Spark——一文理解SparkSQL的DataFrame概念以及操作

最新推荐文章于 2024-05-21 16:47:12 发布
最新推荐文章于 2024-05-21 16:47:12 发布
阅读量1.6k 收藏 10
点赞数
分类专栏： Spark 文章标签： spark 大数据 分布式
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/xdx_dili/article/details/132671216
版权

1、DataFrame的组成

DataFrame是一个二维表结构，那么表格结构就有无法绕开的三个点：

  • 行
  • 列
  • 表结构描述

在MySQL中的一张表：

  • 由许多行组成
  • 数据也被分成多个列
  • 表也有表结构信息（列、列名、列类型、列约束等）

基于这个前提，DataFrame的组成如下:

  • 在结构层面：

    • StructType对象描述整个DataFrame的表结构
    • StructField对象描述一个列的信息

  • 在数据层面

    • Row对象记录一行数据
    • Column对象记录一列数据并包含列的信息

示例

在这里插入图片描述

如图， 在表结构层面，DataFrame的表结构由：StructType描述，如下图

在这里插入图片描述

一个StructField记录：列名、列类型、列是否运行为空

多个StructField组成一个StructType对象。

一个StructType对象可以描述一个DataFrame：有几个列、每个列的名字和类型、每个列是否为空

同时，一行数据描述为Row对象，如Row(1, 张三, 11)

一列数据描述为Column对象，Column对象包含一列数据和列的信息；Row、Column、StructType、StructField的编程我们在后面编码阶段会接触。

2、DataFrame的代码构建

DataFrame对象可以从RDD转换而来，都是分布式数据集，其实就是转换一下内部存储的结构，转换为二维表结构。

2.1、基于RDD方式

2.1.1、调用Spark

# 首先构建一个RDD rdd[(name, age), ()]
rdd = sc.textFile("../data/sql/people.txt").
  map(lambda x: x.split(',')).
  map(lambda x: [x[0], int(x[1])]) # 需要做类型转换, 因为类型从RDD中探测

# 构建DF方式1
df = spark.createDataFrame(rdd, schema = ['name', 'age'])

通过SparkSession对象的createDataFrame方法来将RDD转换为DataFrame；这里只传入列名称，类型从RDD中进行推断，是否允许为空默认为允许（True）。

# coding:utf8
# 演示DataFrame创建的三种方式
from pyspark.sql import SparkSession
if __name__ == '__main__':
  spark = SparkSession.builder.\
    appName("create df").\
    master("local[*]").\
    getOrCreate()

  sc = spark.sparkContext
  # 首先构建一个RDD rdd[(name, age), ()]
  rdd = sc.textFile("../data/sql/people.txt").\
    map(lambda x: x.split(',')).\
    map(lambda x: [x[0], int(x[1])]) # 需要做类型转换, 因为类型从RDD中探测
   
  # 构建DF方式1
  df = spark.createDataFrame(rdd, schema = ['name', 'age'])
  # 打印表结构
  df.printSchema()
  # 打印20行数据
  df.show()
  df.createTempView("ttt")
  spark.sql("select * from ttt where age< 30").show()

2.1.2、StructType对象转化

将RDD转换为DataFrame方式2：通过StructType对象来定义DataFrame的“表结构”转换RDD。

# 创建DF , 首先创建RDD 将RDD转DF
rdd = sc.textFile("../data/sql/stu_score.txt").\
  map(lambda x:x.split(',')).\
  map(lambda x:(int(x[0]), x[1], int(x[2])))

# StructType 类
# 这个类 可以定义整个DataFrame中的Schema
schema = StructType().\
  add("id", IntegerType(), nullable=False).\
  add("name", StringType(), nullable=True).\
  add("score", IntegerType(), nullable=False)

# 一个add方法 定义一个列的信息, 如果有3个列, 就写三个add, 每一个add代表一个StructField
# add方法: 参数1: 列名称, 参数2: 列类型, 参数3: 是否允许为空
df = spark.createDataFrame(rdd, schema)
示例代码
# coding:utf8
# 需求: 基于StructType的方式构建DataFrame 同样是RDD转DF
from pyspark.sql import SparkSession
from pyspark.sql.types import StructType, StringType, IntegerType

if __name__ == '__main__':
  spark = SparkSession.builder.\
    appName("create_df"). \
    config("spark.sql.shuffle.partitions", "4"). \
    getOrCreate()

  # SparkSession对象也可以获取 SparkContext
  sc = spark.sparkContext
  # 创建DF , 首先创建RDD 将RDD转DF
  rdd = sc.textFile("../data/sql/stu_score.txt").\
    map(lambda x:x.split(',')).\
    map(lambda x:(int(x[0]), x[1], int(x[2])))

  # StructType 类
  # 这个类 可以定义整个DataFrame中的Schema
  schema = StructType().\
    add("id", IntegerType(), nullable=False).\
    add("name", StringType(), nullable=True).\
    add("score", IntegerType(), nullable=False)
  
  # 一个add方法 定义一个列的信息, 如果有3个列, 就写三个add
  # add方法: 参数1: 列名称, 参数2: 列类型, 参数3: 是否允许为空
  df = spark.createDataFrame(rdd, schema)
  df.printSchema()
  df.show()

2.1.3、使用RDD的toDF方法转换RDD

2.2、基于Pandas的DataFrame

将Pandas的DataFrame对象，转变为分布式的SparkSQL；DataFrame对象。

# 构建Pandas的DF
pdf = pd.DataFrame({
"id": [1, 2, 3],
"name": ["张大仙", '王晓晓', '王大锤'],
"age": [11, 11, 11]
})
# 将Pandas的DF对象转换成Spark的DF
df = spark.createDataFrame(pdf)

示例代码

# coding:utf8
# 演示将Panda的DataFrame转换成Spark的DataFrame
from pyspark.sql import SparkSession
# 导入StructType对象
from pyspark.sql.types import StructType, StringType, IntegerType
import pandas as pd

if __name__ == '__main__':
  spark = SparkSession.builder.\
    appName("create df").\
    master("local[*]").\
    getOrCreate()
  sc = spark.sparkContext
  
  # 构建Pandas的DF
  pdf = pd.DataFrame({
  "id": [1, 2, 3],
  "name": ["张大仙", '王晓晓', '王大锤'],
  "age": [11, 11, 11]
  })
  
  # 将Pandas的DF对象转换成Spark的DF
  df = spark.createDataFrame(pdf)
  df.printSchema()
  df.show()

2.3、读取外部数据

通过SparkSQL的统一API进行数据读取构建DataFrame。

sparksession.read.format("text|csv|json|parquet|orc|avro|jdbc|......")
  .option("K", "V") # option可选
  .schema(StructType | String) # STRING的语法如.schema("name STRING", "age INT")
  .load("被读取文件的路径, 支持本地文件系统和HDFS")

2.3.1、读取text数据源

使用format("text")读取文本数据；读取到的DataFrame只会有一个列，列名默认称之为：value。

schema = StructType().add("data", StringType(), nullable=True)
df = spark.read.format("text")\
  .schema(schema)\
  `.load("../data/sql/people.txt")

2.3.2、读取json数据源

使用format("json")读取json数据。

df = spark.read.format("json").\
  load("../data/sql/people.json")
# JSON 类型 一般不用写.schema, json自带, json带有列名 和列类型(字符串和数字)
df.printSchema()
df.show()

2.3.3、读取csv数据源

使用format("csv")读取csv数据。

df = spark.read.format("csv")\
  .option("sep", ";")\ # 列分隔符
  .option("header", False)\ # 是否有CSV标头
  .option("encoding", "utf-8")\ # 编码
  .schema("name STRING, age INT, job STRING")\ # 指定列名和类型
  .load("../data/sql/people.csv") # 路径
df.printSchema()
df.show()

2.3.4、读取parquet数据源

使用format("parquet")读取parquet数据

# parquet 自带schema, 直接load啥也不需要了
df = spark.read.format("parquet").\
  load("../data/sql/users.parquet")
df.printSchema()
df.show()

parquet： 是Spark中常用的一种列式存储文件格式和Hive中的ORC差不多，他俩都是列存储格式

parquet对比普通的文本文件的区别：

  • parquet 内置schema（列名\ 列类型\ 是否为空）

  • 存储是以列作为存储格式

  • 存储是序列化存储在文件中的（有压缩属性体积小）

3、DataFrame的入门操作

DataFrame支持两种风格进行编程：

  • DSL语法风格，DSL称之为：领域特定语言。其实就是指DataFrame的特有API，DSL风格意思就是以调用API的方式来处理Data。
df.where().limit()
  • SQL语法风格： 使用SQL语句处理DataFrame的数据。
spark.sql("SELECT * FROM xxx")

3.1、DSL - show 方法

展示DataFrame中的数据, 默认展示20条。

df.show(参数1, 参数2)
- 参数1: 默认是20, 控制展示多少条
- 参数2: 是否阶段列, 默认只输出20个字符的长度, 过长不显示, 要显示的话 请填入 truncate = True

3.2、DSL - printSchema方法

打印输出df的schema信息。

df.printSchema()

3.3、DSL - select方法

选择DataFrame中的指定列（通过传入参数进行指定）。

  • 可变参数的cols对象，cols对象可以是Column对象来指定列或者字符串列名来指定列；
  • List[Column]对象或者List[str]对象， 用来选择多个列。
#column 对象的获取
id_column = df['id']
subject_column = df['subject']

# select
#支持字符串形式传入
df.select( ["id","subject"]).show()
df.select("id","subject").show()

#也支持column对象的方式传入
df.select(df['id'],df['subject']).show()

3.4、DSL - filter和where

过滤DataFrame内的数据，返回一个过滤后的DataFrame。df.filter()和df.where()，where和filter功能上是等价的。

# filter
#传字符串的形式
df.filter("score < 99").show()

#传column的形式
df.filter(df['score'] <99).show()

#where和filter等价
df.where("score < 99").show()
df.where(df['score'] < 99).show()

3.5、DSL - groupBy 分组

按照指定的列进行数据的分组， 返回值是GroupedData对象。传入参数和select一样，支持多种形式，不管怎么传意思就是告诉Spark按照哪个列分组。

# groupBy
df.groupBy("subject").count().show()
df.groupBy(df['subject']).count().show()

3.6、GroupedData对象

GroupedData对象是一个特殊的DataFrame数据集
其类全名：<class 'pyspark.sql.group.GroupedData'>

这个对象是经过groupBy后得到的返回值， 内部记录了 以分组形式存储的数据。GroupedData对象其实也有很多API，比如前面的count方法就是这个对象的内置方法。除此之外，像：min、max、avg、sum等等许多方法都存在。

3.7、SQL风格语法 - 注册DataFrame成为表

DataFrame的一个强大之处就是我们可以将它看作是一个关系型数据表，然后可以通过在程序中使用spark.sql() 来执行SQL语句查询，结果返回一个DataFrame。如果想使用SQL风格的语法，需要将DataFrame注册成表，采用如下的方式：

df.createTempView("score")#注册一个临时视图(表)
df.create0rReplaceTempView("score")#注册一个临时表，如果存在进行替换。
df.createGlobalTempView("score")
#注册一个全局表
  • 全局表： 跨SparkSession对象使用，在一个程序内的多个SparkSession中均可调用，查询前带上前缀：global_temp；
  • 临时表： 只在当前SparkSession中可用。

3.8、SQL风格语法 - 使用SQL查询

注册好表后，可以通过：sparksession.sql（sql语句）来执行sql查询，返回值是一个新的df。

#注册好表后就可以写sql查询
df2 =spark.sql("SELECT * FROM score WHERE score < 99")
df2.show()

3.9、pyspark.sql.functions包

from pyspark.sql import functions as F，然后就可以用F对象调用函数计算了。这些功能函数, 返回值多数都是Column对象.

在这里插入图片描述

4、SparkSQL Shuffle分区数目

在SparkSQL中当Job中产生Shuffle时，默认的分区数（spark.sql.shuffle.partitions）为200，在实际项目中要合理的设置。

  • 配置文件：conf/spark-defaultsconfsparksqlshufflepartitions 100
  • 在客户端提交参数中：bin/spark-submit--conf "sparksqlshufflepartitions=100"
  • 在代码中可以设置：
spark=SparkSession.builder.
  appName("create df").\
  master("local[*]").\
  config("spark.sgl.shuffle.partitions","2").\
  getorCreate()

5、SparkSQL 数据清洗API

5.1、去重方法dropDuplicates

对DF的数据进行去重，如果重复数据有多条，取第一条。

# 去重APIdropDuplicates，无参数是对数据进行整体去重
df.dropDuplicates().show()

# API 同样可以针对字段进行去重，如下传入aae字段，表示只要年龄一样就认为你是重复数据
df.dropDuplicates(['age', 'job']).show()

5.2、删除有缺失值的行方法dropna

如果数据中包含null，通过dropna来进行判断，符合条件就删除这一行数据

#如果有缺失，进行数据删除
#无参数为how=any执行，只要有一个列是null数据整行删除，如果填入how='all'
# 表示全部列为空才会删除，how参数默认是a
df.dropna().show()

#指定阀值进行删除，thresh=3表示，有效的列最少有3个，这行数据才保留
#设定thresh后，how参数无效了
df.dropna(thresh=3).show()

#可以指定阀值以及配合指定列进行工作
#thresh=2,subset=['name,'age]表示针对这2个列，有效列最少为2个才保留数据
df.dropna(thresh=2, subset=['name', 'age']).show()

5.3、填充缺失值数据fillna

根据参数的规则，来进行null的替换。

#将所有的空，按照你指定的值进行填充，不理会列的任何空都被填充
df.fillna("loss").show()

#指定列进行填充
df.fillna("loss", subset=['job']).show()

#给定字典 设定各个列的填充规则
df.fillna({"name":"未知姓名", "age": 1, "job":"worker"}).show()

6、DataFrame数据写出

SparkSQL统一API写出DataFrame数据。

6.1、统一API语法

df.write.mode().format().option(K,V).save(PATH)
#mode，传入模式字符串可选:append追加，overwrite覆盖，ignore忽略，error重复就报异常(默认的)
#format，传入格式字符串，可选:text，csv，json，parquet,orc,avro, jdbc
#注意text源只支持单列df写出
# option 设置属性，如:.option("sep",",")r
#save写出的路径，支持本地文件和HDFS

6.2、常见源写出

# Write text 写出，只能写出一个单列数据
df.select(F.concat_ws("---",“user_id","movie_id","rank","ts")).\
  write.\
  mode("overwrite").\
  format("text").\
  save("../data/output/sql/text")

# Write CSV 写出
df.write.mode("overwrite").\
  format("csv").\
  option("sep",",").\
  option("header",True).\
  save("../data/output/sql/csv")

# Write Json 写出
df.write.mode("overwrite").\
  format("json").\
  save("../data/output/sql/json")

# Write Parquet 写出
df.write.mode("overwrite").\
  format("parquet").\
  save("../data/output/sql/parquet")

#不给format，默认以parquet写出
df.write.mode("overwrite").save("../data/output/sql/default")

7、DataFrame通过JDBC读写数据库

读取JDBC是需要有驱动的，我们读取的是jdbc:mysql://这个协议，也就是读取的是MySQL的数据既然如此，就需要有mysql的驱动jar包给spark程序用。如果不给驱动jar包，会提示：No suitableDriver。

  • 对于Windows系统（使用本地解释器）（以Anaconda环境演示）：将jar包放在：Anaconda3的安装路径下\envs\虚拟环境\Lib\site-packages\pyspark\jars；

  • 对于Linux系统（使用远程解释器执行）（以Anaconda环境演示）：将jar包放在：Anaconda3的安装路径下\envs/虚拟环境/lib/python3.8/site-packages/pyspark/jars。

7.1、写出

#写DF通过JDBC到数据库中
df.write.mode("overwrite").\
  format("jdbc").\
  option("url","jdbc:mysql://node1:3306/test?useSSL=false&useUnicode=true").\
  option("dbtable","u_data").\
  option("user","root").\
  option("password","123456").\
  save()

jdbc连接字符串中，建议使用useSSL=false确保连接可以正常连接（不使用SSL安全协议进行连接）；
jdbc连接字符串中，建议使用useUnicode=true来确保传输中不出现乱码；
save()不要填参数，没有路径，是写出数据库；
dbtable属性：指定写出的表名。

7.2、读取

df = spark.read.format("jdbc").\
  option("url","jdbc:mysql://node1:3306/test?useSSL=false&useUnicode=true").\
  option("dbtable","u_data").\
  option("user","root"). \
  option("password","123456").\
  load()

读出来是自带schema，不需要设置schema，因为数据库就有schema
load()不需要加参数，没有路径，从数据库中读取的啊
dbtable是指定读取的表名

静惘
关注
  • 0
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【大数据技术Hadoop+Spark】Spark SQL、DataFrame、Dataset的讲解及操作演示（图文解释）
showswoller的博客
12-18 1505
【大数据技术Hadoop+Spark】Spark SQL、DataFrame、Dataset的讲解及操作演示（图文解释）
Spark（15）：SparkSQL之DataFrame
yang_shibiao的博客
07-06 789
这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持val 修饰的对象的引入。如果是数字，默认作为 Int 处理；但是从文件中读取的数字，不能确定是什么类型，所以用 bigint 接收，可以和Long 类型转换，但是和 Int 不能进行转换。注意：普通临时表是 Session 范围内的，如果想应用范围内有效，可以使用全局临时表。
Spark SQL 操作实战
最新发布
一缕阳光的博客
05-21 397
Spark SQL 是 Apache Spark 处理结构化数据的模块。
大数据处理框架-Spark DataFrame构造、join和null空值填充
programmer589的博客
07-29 528
大数据处理框架-Spark DataFrame构造、join和null空值填充
大数据Spark DataFrame/DataSet常用操作
赵广陆
12-19 4340
目录1 一般操作：查找和过滤1.1 读取数据源1.1.1读取json1.1.2 读取Hive表1.2 取数据列1.3 过滤算子filter(filter等价于where算子)2 聚合操作：groupBy和agg2.1 排序算子sort(sort等价于orderBy)2.2 分组函数groupBy2.2.1 分组计数2.2.2 分组后求最值、平均值、求和的方法2.2.3 分组后，求多个聚合值（最值、平均值等）。使用算子groupBy+agg2.2.4 分组聚合后取别名2.2.5 分组后行转列，使用pivot2
sparkSQL——DataFrame
m0_55674689的博客
12-23 936
sparkSQL
SparkSQ操作DataFrame，合并DataFrame
05-30
例子中定义了多个List数据集合，包括用户信息，订单信息，用户订单信息，将List对象生成DataFrame，使用SparkSQL查询将多个DataFrame合成一个DataFrame,使用Scala语言编写。
JAVA spark创建DataFrame的方法
09-07
在Java中操作Spark DataFrame，我们需要了解几个关键概念和步骤，这通常包括创建SparkSession、加载数据、数据转换以及保存结果。下面将详细介绍如何在Java中使用Spark创建DataFrame。 首先，创建SparkSession是...
Spark2.X创建DataFrame的多种方式
01-07
1、Case Class 创建DataFrame 2、Tuple 创建DataFrame 3、JavaBean 创建DataFrame 4、Json 创建DataFrame 5、Row 创建DataFrame 6、set集合 创建DataFrame 7、map集合 创建DataFrame 8、Array数组 创建DataFrame 9、...
spark rdd api dataframe 以及dataframe rdd dataset 相互转换 spark sql
02-14
包括spara rdd api，dataframe action操作、查询操作、join操作，dataframe rdd dataset 相互转换以及spark sql。
倒排索引源码java-spark-in-practice:Spark入门、SparkStreaming、SparkSQL、DataFrame
06-19
API，以及数据处理。 练习在 Java 和我的 github 帐户中都可用（这里是 java）。 你只需要克隆项目就可以了！ 如果您需要帮助，请查看解决方案分支。 原来的博文是对的。 为了帮助您实现每个类，单元测试在。 使用的...
【Spark学习笔记】Dataframe操作大全
不可能打工的博客
07-08 883
1. Dataframe的生成 1.1 通过 toDF()函数创建 Seq+toDF val someDF = Seq( (8, "bat"), (64, "mouse"), (-27, "horse") ).toDF("number", "word") 注意：如果直接用toDF()而不指定列名字，那么默认列名为"_1", "_2", ... Seq.toDF()的一个弊端是列类型...
Spark获取DataFrame中列的方式--col，$，column，apply
南风知我意
07-04 2367
df("columnName") //在特定数据帧上 col("columnName") //尚未与数据帧关联的通用列 col("columnName.field") //提取结构字段 col("`a.column.with.dots`") //转义。在列名中 $"columnName" //Scala命名列的缩写 expr("a + 1") //由解析的SQL表达式构造的列 lit("ab
【大数据分析】Spark SQL查询：DataFrame
sword_csdn的博客
06-16 834
RDD代表了一种低级，直接的方式来处理Spark中的数据，它是Spark运行时的核心，而DataFrame API用于类似于表的形式处理结构化的分布式数据。DataFrame的灵感来自几种语言：Python的Pandas包中的DataFrame，R中的DataFrame和Julia语言的DataFrame。Spark的不同之处在于它们的分布式特性和Spark的Catalyst，它可以基于可插拔数据源、规则和数据类型实时优化资源使用。
头歌：SparkSQL简单使用
weixin_62399938的博客
05-01 1949
Spark SQL是用来操作结构化和半结构化数据的接口。当每条存储记录共用已知的字段集合，数据符合此条件时，Spark SQL就会使得针对这些数据的读取和查询变得更加简单高效。具体来说，Spark SQL提供了以下三大功能：(1) Spark SQL可以从各种结构化数据源（例如JSON、Parquet等）中读取数据。
大数据进阶之路——Spark SQL 之 DataFrame&amp；&amp；Dataset_dataframe &amp；&amp；
2401_84160361的博客
05-04 786
(img-oGyNzpzi-1714795561732)](img-Rf7L4Kaa-1714795561732)]* DataFrame中的操作操作。
Spark SQL编程之DataFrame
hu10131013的博客
04-24 2297
Spark SQL 特性 易整合 统一的数据访问方式 兼容hive 标准的数据链接 Spark SQL是Spark用来处理结构化数据的一个模块，它提供了2个编程抽象：DataFrame和DataSet，并且作为分布式SQL查询引擎的作用 SparkSession创建 在老的版本中，SparkSQL提供两种SQL查询起始点：一个叫SQLContext，用于Spark自己提供的SQL查询；一个叫HiveContext，用于连接Hive的查询。 SparkSession是Spark...
Spark SQL概述及其基本用法
weixin_41812379的博客
11-01 6455
Spark SQL概述 Spark SQL是什么 Spark SQL 是 Spark 用于结构化数据(structured data)处理的 Spark 模块。 Spark SQL 的前身是Shark。Shark是基于 Hive 所开发的工具，它修改了下图所示的右下角的内存管理、物理计划、执行三个模块，并使之能运行在 Spark 引擎上。下图是 Hive和Shark的区别。 但是，Spark在不断发展，但又太过依赖Hive，有了不少限制。于是，Spark团队提出了Spark SQL。 SparkSQL抛弃
spark dataframe操作集锦（提取前几行，合并，入库等）
热门推荐
大数据挖掘SparkExpert的博客
04-02 9万+
spark dataframe派生于RDD类，但是提供了非常强大的数据操作功能。当然主要对类SQL的支持。 在实际工作中会遇到这样的情况，主要是会进行两个数据集的筛选、合并，重新入库。 首先加载数据集，然后在提取数据集的前几行过程中，才找到limit的函数。 而合并就用到union函数，重新入库，就是registerTemple注册成表，再进行写入到HIVE中。
spark sql——3. dataframe及常用操作
03-16
DataFrame是Spark SQL中最常用的数据结构，它是一个分布式的数据集合，可以看作是由一组有序的列组成的表格。DataFrame支持多种数据源，包括Hive表、文本文件、JSON、Parquet等。DataFrame的常用操作包括选择、过滤、聚合、排序等，可以使用Spark SQL提供的API或者SQL语句进行操作。其中，选择操作可以选择DataFrame中的一部分列，过滤操作可以根据条件过滤出符合条件的行，聚合操作可以对数据进行统计分析，排序操作可以按照指定的列进行排序。除此之外，DataFrame还支持join、union等操作，可以将多个DataFrame进行合并。

“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