Spark（3）：Spark运行环境

已于 2022-11-09 21:50:53 修改
阅读量2.2k 收藏 2
点赞数 1
分类专栏： # Spark 文章标签： spark 大数据 bigdata
于 2022-11-09 21:48:59 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/yang_shibiao/article/details/127723034
版权

目录

0. 相关文章链接

1. Local 模式

1.1. 解压缩文件

1.2. 启动 Local 环境

1.3. 命令行工具

1.4. 退出本地模式

1.5. 提交应用 

2. Standalone 模式 

2.1. 解压缩文件 

2.2. 修改配置文件

2.3. 启动集群

2.4. 提交应用

2.5. 提交参数说明

2.6. 配置历史服务

2.7. 配置高可用（ HA）

3. Yarn模式

3.1. 解压缩文件

3.2. 修改配置文件

3.3. 提交应用

3.4. 配置历史服务器

4. K8S 模式

5. Windows 模式

5.1. 启动本地环境

5.2. 命令行提交应用

6. 部署模式对比

7. 端口号

0. 相关文章链接

 Spark文章汇总 

1. Local 模式

        所谓的 Local 模式，就是不需要其他任何节点资源就可以在本地执行 Spark 代码的环境，一般用于教学，调试，演示等，在 IDEA 中运行代码的环境我们称之为开发环境，不太一样。 

1.1. 解压缩文件

        将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 Linux 并解压缩，放置在指定位置，路径中不要包含中文或空格。

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-local

1.2. 启动 Local 环境

1)    进入解压缩后的路径，执行如下指令 

bin/spark-shell

2) 启动成功后，可以输入网址进行 Web UI 监控页面访问

http://虚拟机地址:4040

1.3. 命令行工具

sc.textFile("data/word.txt").flatMap(_.split(" ")).map((_,1)).reduceByKey(_+_).collect

1.4. 退出本地模式

按键 Ctrl+C 或输入 Scala 指令 

:quit

1.5. 提交应用 

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master local[2] \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

1) --class 表示要执行程序的主类， 此处可以更换为咱们自己写的应用程序

2) --master local[2] 部署模式，默认为本地模式，数字表示分配的虚拟 CPU 核数量

3) spark-examples_2.12-3.0.0.jar 运行的应用类所在的 jar 包， 实际使用时，可以设定为咱们自己打的 jar 包

4) 数字 10 表示程序的入口参数，用于设定当前应用的任务数量

2. Standalone 模式 

        local 本地模式毕竟只是用来进行练习演示的，真实工作中还是要将应用提交到对应的集群中去执行，这里我们来看看只使用 Spark 自身节点运行的集群模式，也就是我们所谓的独立部署（Standalone）模式。Spark 的 Standalone 模式体现了经典的 master-slave 模式。

集群规划如下：

linux1：Master、Worker

linux2：Worker

linux3：Worker

2.1. 解压缩文件 

将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 Linux 并解压缩在指定位置 

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module 
cd /opt/module  
mv spark-3.0.0-bin-hadoop3.2 spark-standalone

2.2. 修改配置文件

1）进入解压缩后路径的 conf 目录，修改 slaves.template 文件名为 slaves 

mv slaves.template slaves

2)    修改 slaves 文件，添加 work 节点 

linux1 
linux2 
linux3

3)    修改 spark-env.sh.template 文件名为 spark-env.sh 

export JAVA_HOME=/opt/module/jdk1.8.0_144 
SPARK_MASTER_HOST=linux1 
SPARK_MASTER_PORT=7077

注意：7077 端口，相当于 hadoop3 内部通信的 8020 端口，此处的端口需要确认自己的 Hadoop配置 

5)    分发 spark-standalone 目录 

xsync spark-standalone

2.3. 启动集群

1）执行脚本命令： 

sbin/start-all.sh

2）查看三台服务器运行进程

================linux1================
3330 Jps
3238 Worker
3163 Master
================linux2================
2966 Jps
2908 Worker
================linux3================
2978 Worker
3036 Jps

3) 查看 Master 资源监控 Web UI 界面: http://linux1:8080

2.4. 提交应用

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

1) --class 表示要执行程序的主类
2) --master spark://linux1:7077 独立部署模式，连接到 Spark 集群
3) spark-examples_2.12-3.0.0.jar 运行类所在的 jar 包
4) 数字 10 表示程序的入口参数，用于设定当前应用的任务数量

执行任务时，会产生多个 Java 进程

执行任务时，默认采用服务器集群节点的总核数，每个节点内存 1024M。

2.5. 提交参数说明

在提交应用中，一般会同时一些提交参数

bin/spark-submit \
--class <main-class>
--master <master-url> \
... # other options
<application-jar> \
[application-arguments]
参数解释可选值举例
--classSpark 程序中包含主函数的类
--masterSpark 程序运行的模式(环境)模式： local[*]、spark://linux1:7077、Yarn
--executor-memory 1G指定每个 executor 可用内存为 1G符合集群内存配置即可，具体情况具体分析。
--total-executor-cores 2指定所有executor使用的cpu核数
为 2 个
--executor-cores指定每个executor使用的cpu核数
application-jar打包好的应用 jar，包含依赖。这个 URL 在集群中全局可见。 比如 hdfs:// 共享存储系统，如果是file:// path，那么所有的节点的path 都包含同样的 jar
application-arguments 传给 main()方法的参数

2.6. 配置历史服务

由于 spark-shell 停止掉后，集群监控 linux1:4040 页面就看不到历史任务的运行情况，所以开发时都配置历史服务器记录任务运行情况。 

1) 修改 spark-defaults.conf.template 文件名为 spark-defaults.conf 

mv spark-defaults.conf.template spark-defaults.conf

2)    修改 spark-default.conf 文件，配置日志存储路径 

spark.eventLog.enabled          true 
spark.eventLog.dir               hdfs://linux1:8020/directory 

-- 注意：需要启动 hadoop 集群，HDFS 上的 directory 目录需要提前存在。 
sbin/start-dfs.sh
hadoop fs -mkdir /directory

3) 修改 spark-env.sh 文件, 添加日志配置

export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://linux1:8020/directory
-Dspark.history.retainedApplications=30"
  • 参数 1 含义： WEB UI 访问的端口号为 18080
  • 参数 2 含义：指定历史服务器日志存储路径
  • 参数 3 含义：指定保存 Application 历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

4) 分发配置文件

xsync conf

5) 重新启动集群和历史服务

sbin/start-all.sh
sbin/start-history-server.sh

6) 重新执行任务

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

7) 查看历史服务： http://linux1:18080

2.7. 配置高可用（ HA）

        所谓的高可用是因为当前集群中的 Master 节点只有一个，所以会存在单点故障问题。 所以为了解决单点故障问题，需要在集群中配置多个 Master 节点，一旦处于活动状态的 Master发生故障时，由备用 Master 提供服务，保证作业可以继续执行。 这里的高可用一般采用Zookeeper 设置。

0）集群规划

Linux1：Master、Zookeeper、Worker
Linux2：Master、Zookeeper、Worker
Linux3：Zookeeper、Worker

1）停止集群

sbin/stop-all.sh

2）启动 Zookeeper

xstart zk

3）修改 spark-env.sh 文件添加如下配置

注释如下内容：
#SPARK_MASTER_HOST=linux1
#SPARK_MASTER_PORT=7077

添加如下内容:
#Master 监控页面默认访问端口为 8080，但是可能会和 Zookeeper 冲突，所以改成 8989，也可以自定义，访问 UI 监控页面时请注意
SPARK_MASTER_WEBUI_PORT=8989
export SPARK_DAEMON_JAVA_OPTS="
-Dspark.deploy.recoveryMode=ZOOKEEPER
-Dspark.deploy.zookeeper.url=linux1,linux2,linux3
-Dspark.deploy.zookeeper.dir=/spark"

4）分发配置文件

xsync conf/

5）启动集群

sbin/start-all.sh

6）启动 linux2 的单独 Master 节点，此时 linux2 节点 Master 状态处于备用状态

[root@linux2 spark-standalone]# sbin/start-master.sh

7）提交应用到高可用集群

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master spark://linux1:7077,linux2:7077 \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

8）停止 linux1 的 Master 资源监控进程

9）查看 linux2 的 Master 资源监控 Web UI，稍等一段时间后， linux2 节点的 Master 状态提升为活动状态

3. Yarn模式

        独立部署（Standalone）模式由 Spark 自身提供计算资源，无需其他框架提供资源。 这种方式降低了和其他第三方资源框架的耦合性，独立性非常强。但是你也要记住， Spark 主要是计算框架，而不是资源调度框架，所以本身提供的资源调度并不是它的强项，所以还是和其他专业的资源调度框架集成会更靠谱一些。 所以接下来我们来学习在强大的 Yarn 环境下 Spark 是如何工作的（其实是因为在国内工作中， Yarn 使用的非常多） 。

3.1. 解压缩文件

将 spark-3.0.0-bin-hadoop3.2.tgz 文件上传到 linux 并解压缩，放置在指定位置。

tar -zxvf spark-3.0.0-bin-hadoop3.2.tgz -C /opt/module
cd /opt/module
mv spark-3.0.0-bin-hadoop3.2 spark-yarn

3.2. 修改配置文件

1）修改 hadoop 配置文件/opt/module/hadoop/etc/hadoop/yarn-site.xml, 并分发

<!--是否启动一个线程检查每个任务正使用的物理内存量，如果任务超出分配值，则直接将其杀掉，默认是true--> 
<property> 
     <name>yarn.nodemanager.pmem-check-enabled</name> 
     <value>false</value> 
</property> 
 
<!--是否启动一个线程检查每个任务正使用的虚拟内存量，如果任务超出分配值，则直接将其杀掉，默认是true--> 
<property> 
     <name>yarn.nodemanager.vmem-check-enabled</name> 
     <value>false</value> 
</property>

2）修改 conf/spark-env.sh，添加 JAVA_HOME 和 YARN_CONF_DIR 配置 

mv spark-env.sh.template spark-env.sh
。。。
export JAVA_HOME=/opt/module/jdk1.8.0_144
YARN_CONF_DIR=/opt/module/hadoop/etc/hadoop

3.3. 提交应用

注意：提交应用之前需要先启动 HDFS 以及 YARN 集群

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode cluster \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

查看 http://linux2:8088 页面，点击 History，查看历史页面

3.4. 配置历史服务器

1）修改 spark-defaults.conf.template 文件名为 spark-defaults.conf

mv spark-defaults.conf.template spark-defaults.conf

2）修改 spark-default.conf 文件，配置日志存储路径

spark.eventLog.enabled     true
spark.eventLog.dir         hdfs://linux1:8020/directory

-- 注意：需要启动 hadoop 集群， HDFS 上的目录需要提前存在。
[root@linux1 hadoop]# sbin/start-dfs.sh
[root@linux1 hadoop]# hadoop fs -mkdir /directory

3）修改 spark-env.sh 文件, 添加日志配置

export SPARK_HISTORY_OPTS="
-Dspark.history.ui.port=18080
-Dspark.history.fs.logDirectory=hdfs://linux1:8020/directory
-Dspark.history.retainedApplications=30"
  • 参数 1 含义： WEB UI 访问的端口号为 18080
  • 参数 2 含义：指定历史服务器日志存储路径
  • 参数 3 含义：指定保存 Application 历史记录的个数，如果超过这个值，旧的应用程序信息将被删除，这个是内存中的应用数，而不是页面上显示的应用数。

4）修改 spark-defaults.conf

spark.yarn.historyServer.address=linux1:18080
spark.history.ui.port=18080

5）启动历史服务

sbin/start-history-server.sh

6）重新提交应用

bin/spark-submit \
--class org.apache.spark.examples.SparkPi \
--master yarn \
--deploy-mode client \
./examples/jars/spark-examples_2.12-3.0.0.jar \
10

7）Web 页面查看日志： http://linux2:8088

4. K8S 模式

        容器化部署是目前业界很流行的一项技术，基于 Docker 镜像运行能够让用户更加方便地对应用进行管理和运维。容器管理工具中最为流行的就是 Kubernetes（k8s），而 Spark也在最近的版本中支持了 k8s 部署模式。

官网链接：https://spark.apache.org/docs/latest/running-on-kubernetes.html

5. Windows 模式

        自己学习时，每次都需要启动虚拟机，启动集群，这是一个比较繁琐的过程，并且会占大量的系统资源，导致系统执行变慢，不仅仅影响学习效果，也影响学习进度，Spark 非常暖心地提供了可以在 windows 系统下启动本地集群的方式，这样，在不使用虚拟机的情况下，也能学习 Spark 的基本使用。

5.1. 启动本地环境

0）将文件 spark-3.0.0-bin-hadoop3.2.tgz 解压缩到无中文无空格的路径中

1）执行解压缩文件路径下 bin 目录中的 spark-shell.cmd 文件，启动 Spark 本地环境

2）在 bin 目录中创建 input 目录，并添加 word.txt 文件, 在命令行中输入脚本代码

5.2. 命令行提交应用

在 DOS 命令行窗口中执行提交指令

spark-submit --class org.apache.spark.examples.SparkPi --master local[2] ../examples/jars/spark-examples_2.12-3.0.0.jar 10

6. 部署模式对比

模式Spark 安装机器数需启动的进程所属者应用场景
Local1无Spark测试
Standalone3Master 及 WorkerSpark单独部署
Yarn1Yarn 及 HDFSHadoop混合部署

7. 端口号

  • Spark 查看当前 Spark-shell 运行任务情况端口号： 4040（计算）
  • Spark Master 内部通信服务端口号： 7077
  • Standalone 模式下， Spark Master Web 端口号： 8080（资源）
  • Spark 历史服务器端口号： 18080
  • Hadoop YARN 任务运行情况查看端口号： 8088

注：其他Spark相关系列文章链接由此进 ->  Spark文章汇总 

电光闪烁
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Spark 入门环境部署以及参考知识
SU苏打水的博客
10-29 1417
什么是spark？ Apache Spark 是专为大规模数据处理而设计的快速通用的计算引擎。 Spark是基于内存计算的通用大规模数据处理框架。 Spark快的原因： 1.Spark基于内存，尽可能的减少了中间结果写入磁盘和不必要的sort、shuffle(sort:顾名思义就是排序，shuffle:言简意赅就是将数据打散之后再重新聚合的过程,比如groupBy、reduceBykey等) 2.Spark对于反复用到的数据进行了缓存 3.Spark对于DAG进行了高度的优化，具体在于Spark划分
spark基本原理&amp；UI界面解读_spark ui(1)，2024年最新大数据开发进程保活黑科技实现原理解密及方法
2401_84166878的博客
04-08 700
存中…(img-eQ2EqLMg-1712533638675)][外链图片转存中…(img-Hcbu0457-1712533638675)]
spark改造，查询执行进度和日志留存
yyoc97的专栏
06-28 2429
一、在spark中查看执行完成的日志 spark thrift server的web ui在运行时可以看到sql查询的提交用户，执行sql等信息 但是当这个实例停掉或者异常终止以后，你再去spark history server的webui去查看，发现这部分信息就没有了…… image.png 究其原因，原来spark thrift server并没有将...
spark的学习之路：pyspark的本地运行以及在YARN的运行
xiameimei_win的博客
03-29 5229
一、本地运行 pyspark --master local[N] local[N] 代表在本地运行，N的值代表同时执行N个程序 （1）查看当前的运行模式：sc.master （2）读取本地文件，路径之前加上“file：” testFile = sc.textFile('file:/usr/local/spark/README.md') （3）显示项数 testFil...
Spark环境搭建（保姆级教程）
热门推荐
tangyi2008的专栏
02-24 5万+
Spark 是一个大规模数据处理的统一分析引擎 本文主要介绍Spark的相关配置，以及各种模式的代码提交，包括Local,Standalone,YARN。 文末有相应资源下载网盘链接。
【spark】spark的三种常用运行环境：Local，Standalone，Yarn
weixin_44441131的博客
07-16 1645
Spark作为一个数据处理框架和计算引擎，被设计在所有常见的集群环境中运行,在国内工作中主流的环境为Yarn，不过逐渐容器式环境也慢慢流行起来。spark提供了基于不同环境下的部署模式，本篇针对常用的部署和运行模式，简单做一下总结。...
查看Spark任务的详细信息
程序员欣宸的博客
10-07 1万+
在学习Spark的过程中，查看任务的DAG、stage、task等详细信息是学习的重要手段，在此做个小结； 环境信息 本文对应的环境信息如下： CentOS Linux release 7.5.1804 JDK：1.8.0_191 hadoop：2.7.7 spark：2.3.2 参考文档(准备环境用到) 搭建hadoop、spark、运行耗时任务，请参考以下文章： 部署hadoop：《Li...
spark 进程
09-21 1575
History Server 上有一个相关进程，启动用户是spark，父进程是cloudera-scm-agent。 提交spark程序的机器有一个进程，启动用户是提交程序的用户，这里是hdfs，父进程是1，系统内核进程。线程可以直接看到SparkSubmit相关信息。 Executor(Streaming任务) 进程的启动过程：(yarn-cluster模式的Driver 也是同样过程。)
查看spark进程运行状态以及安装spark
sinat_26566137的博客
08-01 9406
6、移动命令 #hadoop dfs –mv /user/test.txt /user/test/ 7、拷贝命令 #hadoop dfs –copytolocal /user/test.txt /opt/ 查看spark上面的运行情况； http://192.168.31.10:8080/# wc -l judgedoc_litigant.txt 查看文件有多少行； hto...
如何查看spark任务总共有多少个job
m0_49027804的博客
09-21 1129
当我们看spark任务执行进度的时候，往往判断job总数，来判断spark代码执行到了哪里，所以如何查看job总数是我们要计算出来的
通过jmc监控spark应用的内存使用情况
艾@七的专栏
12-25 4313
1、概述 使用jmc工具 （1）连接本机java测试程序 （2）连接远程主机java测试程序 （3）连接spark集群中提交的App中的driver,executor，监控这两个进程的jvm使用情况 2、操作过程 （1）连接本机 测试代码 public class HelloWorld { public static void main(Stri
Spark运行架构
02-25
lDriver：Spark中的Driver即运行上述Application的main()函数并且创建SparkContext，其中创建SparkContext的目的是为了准备Spark应用程序的运行环境。在Spark中由SparkContext负责和ClusterMana
Spark实验：Standalone模式安装部署（带答案）1
08-03
1. 解压Spark安装包 2. 配置Spark环境变量 2. 修改 spark-env.sh 文件，完成以下设置： 1. 设置运行master进程的节点， e
learning-spark:玩Apache Spark
05-12
第一步：运行Spark开发环境 从官方文档开始快速入门： : 让我们实现自包含应用程序。 资料来源： : 创建一个新的Maven项目。 从文档中添加代码。 在resources文件夹中保存大量示例文本。 问题＃1 ：如果不...
sumobot-sparkcore:使用 sparkcore 运行相扑机器人
06-15
这是关于如何设置相扑机器人以使用约翰尼五号运行 sparkcore 的版本的悬崖笔记版本。 环境设置（仅限 Ubuntu） 打开终端应用程序并安装节点，但首先确保删除其他版本，因为它们不适用于spark-cli 。 sudo apt-get...
spark3.0.1版本查询Hbase数据库例子
qq_34207898的博客
05-31 423
需要采用spark查询hbase数据库的数据同步到中间分析库，记录spark集成hbase的简单例子代码
Spark基础：Kafka分布式消息系统
IT深耕十余载，大道之简
05-29 310
Kafka是一个由Apache软件基金会开发的开源分布式消息系统，它最初由LinkedIn公司开发和维护，后于2011年初开源。Kafka被设计为一个高吞吐量、低延迟的平台，用于处理实时数据流。下面将详细介绍Kafka分布式消息系统的几个关键方面。总结来说，Kafka是一个高性能、分布式、可靠的消息系统，被广泛应用于实时数据处理和流处理场景。与Spark的集成使得Kafka能够更好地发挥其在大数据处理和分析方面的优势。
详解 Spark 核心编程之累加器
最新发布
weixin_44480009的博客
06-02 295
​ 累加器可以用来把 Executor 端的变量信息聚合到 Driver 端。在 Driver 程序中定义的变量，在 Executor 端的每个 Task 都会得到这个变量的一份新的副本，每个 task 更新这些副本的值后，传回 Driver 端进行 merge
Spark基础：掌握RDD算子
IT深耕十余载，大道之简
05-29 541
Apache Spark 的核心组件之一是弹性分布式数据集（Resilient Distributed Dataset，简称 RDD）。RDD 是 Spark 中不可变、分布式对象集合的抽象，它允许你在集群上执行各种转换（transformations）和动作（actions）。以下是 RDD 的一些基础算子（operators）的概述，这些算子被分为转换（transformations）和动作（actions）两类。
pycharm配置spark运行环境
03-15
PyCharm是一款功能强大的Python集成开发环境（IDE），可以方便地配置和管理Spark运行环境。下面是配置PyCharm与Spark的步骤： 1. 安装Java Development Kit（JDK）：首先，确保你已经安装了JDK。你可以从Oracle官网下载并安装适合你操作系统的JDK版本。 2. 下载Spark：访问Apache Spark官网（https://spark.apache.org/downloads.html），选择适合你的Spark版本并下载。 3. 解压Spark：将下载的Spark压缩包解压到你想要安装的目录。 4. 配置环境变量：将Spark的bin目录添加到系统的环境变量中。在Windows系统中，可以在系统属性中的"高级系统设置"中设置环境变量；在Linux或Mac系统中，可以编辑.bashrc或.bash_profile文件，并添加以下行： ``` export SPARK_HOME=/path/to/spark export PATH=$SPARK_HOME/bin:$PATH ``` 5. 打开PyCharm：启动PyCharm，并创建一个新的Python项目。 6. 配置PyCharm与Spark：在PyCharm的菜单栏中，选择"File" -> "Settings"。 7. 在设置窗口中，选择"Project" -> "Project Interpreter"。 8. 点击右上角的齿轮图标，选择"Add..."。 9. 在弹出的窗口中，选择"System Interpreter"，然后点击"OK"。 10. 在解释器路径中，选择你的Python解释器。 11. 在"Environment variables"部分，点击"+"按钮添加一个新的环境变量。 12. 设置环境变量名为"PYSPARK_PYTHON"，值为你的Python解释器的路径。 13. 点击"OK"保存设置。 现在，你已经成功配置了PyCharm与Spark的运行环境。你可以在PyCharm中编写和运行Spark应用程序了。

“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

电光闪烁

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