Flume和Kafka结合实现日志采集

最新推荐文章于 2023-12-24 12:33:57 发布
最新推荐文章于 2023-12-24 12:33:57 发布
阅读量1.1k 收藏 4
点赞数
分类专栏： 大数据
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/zhijunming/article/details/108089737
版权

1,业务流程

在这里插入图片描述

2,日志采集

2.1采集模型

(1)用传统的flume聚合模型

在这里插入图片描述

采用这种模型服务器3的压力比较大,有可能会宕机.服务器1和服务器2是主动往服务器3进行数据的推送,而不是服务器3主动拉取.

(2)结合Kafka的聚合模型(Kafka source)

在这里插入图片描述

[1]解析

采用Kafka Channel，省去了Sink，提高了效率。KafkaChannel数据存储在Kafka里面，所以数据是存储在磁盘中。
注意在Flume1.7以前，Kafka Channel很少有人使用，因为发现parseAsFlumeEvent这个配置起不了作用。也就是无论parseAsFlumeEvent配置为true还是false，都会转为Flume Event。这样的话，造成的结果是，会始终都把Flume的headers中的信息混合着内容一起写入Kafka的消息中，这显然不是我所需要的，我只是需要把内容写入即可。

[2]实现

编写拦截器:因为日志服务器产生的日志有些可能不符合json的格式所以需要过滤掉

package com.atguigu.interceptor;

import com.alibaba.fastjson.JSON;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;

import java.util.Iterator;
import java.util.List;

public class ETLInterceptor implements Interceptor {

    /**
     * 初始化方法
     */
    @Override
    public void initialize() {

    }

    /**
     *  处理单条数据
     *  bath.size
     * @param event
     * @return
     */
    @Override
    public Event intercept(Event event) {

        //取出数据
        String json = new String(event.getBody());
        try{
            JSON.parseObject(json);
            return event;
        }catch (Exception e){
            return null;
        }

    }

    /**
     * 批次数据处理
     *   处理
     * @param events
     * @return
     */
    @Override
    public List<Event> intercept(List<Event> events) {

        final Iterator<Event> it = events.iterator();
        while (it.hasNext()){
            //校验是否为json数据
            Event event = intercept(it.next());
            if(event==null) it.remove();
        }
        return events;
    }

    /**
     * 资源关闭
     */
    @Override
    public void close() {

    }
    public static class Builder implements Interceptor.Builder{
        /**
         * 返回自定义拦截器对象
         * @return
         */
        @Override
        public Interceptor build() {
            return new ETLInterceptor();
        }

        /**
         * 获取配置文件参数
         * @param context
         */
        @Override
        public void configure(Context context) {

        }
    }

}

服务器1和服务器2Flume的配置编写

#定义agent、source、channel的名称
a1.sources = r1
a1.channels = c1
#描述source
a1.sources.r1.type = TAILDIR
a1.sources.r1.positionFile = /opt/module/flume/position.json
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /opt/module/applog/log/app.*
a1.sources.r1.batchSize = 100
#配置拦截器
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type=com.atguigu.interceptor.ETLInterceptor$Builder
#描述channel
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092
a1.channels.c1.kafka.topic = applog
#false代表不将event整个写入kafka只写入body中的数据
a1.channels.c1.parseAsFlumeEvent = false
#关联source->channel
a1.sources.r1.channels = c1

服务器3 Flume的配置

#设置agent、channel、sink的名称
a1.channels = c1
a1.sinks = k1
a1.sources = s1

#描述source
a1.sources.s1.type = org.apache.flume.source.kafka.KafkaSource
a1.sources.s1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092
a1.sources.s1.kafka.consumer.group.id = applog_group_2
a1.sources.s1.kafka.topics = applog
a1.sources.s1.batchSize = 1000
a1.sources.s1.batchDurationMillis = 1000
#描述channel
a1.channels.c1.type = file
#数据存储路径
a1.channels.c1.dataDirs = /opt/module/flume/datas
#还没有被sink拉走的数据的快照存储路径
a1.channels.c1.checkpointDir = /opt/module/flume/checkpoint
#事务容量
a1.channels.c1.transactionCapacity = 1000
#快照多久保存一次
a1.channels.c1.checkpointInterval = 30000
#channel的容量
a1.channels.c1.capacity = 1000000
#描述sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop102:8020/applog/%Y%m%d
#文件前缀
a1.sinks.k1.hdfs.filePrefix = applog1-
#多久滚动生成一个新文件
a1.sinks.k1.hdfs.rollInterval = 3600
#文件多大之后滚动生成一个新文件
a1.sinks.k1.hdfs.rollSize = 133169152
#文件写入多少个event后滚动生成一个新文件，设置为0代表不按照此规则滚动
a1.sinks.k1.hdfs.rollCount = 0
#设置sink每次从channel中拉取多少个event
a1.sinks.k1.hdfs.batchSize = 1000
#指定压缩格式
a1.sinks.k1.hdfs.codeC = lzop
#指定文件类型为压缩
a1.sinks.k1.hdfs.fileType = CompressedStream
#是否按照时间规则生成文件夹
a1.sinks.k1.hdfs.round = true
#多久生成一个文件夹
a1.sinks.k1.hdfs.roundValue = 24
#时间单位
a1.sinks.k1.hdfs.roundUnit = hour

#管理source->channel->sink
a1.sources.s1.channels = c1
a1.sinks.k1.channel = c1

注意:先启动服务器3的Flume,在启动服务器1和服务器2的Flume

(3)结合Kafka的聚合模型(Kafka channel)
在这里插入图片描述

[1]解析

使用Kafka channel 相当于Kafka的消费者,从Kafka中消费数据,写入Hdfs中

[2]实现
编写拦截器:因为日志服务器产生的日志有些可能不符合json的格式所以需要过滤掉

package com.atguigu.interceptor;

import com.alibaba.fastjson.JSON;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;

import java.util.Iterator;
import java.util.List;

public class ETLInterceptor implements Interceptor {

    /**
     * 初始化方法
     */
    @Override
    public void initialize() {

    }

    /**
     *  处理单条数据
     *  bath.size
     * @param event
     * @return
     */
    @Override
    public Event intercept(Event event) {

        //取出数据
        String json = new String(event.getBody());
        try{
            JSON.parseObject(json);
            return event;
        }catch (Exception e){
            return null;
        }

    }

    /**
     * 批次数据处理
     *   处理
     * @param events
     * @return
     */
    @Override
    public List<Event> intercept(List<Event> events) {

        final Iterator<Event> it = events.iterator();
        while (it.hasNext()){
            //校验是否为json数据
            Event event = intercept(it.next());
            if(event==null) it.remove();
        }
        return events;
    }

    /**
     * 资源关闭
     */
    @Override
    public void close() {

    }
    public static class Builder implements Interceptor.Builder{
        /**
         * 返回自定义拦截器对象
         * @return
         */
        @Override
        public Interceptor build() {
            return new ETLInterceptor();
        }

        /**
         * 获取配置文件参数
         * @param context
         */
        @Override
        public void configure(Context context) {

        }
    }

}

服务器1和服务器2 Flume的配置编写

#定义agent、source、channel的名称
a1.sources = r1
a1.channels = c1
#描述source
a1.sources.r1.type = TAILDIR
a1.sources.r1.positionFile = /opt/module/flume/position.json
a1.sources.r1.filegroups = f1
a1.sources.r1.filegroups.f1 = /opt/module/applog/log/app.*
a1.sources.r1.batchSize = 100
#配置拦截器
a1.sources.r1.interceptors = i1
a1.sources.r1.interceptors.i1.type=com.atguigu.interceptor.ETLInterceptor$Builder
#描述channel
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
a1.channels.c1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092
a1.channels.c1.kafka.topic = applog
#false代表不将event整个写入kafka只写入body中的数据
a1.channels.c1.parseAsFlumeEvent = false
#关联source->channel
a1.sources.r1.channels = c1

服务器3 Flume的配置

#设置agent、channel、sink的名称
a1.channels = c1
a1.sinks = k1
#描述channel
# 设置channel type
a1.channels.c1.type = org.apache.flume.channel.kafka.KafkaChannel
# 设置从哪个kafka集群拉取数据
a1.channels.c1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092
# 设置从哪个topic拉取数据
a1.channels.c1.kafka.topic = applog
# 设置消费者组的id
a1.channels.c1.kafka.consumer.group.id = app_group
# kafka中数据是否按照event结构进行解析
a1.channels.c1.parseAsFlumeEvent = false
# kafka中没有数据的时候，间隔多久去拉取
a1.channels.c1.pollTimeout = 5000
# 第一次从topic拉取数据的时候指定从什么位置开始拉取
a1.channels.c1.kafka.consumer.auto.offset.reset = earliest
#描述sink
a1.sinks.k1.type = hdfs
a1.sinks.k1.hdfs.path = hdfs://hadoop102:8020/applog/%Y%m%d
#文件前缀
a1.sinks.k1.hdfs.filePrefix = applog-
#多久滚动生成一个新文件
a1.sinks.k1.hdfs.rollInterval = 3600
#文件多大之后滚动生成一个新文件
a1.sinks.k1.hdfs.rollSize = 133169152
#文件写入多少个event后滚动生成一个新文件，设置为0代表不按照此规则滚动
a1.sinks.k1.hdfs.rollCount = 0
#设置sink每次从channel中拉取多少个event
a1.sinks.k1.hdfs.batchSize = 1000
#指定压缩格式
a1.sinks.k1.hdfs.codeC = lzop
#指定文件类型为压缩
a1.sinks.k1.hdfs.fileType = CompressedStream
#是否按照时间规则生成文件夹
a1.sinks.k1.hdfs.round = true
#多久生成一个文件夹
a1.sinks.k1.hdfs.roundValue = 24
#时间单位
a1.sinks.k1.hdfs.roundUnit = hour
#是否使用本地时间戳
a1.sinks.k1.hdfs.useLocalTimeStamp = true

#管理channel->sink
a1.sinks.k1.channel = c1

注意:先启动服务器3的Flume,在启动服务器1和服务器2的Flume

(4)自定义时间戳

	由于Flume默认会用Linux系统时间，作为输出到HDFS路径的时间。如果数据是23:59分产生的。Flume消费Kafka里面的数据时，有可能已经是第二天了，那么这部门数据会被发往第二天的HDFS路径。我们希望的是根据日志里面的实际时间，发往HDFS的路径，所以下面拦截器作用是获取日志中的实际时间。
	解决的思路：拦截json日志，通过fastjson框架解析json，获取实际时间ts。将获取的ts时间写入拦截器header头，header的key是timestamp，因为Flume框架会根据这个key的值识别为时间，写入到HDFS。
    当然header的key值也可以自定义,在配置文件中引用的时候使用%{header中的key值}

[1]拦截器编写

package com.atguigu.interceptor;

import com.alibaba.fastjson.JSON;
import com.alibaba.fastjson.JSONObject;
import org.apache.flume.Context;
import org.apache.flume.Event;
import org.apache.flume.interceptor.Interceptor;

import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.List;

public class TimeStampInterceptor implements Interceptor {
    @Override
    public void initialize() {

    }

    /**
     * 对单个数据进行处理
     * @param event
     * @return
     */
    @Override
    public Event intercept(Event event) {
        //1、解析json
        String data = new String(event.getBody());
        //2、取出时间字段
        JSONObject obj = JSON.parseObject(data);
        //3、将时间字段添加到header中
        Long ts = obj.getLong("ts");
        //4、event返回
        //event.getHeaders().put("timestamp",""+ts);
        SimpleDateFormat format = new SimpleDateFormat("yyyyMMdd");
        String datestr = format.format(new Date(ts));
        event.getHeaders().put("datestr",datestr);
        return event;
    }

    @Override
    public List<Event> intercept(List<Event> events) {
        for(Event event:events){
           intercept(event);
        }
        return events;
    }

    @Override
    public void close() {

    }

    public static class Builder implements Interceptor.Builder {

        @Override
        public Interceptor build() {
            return new TimeStampInterceptor();
        }

        @Override
        public void configure(Context context) {

        }
    }
}

[2]服务器3 的Flume配置

#设置agent、channel、sink的名称
a1.channels = c1
a1.sinks = k1
a1.sources = s1

#描述source
a1.sources.s1.type = org.apache.flume.source.kafka.KafkaSource
a1.sources.s1.kafka.bootstrap.servers = hadoop102:9092,hadoop103:9092
a1.sources.s1.kafka.consumer.group.id = applog_group_2
a1.sources.s1.kafka.topics = applog
a1.sources.s1.batchSize = 1000
a1.sources.s1.batchDurationMillis = 1000

#拦截器
a1.sources.s1.interceptors = i1
a1.sources.s1.interceptors.i1.type = com.atguigu.interceptor.TimeStampInterceptor$Builder
#描述channel
a1.channels.c1.type = file
#数据存储路径
a1.channels.c1.dataDirs = /opt/module/flume/datas
#还没有被sink拉走的数据的快照存储路径
a1.channels.c1.checkpointDir = /opt/module/flume/checkpoint
#事务容量
a1.channels.c1.transactionCapacity = 1000
#快照多久保存一次
a1.channels.c1.checkpointInterval = 30000
#channel的容量
a1.channels.c1.capacity = 1000000
#描述sink
#描述sink
a1.sinks.k1.type = hdfs
#a1.sinks.k1.hdfs.path = hdfs://hadoop102:8020/applog/%Y%m%d
#直接获取header上格式好的日期字符串
a1.sinks.k1.hdfs.path = hdfs://hadoop102:8020/applog/%{datestr}
#文件前缀
a1.sinks.k1.hdfs.filePrefix = applog1-
#多久滚动生成一个新文件
a1.sinks.k1.hdfs.rollInterval = 3600
#文件多大之后滚动生成一个新文件
a1.sinks.k1.hdfs.rollSize = 133169152
#文件写入多少个event后滚动生成一个新文件，设置为0代表不按照此规则滚动
a1.sinks.k1.hdfs.rollCount = 0
#设置sink每次从channel中拉取多少个event
a1.sinks.k1.hdfs.batchSize = 1000
#指定压缩格式
a1.sinks.k1.hdfs.codeC = lzop
#指定文件类型为压缩
a1.sinks.k1.hdfs.fileType = CompressedStream
#是否按照时间规则生成文件夹
a1.sinks.k1.hdfs.round = true
#多久生成一个文件夹
a1.sinks.k1.hdfs.roundValue = 24
#时间单位
a1.sinks.k1.hdfs.roundUnit = hour

#管理source->channel->sink
a1.sources.s1.channels = c1
a1.sinks.k1.channel = c1
鸿儒之观
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Flume案例：实时采集python爬取的豆瓣最新电影
isyslab的博客
11-15 4240
首先，让我们看一下本案例的背景：通过python爬虫抓取豆瓣最新上映的电影信息，抓取的信息通过flume传输到HDFS中。python的版本是3.6，flume的版本是1.8。 Python 爬虫程序讲解 （1）编写网页爬虫程序，首先要对网页进行访问，python中使用的urllib库，代码如下： from urllib import request resp = request.urlo...
【数仓】通过Flume+kafka采集日志数据存储到Hadoop
最新发布
不积跬步无以至千里，不积小流无以成江海。一个喜欢学习分享的程序员
03-09 2383
通过将数据从不同的数据源采集并传输到指定的目的地，Flume可以帮助企业实现数据的集中存储和管理，为后续的数据分析和挖掘提供基础。它主要用于将大量的日志数据从不同的数据源收集起来，然后通过通道（Channel）进行传输，最终将数据传输到指定的目的地，如HDFS、HBase等。上表中的参数是最常用的，但并不是所有的参数都在所有版本的Flume中都可用。
Kafka集群与Flume整合应用实战--Flume采集日志写入Kafka
qq_36588424的博客
11-06 708
一、Flume的安装配置 去Flume官网下载Flume安装包，我下载的版本为apache-flume-1.9.0-bin.tar.gz，解压。 （1）修改flume-env.sh。Flume运行在JVM之上，因此安装之前要确保系统安装了JDK，编辑环境配置文件，执行命令如下： mv flume-env.sh.template ./flume-env.sh vim flume-env.sh export JAVA_HOME=/opt/java/jdk1.8.0_144 （2）设置系统环境变量。将flume
Flume日志采集流程(log-＞kafka-＞hdfs)
Mogeko1的博客
03-24 1504
Flume日志采集流程(log->kafka->hdfs)
Flume对接Kafka详细过程
热门推荐
奋斗不息，编码不止
01-04 1万+
一、为什么要集成Flume和Kafka 一般使用Flume+Kafka架构都是希望完成实时流式的日志处理，后面再连接上Storm/Spark Streaming等流式实时处理技术，从而完成日志实时解析的目标。如果Flume直接对接实时计算框架，当数据采集速度大于数据处理速度，很容易发生数据堆积或者数据丢失，而kafka可以当做一个消息缓存队列，从广义上理解，把它当做一个数据库，可以存放一段时间的数据。 因此数据从数据源到flume再到Kafka时，数据一方面可以同步到HDFS做离线计算，另一方面可以做实时计
Flume采集日志写到Hdfs(数仓项目)
Knight
02-17 6564
目录Flume版本选择项目流程Flume核心配置启动flume agent采集数据思考问题 hdfs路径是否正确flume自定义拦截器 Flume版本选择 Flume 1.6 无论是Spooling Directory Source和Exec Source均不能满足动态实时收集的需求 Flume 1.7+ 提供了一个非常好用的TaildirSource 使用这个source，可以监控一个目录，并且使用正则表达式匹配该目录中的文件名进行实时收集 Taildir Source可实时监控一批文件，并记录每个文
flume+kafka+flink+mysql数据统计
04-20
综合以上，Flume 负责数据采集，Kafka 提供消息缓冲和分发，Flink 完成实时分析，而 MySQL 存储最终的统计结果。这套架构在实时大数据处理场景下具有很好的性能和可靠性，适用于监控 Web 服务、进行业务洞察和故障...
kafka+flume 实时采集oracle数据到hive中.docx
08-11
使用Kafka和Flume可以实现实时采集Oracle数据到Hive中的需求。Kafka能够实时地从Oracle数据库中提取日志信息，而Flume能够实时地将数据写入到HDFS中。最后，Hive可以从HDFS中读取数据，并将其存储到Hive表中。
Kafka hdfs flume 数据采集实验
11-17
本实验的主题是“Kafka hdfs flume 数据采集实验”，涉及的关键技术包括Apache Kafka、Hadoop Distributed File System (HDFS) 和 Apache Flume，这些工具都是大数据生态中的重要组件。下面将详细阐述它们的功能、...
Flume + kafka + log4j构建日志采集系统
08-30
Flume + kafka + log4j构建日志采集系统，附实例及文档。
flume+kafka+sparkStream+redis实时日志采集.docx
12-20
在构建实时日志采集系统时，常常会使用到...以上是一个基于Flume、Kafka、Spark Streaming和Redis构建的实时日志采集和处理系统的简要概述。在实际应用中，还需要考虑系统扩展性、容错性、数据安全以及性能优化等问题。
kafka学习之监控与flume对接
weixin_44178366的博客
10-14 492
kafka学习之监控与对接flume kafka和flume的对接 kafkaSource,kafkaSink,kafkaChannel组件描述 1) KafkaSource 用于从kafka中读取数据. KafkaSource对于flume来讲是一个source的角色. 对于Kafka来讲，是一个消费者的角色. 2) KafkaSink 用于往Kafka中写数据 KafkaSink对于flume来讲是一个sink的角色,对于kafka来讲，是一个生产者的角色. 3
Apache flume+Kafka获取实时日志信息
weixin_30814319的博客
12-02 192
Flume简介以及安装 Flume是一个分布式的对海量日志进行采集，聚合和传输的系统。Flume系统分为三个组件，分别是source,sink,channel：source表明数据的来源，可能来自文件，Avro等，channel作为source和sink的桥梁，作为数据的临时存储地，channal是一个完整的事务,这一点保证了数据在收发的时候的一致性，支持的类型有: JDBC chann...
flume中 kafka sink flume自定义Interceptor实现消息分主题收集
weixin_46122692的博客
10-27 302
自定义 flume 拦截器类，并打包上传到 /flume/lib 下 import org.apache.flume.Context; import org.apache.flume.Event; import org.apache.flume.interceptor.Interceptor; import java.util.ArrayList; import java.util.List; import java.util.Map; /* 自定义flume 拦截器 */ public class Ka
如何利用flume进行日志采集
EverythingAtOnce的博客
12-24 3285
Apache Flume 是一个分布式、可靠、高可用的日志收集、聚合和传输系统。它常用于将大量日志数据从不同的源（如Web服务器、应用程序、传感器等）收集到中心化的存储或数据处理系统中。Apache Flume 是一个强大的数据收集和传输工具，可以轻松地处理大量的数据流。使用本文提供的示例和概念，可以开始使用 Flume 并适应不同的数据采集和传输需求。本篇文章就介绍到这里，感兴趣的同学可以自己去深入研究，使用flume完成日志采集、关键字告警等一整套的业务。
Hadoop高手之路8-Flume日志采集
W_chuanqi的博客
01-03 2308
Flume原是Cloudera公司提供的一个高可用的、高可靠的、分布式海量日志采集、聚合和传输系统，而后纳入到了Apache旗下，作为一个顶级开源项目。Apache Flume不仅只限于日志数据的采集，由于Flume采集的数据源是可定制的，因此Flume还可用于传输大量事件数据，包括但不限于网络流量数据、社交媒体生成的数据、电子邮件消息以及几乎任何可能的数据源。
日志数据产生 ——flume采集数据——kafka存储数据——flume消费kafka数据——hdfs
u011500419的专栏
01-11 742
一、说明： 1. 搭建flume 用来监控日志生成目录，将日志数据sink到kafka 2. kafka 存储数据，方便后续flume消费。另外也可以供spark streaming 消费。 3. 消费flume，消费kafka的数据，然后sink到hdfs 二、步骤 1.启动集群 2.清理log数据，即lg.sh 产生的数据 psall.sh rm -rf /tmp/logs...
数仓4.0笔记——用户行为数据采集四
zhangzhagn_的博客
07-19 380
数仓4.0笔记——用户行为数据采集四（观看尚硅谷视频笔记）flume
flume和kafka
01-24
Flume和Kafka是两个常用的大数据处理工具，可以结合使用来实现数据的采集、传输和存储。 Flume是一个分布式、可靠且可扩展的日志收集和聚合系统。它通过定义数据流的源、通道和目标来实现数据的采集和传输。Flume提供了多种源和目标的实现，可以从各种数据源（如日志文件、网络流、消息队列等）中采集数据，并将数据传输到目标位置（如HDFS、HBase、Kafka等）。Flume的主要特点是可靠性和可扩展性，可以处理大规模的数据流，并且支持故障恢复和负载均衡。 Kafka是一个分布式的、可持久化的消息队列系统。它以高吞吐量、低延迟和可靠性为目标，适用于处理大规模的实时数据流。Kafka将数据以分区的方式进行存储，并提供了高效的读写机制。它支持多个生产者和消费者，并且可以水平扩展以适应不断增长的数据流量。Kafka的主要特点是高性能、可靠性和可扩展性，适用于构建实时数据流处理系统。 结合使用Flume和Kafka可以实现数据的采集、传输和存储。通常的做法是使用Flume作为数据的采集和传输工具，将数据从各种源头采集到Kafka中，然后再使用Kafka将数据传输到目标位置进行存储和处理。这种方式可以充分利用Flume的数据采集和传输能力，同时也能充分发挥Kafka的高吞吐量和可靠性。

“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