Hive的常见用法

已于 2022-07-06 12:29:47 修改
阅读量392 收藏 2
点赞数
文章标签： hive big data
于 2021-11-24 15:31:29 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/weixin_58132358/article/details/120422804
版权

一、创建表

1.1内部表

create table 数据库名.表名(
    属性(一般都用string类型)
)
row format delimited fields terminated by ','
stored as textfile -- 文本文件
stored as orc -- orc压缩文件,压缩后别人无法读取
stored as parquet -- 别人需要继续使用数据

1.2外部表

create external table 数据库名.表名(
    属性
)
row format delimited fields terminated by ','
location '/路径'  -- hdfs上的路径，需要提前创好，hdfs dfs -mkdir -P /路径

1.3 特殊类型的数据库

create external table 数据库名.表名(
    job ARRAY(string),
    sex_age STRUCT<sex:int,age:int>,
    skill MAP<string,string>
)
row format delimited fields terminated by ','
collect items terminated by '_'  -- 集合结束符
map keys terminated by ':'  -- map结束符
location '/路径'

1.4 csv作为数据源

create external table ...(
    属性
)
row format serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
with serdeproperties 
(
    'separatorChar' = ',',  -- 分隔符
    'quoteChar'     = '\"', -- 引号符
    'escapeChar'    = '\\'  -- 转义符
)
location '/路径'
tblproperties('skip.header.line.count'='1') --去除首行

1.5 根据已有表创建新表

1.5.1 CTAS  （mysql、oracle、hive都可以用）连数据一起复制

create table ... as select * from ...

1.5.2 like  （只有hive有）只复制表结构

create table ... like ...

1.6 创建临时表

create temporary table ...(
       ...
)
row format delimited fields terminated by ','

二、数据上传

2.1 外部表上传

load data local inpath '/opt/data/aa.txt' overwrite into table mydemo.test1 
-- local inpath表示Linux本地文件，不加表示hadoop处文件 、、overwrite起到先清空，再插入

压缩需注意：load加载数据不能转换 

hdfs dfs -put /opt/data/data.csv /tab1
-- 上传至hdfs

三、创建一个分区表

3.1 静态分区

-- 1.创建一个分区表
create table mydemo.my_part(
    id string,
    name string
)
partitioned by (birmonth string)
row format delimited fields terminated by ','

-- 2.手工创建一个静态分区
alter table mydemo.my_part add partition(birmonth='01') --手工添加一个文件夹

-- 3.塞数据
load data local inpath '/opt/data/aa.txt' overwrite into table 
mydemo.my_part partition(birmonth='01')

insert into mydemo.my_part partition(birmonth='01') select id,name from mydemo.usi

3.2 动态分区(根据某列值进行分区)

-- 1. 建立分区表
create table mydemo.my_part1(
    id string,
    name string
)
partitioned by (birmonth string)
row format delimited fields terminated by ','

-- 2. 动态分区插入数据
-- 动态分区是根据查询分区列的有几种变化就有几个分区（例如：月份）
-- 默认最大分区的个数为100个，可以修改最大分区个数 -- hive-site.xml
-- set hive.exec.max.dynamic.partitions=10000
-- set hive.exec.max.dynamic.partitions.pernode=10000

-- 动态插入前要设置分区属性
set hive.exec.dynamic.partition=true
set hive.exec.dynamic.partition.mode=nonstrict
insert into mydemo.my_part1 partition(birmonth) select id,name,
month(regexp_replace(bir,'/','-')) birmonth from mydemo.usi

四、分桶表 (一般用于抽样，根据hash值进行分区)

-- 1. 创建一个分桶表
create table mydemo.bck_user(
    id string,
    name string,
    gender string
)
clustered by(gender)  -- 对gender列进行排序
into 2 buckets        -- 分两个桶
row format delimited fields terminated by ','

-- 2. 设置执行为TRUE，两个reduce
set hive.enforce.bucketing=true
set mapreduce.job.reduces=2

-- 3.上传数据（一般创一个零时表，用于数据上传）
insert into table mydemo.bck_user select * from mydemo.tmp

-- 4. 
-- 分桶表抽样
-- 确定三个值 n=总桶数  x=抽桶的开始位置   y  2^z =抽取总桶数的比例  

select count(*) from mydemo.bck_user tablesample(bucket 1 out of 2 on gender)

select count(*) from mydemo.bck_user tablesample(10 percent) -- 按10%抽取 （普通表）

select count(*) from mydemo.bck_user tablesample(1K) -- 抽指定大小

五、视图

与oracle一样

六、侧视图

select id,name,bir,loc,ind 
from mydemo.usi 
lateral view posexplode(split(likes,',')) a 
as loc,ind

-- loc 序号  ind 每一个值
-- 相当于一列多个值，转为一个一个值

select id,name,bir,b
from mydemo.usi 
lateral view explode(split(likes,',')) a 
as b

-- spark
df1.select($"userid",explode(split($"friendid"," ")))

七、排序

7.1、order by

整体数据排序，所有数据在reduce集中到一个节点上排序

7.2、distribute by（可以升序降序）

本身不排序，是将数据进行分区，工作在mapper节点上，没有数据迁移，一般个sort by 配合使用，所以mapper节点排序，只能保证mapper节点，就是部分数据有序

7.3、cluster by（只能升序）

基本等于 distribute by + sort by 但是，cluster by 只能按一列进行排序

八、数据的导入导出

-- 导入
inport table .... from '/temp'  -- 地址为hdfs上

-- 导出
export table .... to '/temp'

九、多个值转为集合

collect_list()

collect_set()  不重复

十、窗口函数（重点）

over:将窗口中处理的数据和未处理的列进行笛卡尔积的匹配

① 前置函数（窗口中的数据如何计算）

lag （lag(列名，1，xxx)  这一列向下一行，第一行补xxx）               lead

row_number                rank                dense_rank        

sum         arg                count

② 内置函数

partition by 数据分区（窗口）

order by  排序（窗口内排序）

window子句

-- preceding:向前
-- following:向后
-- current row:当前行
-- unbounded:起点   
-- unbounded preceding:从起点开始  
-- unbounded following 到后面终点


select name,orderdate,cost,
    sum(cost) over(partition by name) usercountmoney,
    sum(cost) over(partition by name order by orderdate) addusermoney1,
    sum(cost) over(partition by name order by orderdate rows between unbounded preceding and current row) addusermoney2, -- 开始到当前行
    sum(cost) over(partition by name order by orderdate rows between 1 preceding and 1 following) abadd,  -- 前一行后一行相加
    sum(cost) over(partition by name order by orderdate rows between current row and unbounded following) lastadd
from exp2.orders

十、DML导入

1.load：作用将数据直接加载到表目录中
    语法：  load  data [local] inpath 'xx' [overwrite] into table 表名 partition()
    
                local:  如果导入的文件在本地文件系统，需要加上local，使用put将本地上传到hdfs
                          不加local默认导入的文件是在hdfs，使用mv将源文件移动到目标目录

2. insert：insert方式运行MR程序，通过程序将数据输出到表目录！
        在某些场景，必须使用insert方式来导入数据：
                ①向分桶表插入数据
                ②如果指定表中的数据，不是以纯文本形式存储，需要使用insert方式导入

    语法： insert into | overwrite table 表名 select xxx | values(),(),() 
                insert into: 向表中追加新的数据
                insert overwrite： 先清空表中所有的数据，再向表中添加新的数据
    特殊情况： 多插入模式(从一张源表查询，向多个目标表插入)
                from 源表
                insert xxxx  目标表  select xxx
                insert xxxx  目标表  select xxx
                insert xxxx  目标表  select xxx
    举例： from deptpart2
            insert into table deptpart1 partition(area='huaxi') select deptno,dname,loc
            insert into table deptpart1 partition(area='huaxinan') select deptno,dname,loc

3. location: 在建表时，指定表的location为数据存放的目录

4. import :  不仅可以导入数据还可以顺便导入元数据(表结构)。Import只能导入export输出的内容！
                
IMPORT [[EXTERNAL] TABLE 表名(新表或已经存在的表) [PARTITION (part_column="value"[, ...])]]
  FROM 'source_path'
  [LOCATION 'import_target_path']
                ①如果向一个新表中导入数据，hive会根据要导入表的元数据自动创建表
                ②如果向一个已经存在的表导入数据，在导入之前会先检查表的结构和属性是否一致
                        只有在表的结构和属性一致时，才会执行导入
                ③不管表是否为空，要导入的分区必须是不存在的
                
  import external table importtable1  from '/export1'

如果导入的是external外部表，那么这个表是不控制数据的生命周期的，换句话说就是只拷贝源表的结构而不拷贝数据，只作引用


十一、函数

1.查看函数
        函数有库的概念，系统提供的除外，系统提供的函数可以在任意库使用！
        查看当前库所有的函数：show functions;
        查看函数的使用： desc function 函数名
        查看函数的详细使用： desc function extended 函数名
        
2.函数的分类
        函数的来源：  

                      ①系统函数，自带的，直接使用即可
                      ②用户自定义的函数。
                            a)遵守hive函数类的要求，自定义一个函数类
                            b)打包函数，放入到hive的lib目录下，或在HIVE_HOME/auxlib
                                    auxlib用来存放hive可以加载的第三方jar包的目录
                            c)创建一个函数，让这个函数和之前编写的类关联
                                    函数有库的概念
                            d)使用函数
        
        函数按照特征分：  

        UDF：  用户定义的函数。 一进一出。 输入单个参数，返回单个结果！                          cast('a' as int) 返回 null
        UDTF:  用户定义的表生成函数。 一进多出。传入一个参数(集合类型)，返回一个结果集！
        UDAF： 用户定义的聚集函数。 多进一出。 传入一列多行的数据，返回一个结果(一列一行)  count,avg,sum

11.1 UDF函数自定义：

11.1.1 java打包

1、pom包

<!-- https://mvnrepository.com/artifact/org.apache.hive/hive-exec -->
    <dependency>
      <groupId>org.apache.hive</groupId>
      <artifactId>hive-exec</artifactId>
      <version>1.1.0</version>
    </dependency>

    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-common</artifactId>
      <version>2.6.0</version>
    </dependency>


<!-- 整体打包 -->
<build>
    <plugins>
      <plugin>
        <artifactId>maven-compiler-plugin</artifactId>
        <version>2.3.2</version>
        <configuration>
          <source>1.8</source>
          <target>1.8</target>
        </configuration>
      </plugin>
      <plugin>
        <artifactId>maven-assembly-plugin</artifactId>
        <configuration>
          <descriptorRefs>
            <descriptorRef>jar-with-dependencies</descriptorRef>
          </descriptorRefs>
          <archive>
            <manifest>
              <mainClass>com.ksf.myfunc.Quarte</mainClass><!--这里改成自己的主类位置-->
            </manifest>
          </archive>
        </configuration>
        <executions>
          <execution>
            <id>make-assembly</id>
            <phase>package</phase>
            <goals>
              <goal>single</goal>
            </goals>
          </execution>
        </executions>
      </plugin>
    </plugins>
  </build>

 2、函数

package com.ksf.myfunc;

import org.apache.hadoop.hive.ql.exec.UDF;

import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Calendar;
import java.util.Date;

public class Quarte extends UDF {

    public String evaluate(String time){
        SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd");
        Calendar cal = Calendar.getInstance();
        try {
            Date date = sdf.parse(time);
            // 获取月份
            cal.setTime(date);
        } catch (ParseException e) {
            e.printStackTrace();
        }
        int month = cal.get(Calendar.MONTH);
        // 根据月份计算季度
        if(month<3){
            return "一季度";
        }else if(month < 6){
            return "二季度";
        }else if (month< 9){
            return "三季度";
        }else {
            return "四季度";
        }
    }

    public static void main(String[] args) {
        Quarte q = new Quarte();
        System.out.println(q.evaluate("2021-09-24"));
    }
}

3. 上传至Linux文件

  1.  add jar /opt/myfunc-1.0-SNAPSHOT-jar-with-dependencies.jar   添加jar包
  2. create function exp2.quarte as 'com.ksf.myfunc.Quarte'   创建函数

11.2.1 宏函数

create temporary macro func_age(x string) case
when cast(x as int)<20 then '青年'
when cast(x as int)<30 then '中年'
when cast(x as int)<50 then '中老年'
else '老年'
end


十二、本地数据上传至Hive

1、pom包

<!-- 连接hive包 -->
    <!-- https://mvnrepository.com/artifact/org.apache.hive/hive-jdbc -->
    <dependency>
      <groupId>org.apache.hive</groupId>
      <artifactId>hive-jdbc</artifactId>
      <version>1.1.0</version>
    </dependency>

    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-common -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-common</artifactId>
      <version>2.6.0</version>
    </dependency>

    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-client -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-client</artifactId>
      <version>2.6.0</version>
    </dependency>

    <!-- https://mvnrepository.com/artifact/org.apache.hadoop/hadoop-hdfs -->
    <dependency>
      <groupId>org.apache.hadoop</groupId>
      <artifactId>hadoop-hdfs</artifactId>
      <version>2.6.0</version>
    </dependency>

2.代码

package com.ksf.myhive.services;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataOutputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;

import java.net.URI;
import java.sql.*;
import java.util.ArrayList;
import java.util.Calendar;
import java.util.List;

public class FileTimeData {

    /**
     * 建造批量数据
     */
    public List<String> buileData() {
        ArrayList<String> lst = new ArrayList<>();
        Calendar cal = Calendar.getInstance();
        cal.set(2017, 1, 1, 0, 0, 0);
        String sql = "%s,%s,%s,%s,%s,%s\n";
        for (int i = 0; i < 8783; i++) {
            cal.add(Calendar.HOUR, 1);
            String res = String.format(sql, (i + 1),
                    cal.get(Calendar.YEAR),
                    cal.get(Calendar.MONTH),
                    cal.get(Calendar.DATE),
                    calQuarter(cal.get(Calendar.MONTH)),
                    cal.get(Calendar.HOUR_OF_DAY));
            lst.add(res);
        }
        return lst;
    }

    /**
     *    上传至hdfs
     * @throws Exception
     */
    private void makeHDFSFile() throws Exception {
        System.setProperty("HADOOP_USER_NAME", "root");
        String path = "hdfs://192.168.56.160:9000/tmp1";
        FileSystem fs = FileSystem.get(new URI(path), new Configuration());
        if (fs.exists(new Path(path))) {
            fs.delete(new Path(path), true);
        }
        fs.mkdirs(new Path(path));
        // 创建文件
        FSDataOutputStream fos = fs.create(new Path("/tmp1/tmp.txt"));
        // 写入文件信息
        List<String> infos = buileData();
        for (String info : infos) {
            fos.write(info.getBytes());
        }
        fos.flush();
        fos.close();
    }

    /**
     * 插入数据至hive
     */
    public void loadData(){
        try {
            Class.forName("org.apache.hive.jdbc.HiveDriver");
            Connection conn =
                    DriverManager.getConnection("jdbc:hive2://192.168.56.160:10000/dws_sale",
                                                "root",
                                                "root");
            Statement stat = conn.createStatement();
            String sql = "load data inpath '/tmp1/tmp.txt' overwrite into table dws_sale.dws_time_dim";
            stat.execute(sql);
            conn.close();
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        } catch (SQLException e) {
            e.printStackTrace();
        }

    }

    private int calQuarter(int month) {
        return (int) (Math.floor(month / 3) + 1);
    }

    public static void main(String[] args) throws Exception{
        FileTimeData ftd = new FileTimeData();
        ftd.makeHDFSFile(); // 建造数据
        ftd.loadData();  // 向表中加数据
    }
}

十三、数仓建设

1.ods层：就是元数据，创建ods数据库，存放数据

2.dwd层：《数据探索》

  1. -- 查看文件有多少行
    hdfs dfs -cat /sale/customer_details/customer_details.csv | wc -l
  2. 查看表格多少行
    select count(*) from ods_sale.ods_customers
  3. 查看有没有重复
    with    
    r1 as (select max(customer_id) from ods_sale.ods_customers group by customer_id)
    select count(*) from r1
  4. 查看名字有没有为空
    注：每列都需要验证，无问题创建新表，stored as orc

3. dws层

创建维度表！！！ 

4. ads分析层

洗脚水贞香
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
hive的使用
quwei1114的博客
03-29 1493
一、表的创建（外部表和内部表） 1、内部表与外部表的区别 外部表：hive中删除外部表时，数据不会被删除，即hive不会控制外部表数据的生命周期 内部表（管理表）：hive中删除内部表时，数据会被删除掉，即hive会控制内部表数据的生命周期。 查询表的详情 desc formatted student5; 删除表：drop table student; 对于一个公司来说，数据非常重要，原始数据会放在外部表还是管理表中？外部表 2、创建表的方式（三种） 方式一：（普通创建表）（最
Hive初步使用
Rachel的博客
10-14 471
目录   概述 架构 1:用户接口 client 2:元数据（Metastore） 3:hadoop 4:Driver Hive的优点和使用场景 Hive的常用命令 1:show databases; 2:create database rachel_db_hive; 3:drop database db_hive; 4:use rachel_db_hive; 5:创建...
Hive详解——基本操作归纳
一名小码农的博客
11-30 2705
文章目录一、Hive基本概念1. 什么是 Hive1）hive 简介2）Hive 本质:将 HQL 转化成 MapReduce 程序2. Hive 的优缺点1）优点2）缺点3. Hive 架构原理4. Hive 和数据库比较1）查询语言2）数据更新3）执行延迟4）数据规模二、Hive安装1. Hive 安装地址2. 安装MySQL3. Hive 安装部署4. Hive 元数据配置到 MySQL5. 启动并使用 Hive1）启动 Hive2）使用 Hive3）Hadoop中查看文件6. 使用元数据服务的方式访
Hive基础和使用详解
m0_48170265的博客
04-23 4235
Hive基础和使用详解
Hive详细介绍及简单应用
热门推荐
YHJ
06-02 1万+
1.Hive基本概念 1.1Hive简介 1.1.1什么是Hive Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。 1.1.2为什么使用Hive 1.）直接使用hadoop所面临的问题 人员学习成本太高 项目周期要求太短 MapReduce实现复杂查询逻辑开发难度太大 2.） 操作接口采用类SQL语法，提供快速开发的能力。 避免了去写MapReduce，减少开发人员的学习成本。 扩展功能很方便。 1.1....
hive的基本操作
养猪少年日记的博客
05-26 8516
hive的安装在之前已经写了 地址： 一.语法 创建数据库 语法： CREATE DATABASE|SCHEMA [IF NOT EXISTS] <database name> 如： create database if not exists zzti_hive; hive> create database if not exists zzti_h...
Hive的使用方式及其基本操作
大数据跟我学i
11-20 855
文章目录1.使用方式第一种：Hive交互shell第二种：Hive JDBC服务第三种：Hive命令2.基本操作管理数据库与管理表管理数据库：管理数据库表：普通表外部表分区表分桶表 1.使用方式 第一种：Hive交互shell 配置Hive的环境变量 vi /etc/profile.d/hive.sh 添加如下内容保存并退出： export HIVE_HOME=/export/servers/hive-1.1.0-cdh5.14.0 export PATH=:$PATH:$HIVE_HOME/bin
Apache hive常用函数.zip
07-27
Apache Hive 是一个基于Hadoop的数据仓库工具，它允许用户通过SQL-like...对于初学者来说，理解这些函数的用法和应用场景至关重要，而对于经验丰富的Hive用户，深入掌握这些函数将有助于提升数据处理的灵活性和效率。
快速学习-Hive函数
01-20
Hive 内置了大量的函数，覆盖了常见的数据处理需求。你可以通过以下命令来查看、了解这些函数： 1. **查看所有函数**：使用 `show functions;` 命令可以列出Hive当前安装的所有内置函数。 2. **查看函数用法**：若...
HIVE中文使用手册及用户指南
07-17
中文版使得中国用户更方便地理解Hive的详细功能和用法。手册中可能涵盖了数据分区、桶化、JOIN操作、子查询、窗口函数等高级特性，以及如何优化Hive查询性能。 3. **Hive函数大全**： 这份文档详尽列出了Hive支持...
apache-hive-1.2.2-bin.tar.gz
06-20
标题"apache-hive-1.2.2-bin.tar.gz"表明这是Apache Hive的1.2.2版本的二进制发行版，打包为tar.gz格式，这是一种在Linux和Unix系统中常见的压缩方式。这个压缩包包含了运行Hive所需的所有文件和配置，可以被解压到...
Hive基本语句及函数用法汇总
seven的博客
08-20 8486
文章目录1. Hive的基本概念2. Hive基础sql语法2.1 DDL 操作2.2 DML操作:元数据存储2.3 DQL操作:数据查询SQL2.4 从SQL到HiveQL应转变的习惯3. Hive基本函数汇总3.1 常用数据类型3.2 语法关键字3.3 hive常用函数整理 1. Hive的基本概念 1.1 hive是什么？ Hive是基于Hadoop的数据仓库工具，相当于hadoop之上的...
Hive常用函数大全一览
sunwenxu的博客
07-09 558
文章目录关系运算1、等值比较: =2、不等值比较: <>3、小于比较: <4、小于等于比较: <=5、大于比较: >6、大于等于比较: >=7、空值判断: IS NULL8、非空判断: IS NOT NULL9、LIKE比较: LIKE10、JAVA的LIKE操作: RLIKE11、REGEXP操作: REGEXP数学运算：1、加法操作: +2、减法操作: -3...
大数据hive篇--常用操作
qq_43709558的博客
04-21 3055
使用hive的一些常见操作
hive使用方式
weixin_43924642的博客
04-26 774
第一种交互方式：Hive交互shell cd /export/servers/hive-1.1.0-cdh5.14.0 bin/hive 查看所有的数据库 hive (default)> show databases; 创建一个数据库 hive (default)> create database myhive; 使用该数据库并创建数据库表 hive (default)> use...
Hive文件存储格式（TEXTFILE 、ORC、PARQUET三者的对比）
07-15 7222
Hive文件存储格式（TEXTFILE 、ORC、PARQUET三者的对比） 综述： HIve的文件存储格式有四种：TEXTFILE、SEQUENCEFILE、ORC、PARQUET，前面两种是行式存储，后面两种是列式存储；所谓的存储格式就是在Hive建表的时候指定的将表中的数据按照什么样子的存储方式，如果指定了A方式，那么在向表中插入数据的时候，将会使用该方式向HDFS中添加相应的数据类型。 如果为textfile的文件格式，直接load就OK，不需要走MapReduce；如果是其他的类型就需要走Ma.
【Hive】建表时的存储格式
hyj
09-09 5719
hive建表时的存储格式
Hive常用内置函数合集
最新发布
zjy123078_zjy的博客
07-14 934
Hive常用函数合集
hive数据库常见函数用法
07-07
以下是Hive中一些常见的函数用法： 1. **SELECT** 语句：Hive的核心操作是数据查询，`SELECT * FROM table_name`用于获取表的所有列，`SELECT column1, column2 FROM table_name`则指定特定列。 2. **聚合函数**：...

“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