夜莺监控系统告警数据分析与报告生成脚本

已于 2024-08-27 18:12:02 修改
阅读量1.1k 收藏 10
点赞数 23
文章标签： 数据分析 数据挖掘 python 网络安全 安全 linux windows
于 2024-08-27 18:02:11 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/zhumengkang123/article/details/141609318
版权

夜莺监控系统告警数据分析与报告生成脚本

脚本概述

这是一个用于分析夜莺监控系统告警数据并生成可视化报告的Python脚本。它能够自动获取未恢复的告警信息，进行数据分析，生成统计图表，并将报告发送到指定的钉钉群组。

个人博客

个人博客直达地址
网站不断完善中里面拥有大量的脚本，并且源码完全开放 欢迎纯白嫖。

效果图

在这里插入图片描述

主要功能

  1. 数据获取：通过API从夜莺监控系统获取最近7天的未恢复告警数据。
  2. 数据分析：对获取的告警数据进行统计和分析。
  3. 可视化：使用matplotlib和seaborn生成多种统计图表。
  4. 报告生成：创建包含统计摘要和可视化图表的综合报告。
  5. OSS上传：将生成的报告图片上传到阿里云OSS存储。
  6. 消息推送：通过钉钉机器人将报告发送到指定群组。

详细功能说明

1. 数据获取

  • 使用get_access_token()函数获取夜莺API的访问令牌。
  • 通过query_unrecovered_alerts()函数获取未恢复的告警数据。

2. 数据分析

  • generate_summary()函数生成告警数据的文字摘要，包括总告警次数、时间范围、告警类型分布、严重级别分布和处理状态分布。

3. 可视化

generate_report()函数生成多个统计图表：

  • 每个集群的告警次数分布
  • 每个服务的告警次数分布
  • 每天的告警数量趋势
  • 告警严重级别分布
  • 告警处理状态分布
  • 每条规则的告警次数分布
  • 每个标签的告警次数分布

4. 报告生成

  • 将统计摘要和可视化图表整合为一个完整的报告。

5. OSS上传

  • 使用upload_to_oss()函数将生成的报告图片上传到阿里云OSS。

6. 消息推送

  • send_to_webhook()函数将报告通过钉钉机器人发送到指定群组。

使用说明

  1. 确保已安装所有必要的Python库：requests, pandas, matplotlib, seaborn, oss2。
  2. 配置环境变量：
    • OSS_ACCESS_KEY_ID：阿里云OSS的AccessKey ID
    • OSS_ACCESS_KEY_SECRET：阿里云OSS的AccessKey Secret
  3. 修改脚本中的以下参数：
    • 夜莺API的URL和登录凭证
    • 阿里云OSS的bucket名称和endpoint
    • 钉钉机器人的webhook URL
  4. 运行脚本：python script_name.py

注意事项

  1. API访问限制：注意夜莺API的访问频率限制，避免频繁调用导致被封禁。
  2. 数据安全：脚本处理敏感的监控数据，确保运行环境的安全性。
  3. 依赖管理：确保所有依赖库的版本兼容，建议使用虚拟环境。
  4. 错误处理：脚本包含基本的错误处理，但在生产环境中可能需要更robust的错误处理机制。
  5. 定制化：根据实际需求，可能需要调整图表样式、报告内容等。
  6. 资源消耗：生成大量图表可能消耗较多CPU和内存，注意监控资源使用。
  7. 字体配置：确保系统中安装了指定的中文字体（wqy-zenhei），否则可能导致中文显示问题。
  8. OSS配置：确保OSS配置正确，包括访问权限和存储策略。
  9. 钉钉限制：注意钉钉机器人的消息发送频率和大小限制。

代码结构

脚本主要包含以下几个关键函数：

  1. get_access_token(): 获取API访问令牌
  2. query_unrecovered_alerts(): 查询未恢复的告警
  3. convert_unix_to_datetime(): 转换Unix时间戳
  4. generate_summary(): 生成告警摘要
  5. generate_report(): 生成可视化报告
  6. upload_to_oss(): 上传图片到OSS
  7. send_to_webhook(): 发送报告到钉钉

未来改进方向

  1. 添加更多的数据分析维度和图表类型
  2. 实现定时自动运行功能
  3. 增加邮件发送选项
  4. 优化性能，减少API调用次数
  5. 增加交互式选项，允许用户自定义报告内容
#!/usr/bin/python3
import requests
import json
import pandas as pd
from io import BytesIO
from datetime import datetime
import oss2
import os
import matplotlib.pyplot as plt
import seaborn as sns
from matplotlib import font_manager as fm
from datetime import datetime, timedelta
# 获取当前时间
now = datetime.now()
now_days = now.strftime("%Y-%m-%d %H:%M:%S")

# 计算7天前的日期
seven_days_ago = now - timedelta(days=7)
seve_days = seven_days_ago.strftime("%Y-%m-%d %H:%M:%S")
# 设置字体路径
font_path = "/usr/share/fonts/wqy-zenhei/wqy-zenhei.ttc"
font_prop = fm.FontProperties(fname=font_path)
plt.rcParams['font.family'] = 'wqy-zenhei'
plt.rcParams.update({'font.size': 30})

# 登录并获取 access_token
def get_access_token():
    url = "http://自己夜莺的域名:18000/api/n9e/auth/login"
    data = {"username": "zhumengkang", "password": "hp12580"}
    response = requests.post(url, json=data)
    response.raise_for_status()
    return response.json()["dat"]["access_token"]

# 查询未恢复的报警
def query_unrecovered_alerts(access_token, hours=168, limit=500, page=1):
    headers = {"Authorization": f"Bearer {access_token}"}
    url = "http://自己夜莺的域名/api/n9e/alert-his-events/list"
    params = {"bgid": -1, "hours": hours, "limit": limit, "p": page}
    print(str(url)+str(params))
    response = requests.get(url, headers=headers, params=params)
    response.raise_for_status()
    return response.json()["dat"]["list"]

# 将Unix时间戳转换为日期格式
def convert_unix_to_datetime(df, column_name):
    df[column_name] = pd.to_datetime(df[column_name], unit='s', errors='coerce')
    return df

# 生成汇总报告
def generate_summary(alerts):
    df = pd.DataFrame(alerts)
    if df.empty:
        return "没有未恢复的报警记录。"

    # 转换时间戳
    df = convert_unix_to_datetime(df, 'trigger_time')
    df = convert_unix_to_datetime(df, 'recover_time')

    summary = "## 未恢复报警汇总报告\n\n"
    summary += f"- 总报警次数: {len(df)}\n"
    summary += f"- 时间范围: {seve_days} 到 {now_days}\n\n"

    # 报警类型
    if 'cate' in df.columns:
        type_dist = df['cate'].value_counts()
        summary += "### 报警类型分布\n"
        for alert_type, count in type_dist.items():
            summary += f"- 类型 {alert_type}: {count} 次\n"

    # 严重级别
    if 'severity' in df.columns:
        severity_dist = df['severity'].value_counts()
        summary += "### 报警严重级别分布\n"
        for level, count in severity_dist.items():
            summary += f"- 级别 {level}: {count} 次\n"

    # 处理状态
    if 'is_recovered' in df.columns:
        status_dist = df['is_recovered'].value_counts()
        summary += "### 处理状态分布\n"
        for status, count in status_dist.items():
            summary += f"- 状态 {status}: {count} 次\n"

    return summary


# 生成并保存报表
def generate_report(df):
    # 检查并转换时间列
    df = convert_unix_to_datetime(df, 'trigger_time')

    # 处理数据
    df['date'] = df['trigger_time'].dt.date

    image_buffer = BytesIO()
    plt.figure(figsize=(50, 36), dpi=100)  # 增加图像大小和分辨率
    sns.set(style="whitegrid")

    # 1. 每个集群的报警次数分布
    plt.subplot(4, 2, 1)
    cluster_dist = df['cluster'].value_counts()
    sns.barplot(x=cluster_dist.index, y=cluster_dist.values, palette='viridis')
    plt.title("每个集群的报警次数", fontproperties=font_prop, fontsize=45)
    plt.xlabel("集群", fontproperties=font_prop, fontsize=35)
    plt.ylabel("报警次数", fontproperties=font_prop, fontsize=35)
    plt.xticks(fontproperties=font_prop, fontsize=30)
    plt.yticks(fontproperties=font_prop, fontsize=30)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

    # 2. 每个服务的报警次数分布
    plt.subplot(4, 2, 2)
    project_dist = df['tags'].apply(
        lambda x: next((tag.split('=')[1] for tag in x if tag.startswith('project=')), '未知')).value_counts()
    sns.barplot(x=project_dist.index, y=project_dist.values, palette='magma')
    plt.title("每个服务的报警次数", fontproperties=font_prop, fontsize=45)
    plt.xlabel("服务", fontproperties=font_prop, fontsize=35)
    plt.ylabel("报警次数", fontproperties=font_prop, fontsize=35)
    plt.xticks(fontproperties=font_prop, fontsize=30)
    plt.yticks(fontproperties=font_prop, fontsize=30)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

    # 3. 每天的报警数量
    plt.subplot(4, 2, 3)
    daily_dist = df['date'].value_counts().sort_index()
    sns.lineplot(x=daily_dist.index, y=daily_dist.values, marker='o', color='teal')
    plt.title("每天的报警数量", fontproperties=font_prop, fontsize=45)
    plt.xlabel("日期", fontproperties=font_prop, fontsize=35)
    plt.ylabel("报警次数", fontproperties=font_prop, fontsize=35)
    plt.xticks(rotation=90, fontproperties=font_prop, fontsize=30)
    plt.yticks(fontproperties=font_prop, fontsize=30)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

    # 4. 严重级别分布
    plt.subplot(4, 2, 4)
    severity_dist = df['severity'].value_counts()
    sns.barplot(x=severity_dist.index, y=severity_dist.values, palette='Set1')
    plt.title("报警严重级别分布", fontproperties=font_prop, fontsize=45)
    plt.xlabel("严重级别", fontproperties=font_prop, fontsize=35)
    plt.ylabel("报警次数", fontproperties=font_prop, fontsize=35)
    plt.xticks(fontproperties=font_prop, fontsize=30)
    plt.yticks(fontproperties=font_prop, fontsize=30)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

    # 5. 处理状态分布
    plt.subplot(4, 2, 5)
    status_dist = df['is_recovered'].value_counts()
    sns.barplot(x=status_dist.index, y=status_dist.values, palette='Set2')
    plt.title("处理状态分布", fontproperties=font_prop, fontsize=45)
    plt.xlabel("处理状态", fontproperties=font_prop, fontsize=35)
    plt.ylabel("报警次数", fontproperties=font_prop, fontsize=35)
    plt.xticks(fontproperties=font_prop, fontsize=30)
    plt.yticks(fontproperties=font_prop, fontsize=30)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

    # 6. 每条规则的报警次数分布
    plt.subplot(4, 2, 6)
    rule_dist = df['rule_name'].value_counts()
    sns.barplot(x=rule_dist.index, y=rule_dist.values, palette='cubehelix')
    plt.title("每条规则的报警次数", fontproperties=font_prop, fontsize=45)
    plt.xlabel("规则名称", fontproperties=font_prop, fontsize=35)
    plt.ylabel("报警次数", fontproperties=font_prop, fontsize=35)
    plt.xticks(rotation=90, fontproperties=font_prop, fontsize=30)
    plt.yticks(fontproperties=font_prop, fontsize=30)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

    # 7. 每个标签的报警次数分布
    plt.subplot(4, 2, 7)
    tag_dist = df['tags'].explode().value_counts()
    sns.barplot(x=tag_dist.index, y=tag_dist.values, palette='Spectral')
    plt.title("每个标签的报警次数", fontproperties=font_prop, fontsize=45)
    plt.xlabel("标签", fontproperties=font_prop, fontsize=35)
    plt.ylabel("报警次数", fontproperties=font_prop, fontsize=35)
    plt.xticks(rotation=90, fontproperties=font_prop, fontsize=30)
    plt.yticks(fontproperties=font_prop, fontsize=30)
    plt.grid(axis='y', linestyle='--', alpha=0.7)

    plt.tight_layout()
    plt.savefig(image_buffer, format='png')
    image_buffer.seek(0)
    return image_buffer

# 上传图片到 OSS 并使用唯一文件名
def upload_to_oss(image_buffer, bucket_name):
    timestamp = datetime.now().strftime("%Y%m%d%H%M%S")
    object_name = f'夜莺_{timestamp}.png'
    auth = oss2.Auth(os.getenv('OSS_ACCESS_KEY_ID'), os.getenv('OSS_ACCESS_KEY_SECRET'))
    bucket = oss2.Bucket(auth, 'https://oss-cn-hangzhou.aliyuncs.com', bucket_name)
    bucket.put_object(object_name, image_buffer)
    print(f"文件上传成功: {object_name}")
    return object_name
# 发送到 Webhook
def send_to_webhook(image_url, summary):
    webhook_url = "https://oapi.dingtalk.com/robot/send?access_token=3d3c3a0e7f45bd760b6d0dde83fe5b193783a50a9db5a5f92db1b27c54XXXXX"
    headers = {"Content-Type": "application/json"}
    data = {
        "msgtype": "markdown",
        "markdown": {
            "title": "报警汇总报告",
            "text": f"## TEST报警报告\n{summary}\n![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/images/20230724024159.png?origin_url=%7Bimage_url%7D&pos_id=img-QWDlaO17-1724752842269)"
        },
        "at": {
            "isAtAll": True  # @所有人
        }
    }
    response = requests.post(webhook_url, headers=headers, data=json.dumps(data))
    print("Webhook 响应状态码:", response.status_code)
    print("Webhook 响应内容:", response.text)
    response.raise_for_status()
    print("消息发送成功")



if __name__ == "__main__":
    try:
        access_token = get_access_token()
        alerts = query_unrecovered_alerts(access_token, hours=168, limit=500, page=1)

        # 调试信息：打印获取到的告警数据
        print("获取到的告警数据:")
        print(alerts)

        summary = generate_summary(alerts)
        df = pd.DataFrame(alerts)

        # 调试信息：打印数据框信息
        print("数据框信息:")
        print(df.info())
        print("数据框前几行:")
        print(df.head())

        if not df.empty:
            image_buffer = generate_report(df)

            # 上传到 OSS
            object_name = upload_to_oss(image_buffer, '自己OSS的名称')

            # 生成图片 URL
            image_url = f"https://自己OSS的名称.oss-cn-hangzhou.aliyuncs.com/{object_name}"

            # 发送到 Webhook
            send_to_webhook(image_url, summary)
        else:
            print("没有数据生成报告")
    except Exception as e:
        print(f"发生错误: {e}")
脚本小能手
关注
开源运维监控系统-Nightingale（夜莺）应用实践
企业实战系列集 ●●● https://ximenjianxue.blog.csdn.net
11-27 2684
某业务系统因OS改造，原先的Zabbix监控系统推倒后未重建，本来计划用外部企业内其他监控系统接入，后又通知需要自建才能对接，考虑之前zabbix的一些不便，本次计划采用一个类Prometheus的监控系统，镜调研后发现Nightingale兼容Prometheus，又有一些其他功能增强，又在一些大的企业经过较大规模部署实践，故本次采用Nightingale作为监控系统来进行重建。
夜莺V6监控系统功能梳理
weixin_44533365的博客
10-26 953
最近接到任务需要调研夜莺监控系统，于是自己用docker部署了一套，由于之前从来没有接触过类似的系统，所以写下这篇文章用来记录使用心得。
本地nightingale观测分析工具安装与远程连接夜莺监控详细教程
m0_73879806的博客
07-15 1055
本文主要介绍如何在本地Linux系统部署 Nightingale 夜莺监控并结合cpolar内网穿透工具实现远程也可以访问，提高运维效率。解决本地部署后无法远程访问的难题。夜莺监控是一款开源云原生观测分析工具，采用 All-in-One 的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，提供开箱即用的企业级监控分析和告警能力。夜莺于 2020 年 3 月 20 日，在 github 上发布 v1 版本，已累计迭代 100 多个版本。
Linux系统部署Nightingale夜莺监控结合内网穿透实现远程访问监控分析
m0_69984273的博客
07-18 594
本文主要介绍如何在本地Linux系统部署 Nightingale 夜莺监控并结合cpolar内网穿透工具实现远程也可以访问，提高运维效率。解决本地部署后无法远程访问的难题。夜莺监控是一款开源云原生观测分析工具，采用 All-in-One 的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，提供开箱即用的企业级监控分析和告警能力。夜莺于 2020 年 3 月 20 日，在 github 上发布 v1 版本，已累计迭代 100 多个版本。
Linux系统部署夜莺监控分析工具结合内网穿透无公网IP远程分析数据
weixin_58070962的博客
08-12 1131
Linux系统部署夜莺监控分析工具结合内网穿透无公网IP远程分析数据
[夜莺监控系列5]夜莺生产环境部署-3
weixin_42924568的博客
08-07 742
本章节主要讲 prometheus-pushgateway和ibex的安装、配置、告警及使用。以及n9e server获取host异常，进行源码分析和问题解决。
常用开源监控系统分析推荐
HelloWorld搬运工
10-23 2027
在互联网信息爆炸式快速发展的今天，各类复杂多样的平台系统相继涌出。如何选择最佳的监控产品以更好地维护这些平台和系统是每个 IT 人员都需面临的难题。本文将从开源监控产品的起源和发展，详细解析各个时代热门监控产品的优势和劣势，并结合各个监控产品的使用场景，帮你选择出最适合自己的开源监控产品。因篇幅和时间原因，下面介绍的资料和理解可能和实际情况有所偏差，欢迎大家留言或者加入微信群批评指正。作者：Ethan Chen 云智慧解决方案架构师，拥有丰富的运维理论及实战经验。
最详细的开源监控系统对比分析！建议收藏
民工哥的博客
06-10 2193
点击关注公众号，回复“1024”获取2TB学习资源！在互联网信息爆炸式快速发展的今天，各类复杂多样的平台系统相继涌出。如何选择最佳的监控产品以更好地维护这些平台和系统是每个 IT 人员都需面临的难题。本文将从开源监控产品的起源和发展，详细解析各个时代热门监控产品的优势和劣势，并结合各个监控产品的使用场景，帮你选择出最适合自己的开源监控产品。作者：Ethan Chen ，云...
Linux本地部署Nightingale夜莺监控并实现远程访问提高运维效率
关注收藏，可以私信解决问题！
05-22 735
夜莺监控是一款开源云原生观测分析工具，采用 All-in-One 的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，提供开箱即用的企业级监控分析和告警能力。夜莺于 2020 年 3 月 20 日，在 github 上发布 v1 版本，已累计迭代 100 多个版本。本地部署后,为解决无法远程访问的难题,今天我们介绍如何实现让本地 nightingale 结合 cpolar 内网穿透工具实现 远程也可以访问,提高运维效率.
夜莺监控系统安装包下载
02-06
夜莺监控（ Nightingale ）是一款国产、开源云原生监控分析系统，采用 All-In-One 的设计，集数据采集、可视化、监控告警、数据分析于一体。于 2020 年 3 月 20 日，在 github 上发布 v1 版本，已累计迭代 60 多个...
监控告警平台的国产化选择—Rancher与夜莺的集成
Rancher
05-25 1405
本文以 Rancher 与夜莺的整合为视角，为社区用户提供一些新的线索，这是打造一站式监控告警的另一个选择。
夜莺监控系统说明
liuhuangjian的博客
12-22 904
夜莺监控是一款开源云原生观测分析工具，采用 All-in-One 的设计理念，集数据采集、可视化、监控告警、数据分析于一体，与云原生生态紧密集成，提供开箱即用的企业级监控分析和告警能力。夜莺于 2020 年 3 月 20 日，在 github 上发布 v1 版本，已累计迭代 100 多个版本。夜莺最初由滴滴开发和开源，并于 2022 年 5 月 11 日，捐赠予中国计算机学会开源发展委员会（CCF ODC），为 CCF ODC 成立后接受捐赠的第一个开源项目。
Python NumPy 数据分析：处理复杂数据的高效方法
敲代码别忘了喝上一杯凉白开。
09-28 763
本文详细介绍了如何使用 Python 和 NumPy 对复杂数据进行高效的数据分析。通过从 [Kaggle](https://www.kaggle.com/) 获取的公开数据集，演示了如何读取 CSV 文件、提取特定日期和字段的数据，并进行数据的统计与分析。本文展示了使用 NumPy 进行数据操作的便捷方式，如通过索引获取指定行列数据，计算累计数值和新增长的总数，还讲解了如何计算比率、平均值、标准差等关键统计数据。文章还包括完整的代码示例，帮助读者轻松上手进行复杂数据的分析任务。
《Python编程:从入门到实践》数据可视化
2302_77272988的博客
09-27 1376
要修改数据点的颜色，可向scatter()传递参数c，并将其设置为要使用的颜色的名称你还可以使用RGB颜色模式自定义颜色。要指定自定义颜色，可传递参数c，并将其设置为一个元组，其中包含三个0~1之间的小数值，它们分别表示红色、绿色和蓝色分量。s=40)# 设置图表标题并给坐标轴加上标签# 设置刻度标记的大小# 设置每个坐标轴的取值范围plt.show()值越接近0，指定的颜色越深，值越接近1，指定的颜色越浅在Pygal中，将鼠标指向条形将显示它表示的信息，这通常称为工具提示。
共享单车轨迹数据分析：以厦门市共享单车数据为例（八）
weixin_45812624的博客
09-26 1639
本文基于POI数据，运用优劣解距离法（TOPSIS）对厦门市地铁站的发展情况进行综合评价。TOPSIS是一种多属性决策分析方法，通过计算每个备选方案与理想解和负理想解的距离，评估各个方案的优劣。首先，将不同属性值转换成统一的优化方向，然后通过最大最小值归一化方法进行标准化处理。接着，确定每个属性的理想解和负理想解，计算每个站点与理想解和负理想解的欧氏距离。最后，计算每个站点的相对接近度并进行排序，选择相对接近度最大的站点作为最优方案。结果显示，前10名站点中有7座属于1号线，2号线和3号线各一座。这些站点的
LLM 构建Data Multi-Agents 赋能数据分析平台的实践之⑥：NL2SQL技术探讨
最新发布
weixin_43990004的博客
09-30 1038
NL2SQL（Natural Language to SQL）是一种将自然语言转换为结构化查询语言的技术。它可以帮助用户通过使用自然语言来与数据库进行交互，而无需了解复杂的SQL语法。NL2SQL技术的背景：随着人工智能的发展，越来越多的人开始尝试使用自然语言处理技术来解决实际问题。其中，NL2SQL就是一种非常重要的应用领域。它的目标是让用户能够通过简单的自然语言指令来访问和操作数据库中的数据，从而提高工作效率和用户体验。NL2SQL技术的难点：实现NL2SQL需要解决许多挑战性的问题。
数据分析powerbi DAX日常笔记（一）
一峰的技术博客
09-27 396
【新建列】商品名称 = LookupValue(‘商品表’[商品名称],‘商品表’[商品编码],‘销售表’[商品编码])表 = Calculatetable(‘销售表’,‘商品表’[品名]= “A”, ‘商品表’[进价] = 0.1)多条件 = calculate([总销量].‘商品表’[品名] = “A”, ‘商品表’[进阶] = 0.1)多条件1 = Calculate([总销量].‘商品表’[品名] in {“A”,“B”,“C”})商品表中商品总数 = countRows(’商品表‘)
夜莺监控服务器部署与告警集成
夜莺监控搭建指南主要涉及服务器端的配置和告警集成，以实现对设备的高效管理和性能监控。以下将详细介绍如何进行夜莺服务端的设置，以及如何在不同环境中部署组件，包括关闭防火墙、安装Prometheus和设置告警通知到...
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

脚本小能手

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