官网下载

3.2 解压
[root@hadoop-master ~]# tar -xvf spark-3.1.1-bin-hadoop3.2.gz -C /usr/local/
3.3 移动到/usr/local/spark 改名
[root@hadoop-master ~]# cd /usr/local/
[root@hadoop-master ~]# mv spark-3.1.1-bin-hadoop3.2/ spark
3.4 修改spark-env.sh
[root@hadoop-master ~]# cd /usr/local/spark/
[root@hadoop-master spark]# cd conf/
[root@hadoop-master conf]# cp spark-env.sh.template spark-env.sh
[root@hadoop-master conf]# vim spark-env.sh

在第一行添加以下配置信息

export SPARK_DIST_CLASSPATH=$(/usr/local/hadoop/hadoop-3.1.4/bin/hadoop classpath)

/usr/local/hadoop/hadoop-3.1.4/bin/hadoop这个是自己机器上Hadoop的安装路径

配置好后即可直接使用

运行Spark自带的示例，验证Spark是否安装成功

[root@hadoop-master conf]# bin/run-example SparkPi

在这里插入图片描述

会输出特别多的运行信息，没法找到需要的输出结果

可以通过这个命令

[root@hadoop-master spark]# bin/run-example![在这里插入图片描述](https://img-blog.csdnimg.cn/20210402150108108.png#pic_center)
 SparkPi 2>&1 | grep "Pi is"

此时结果为
在这里插入图片描述

Spark Shell编写代码

启动Spark Shell
[root@hadoop-master spark]# bin/spark-shell

在这里插入图片描述

加载text文件

spark创建sc，可以加载本地文件和HDFS文件创建RDD。这里用Spark自带的本地文件README.md文件测试

scala> val textFile = sc.textFile("file:///usr/local/spark/README.md")

加载HDFS文件和本地文件都是使用textFile，区别是添加前缀(hdfs://和file:///)进行标识

上面语句的输出结果截图如下：

在这里插入图片描述

简单RDD操作
//获取RDD文件textFile的第一行内容
textFile.first()

在这里插入图片描述

//获取RDD文件textFile所有项的计数
textFile.count()

在这里插入图片描述

//抽取含有“Spark”的行，返回一个新的RDD
val lineWithSpark = textFile.filter(line => line.contains("Spark"))

在这里插入图片描述

//统计新的RDD的行数
lineWithSpark.count()

在这里插入图片描述

可以通过组合RDD操作进行组合，可以实现简易MapReduce操作

//找出文本中每行的最多单词数
textFile.map(line => line.split(" ").size).reduce((a, b) => if (a > b) a else b)

在这里插入图片描述

退出Spark Shell

输入exit，即可退出spark shell

:quit

在这里插入图片描述

MirkoLin596
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Spark Sql中时间字段少8个小时问题解决
02-28
### Spark SQL 中时间字段少8个小时问题解决 #### 问题背景 在进行数据处理时，尤其是在涉及时间戳字段转换的过程中，经常会遇到时区问题。本文将详细探讨在使用Spark SQL处理Hive表中的时间戳字段时，遇到的时间...
基于antlr4 解析器，支持spark sql, tidb sql, flink sql, Sparkflink运行命令解析器
03-14
在本项目中，ANTLR4被用来创建一个解析器，这个解析器支持多种SQL方言，包括Spark SQL、TiDB SQL以及Flink SQL，同时还支持Spark和Flink的运行命令解析。 Spark SQL是Apache Spark的一个组件，主要负责处理结构化的...
基于Spark1.3.0的Spark sql三个核心部分
weixin_30507269的博客
05-26 148
基于Spark1.3.0的Spark sql三个核心部分： 1.可以架子啊各种结构化数据源(JSON,Hive,and Parquet) 2.可以让你通过SQL,saprk内部程序或者外部攻击，通过标准的数据库连接(JDBC/ODBC)连接spark，比如一个商业智能的工具Tableau 3.当你通过使用spark程序,spark sql提供丰富又智能的SQL或者regularPython...
08-SparkSql架构
IT晓白
02-19 839
1、sql语句的模块解析 当我们写一个查询语句时，一般包含三个部分，select部分，from数据源部分，where限制条件部分，这三部分的内容在sql中有专门的名称： 当我们写sql时，如上图所示，在进行逻辑解析时会把sql分成三个部分，project，DataSource，Filter模块，当生成执行部分时又把他们称为:Result模块、 DataSource模块和Opertion模块。 那...
使用 Scala 语言开发 Spark 应用程序
scalad
03-06 3412
本文旨在通过具有实际意义的案例向读者介绍如何使用 Scala 语言开发 Spark 应用程序并在 Spark 集群上运行。本文涉及的所有源数据都将从 HDFS（Hadoop Distributed File System）读取，部分案例的输出结果也会写入到 HDFS, 所以通过阅读本文，读者也会学习到 Spark 和 HDFS 交互的一些知识 引言 在当前这个信息时代里，大数据所蕴含的
Spark之json数据处理
weixin_30466953的博客
01-09 340
-- 默认情况下，SparkContext对象在spark-shell启动时用namesc初始化。使用以下命令创建SQLContext。 val sqlcontext = new org.apache.spark.sql.SQLContext(sc) -- employee.json-将此文件放在currentscala>指针所在的目录中。 { {"id" : "1201"...
Spark SQL概述
qq_45973211的博客
08-28 1549
Spark SQL是Spark用来处理结构化数据的一个模块
Spark SQL 数据源
03-26 5万+
Spark SQL支持读取很多种数据源，比如parquet文件，json文件，文本文件，数据库等。先把people.json导入到hdfs的tmp目录下。
Spark SQL— Catalyst 优化器
热门推荐
03-27 5万+
优化一词是指修改系统以使其工作更高效或使用更少资源的过程。Spark SQL是 Apache Spark 中技术含量最高的组件。Spark SQL 处理 SQL 查询和 DataFrame API。Spark SQL 的深处有一个催化剂优化器。Catalyst 优化允许一些高级编程语言功能，使您可以构建可扩展的查询优化器。一种名为 Catalyst 的新型可扩展优化器出现了，用于实现 Spark SQL。该优化器基于**Scala中的函数式编程构造。Catalyst Optimizer 支持。
Spark SQL简介
m0_46917254的博客
04-04 2万+
Spark SQL简介 一、从Shark说起 1、在这之前我们要先理解Hive的工作原理： Hive是一个基于Hadoop的数据仓库工具，提供了类似于关系数据库SQL的查询语言——HiveSQL，用户可以通过HiveSQL语句快速实现简单的MapReduce统计，Hive自身可以自动将HiveSQL语句快速转换成MapReduce任务进行运行。 2、Shark提供了类似于Hive的功能，与Hive不同的是，Shark把SQL语句转换成Spark作业，而不是MapReduce作业。 可以近似地认为：Shar
Spark SQL 介绍
m0_72168501的博客
02-08 2127
对于 SparkSQL 的简单介绍
实训指导书_使用Spark SQL进行法律服务网站数据分析.zip
09-14
《Spark SQL在法律服务网站数据分析中的应用》 Spark SQL是Apache Spark的重要组件，它将SQL查询语言与大数据处理相结合，使得非程序员也能轻松地对大规模数据进行分析。本实训指导书将带你深入理解如何利用Spark ...
Atlas Spark SQL血缘分析，Hive Hook
05-25
4. **执行Spark SQL操作**：当Spark SQL通过Hive接口执行DML（Data Manipulation Language）或DDL（Data Definition Language）操作时，Hive Hook会捕获这些操作的元数据变更。 5. **血缘信息收集和存储**：捕获的...
Spark SQL操作JSON字段的小技巧
09-09
Spark SQL是一款强大的大数据处理工具，它提供了对JSON数据的内置支持，使得在处理JSON格式的数据时更加便捷。本文将详细介绍Spark SQL操作JSON字段的几个关键函数：get_json_object、from_json 和 to_json，以及...
flink增量检查点启动恢复的时间是很久的，业务上不能接受，怎么处理
最新发布
goTsHgo的博客
09-11 605
针对增量检查点恢复时间长的问题，可以从多个方面进行优化，包括合并检查点、提升存储性能、优化 RocksDB 配置、并行化恢复过程等。同时，也可以考虑替代方案，如多活架构、预热恢复、降低状态依赖和改进状态管理策略。此外，在业务层面上，适当调整业务容忍度和提高用户透明度也是有效的应对措施。通过综合应用这些策略，可以有效地降低恢复时间并提高业务的连续性和可靠性。
HBase
赞的心路历程
09-09 489
安装包：链接:提取码: 5up7。
【大数据】如何读取多个Excel文件并计算列数据的最大求和值
一个不断前行的程序者
09-09 813
在数据分析和处理中，我们经常需要从多个Excel文件中提取数据并进行计算。本文将带您通过一个实用的Python教程，学习如何读取D盘目录下特定文件夹内的多个Excel文件，并计算特定列数据的最大求和值。
衡石分析平台使用手册-新手上路介绍
zandy1011的博客
09-06 1184
​以下概括阐述了产品基本理念，这些理念贯穿我们的整个产品开发和设计，并最终体现为产品的功能形态。我们希望衡石分析平台可以成为各个领域的行业人员进行业务分析的称手兵器，简单稳定，容易上手。
spark sql
07-29
Spark SQL是Apache Spark中的一个模块，它提供了在分布式数据处理中进行结构化数据处理和分析的功能。它支持使用SQL查询、DataFrame和Dataset API进行数据操作。 Spark SQL可以用于读取和写入多种数据源，包括...
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

MirkoLin596

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