电商平台分析平台----需求三:热门top10商品

最新推荐文章于 2023-05-19 15:56:57 发布
最新推荐文章于 2023-05-19 15:56:57 发布
阅读量1.1k 收藏 7
点赞数
分类专栏： 电商分析平台 文章标签： 大数据项目 spark项目
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/zisuu/article/details/106335694
版权

做什么?

在符合条件的用户行为数据中，获取点击、下单和支付数量排名前10的品类。在Top10的排序中，按照点击数量、下单数量、支付数量的次序进行排序，即优先考虑点击数量。

需求分析

在这里插入图片描述
首先我们想要得到的是在符合条件的action中,统计排名前十的热门商品.并且排名的依据是根据点击数量、下单数量、支付数量的次序进行排序的.所以通过逆推:
top10商品–>(id,(clickCount=83|orderCount=67|payCount=63))------>分别统计(id,clickCount=…),(id,orderCount=…)--------------->需要得到符合条件的原始数据

步骤分析

  1. 得到符合需求一中过滤条件的原始数据—join算子
    val actionRdd=serverOne.getOriActionRDD(session,task);
    val sessionId2ActionRDD = actionRdd.map{
      item => (item.session_id, item)
    }
    val sessionId2FilterActionRDD=sessionId2ActionRDD.join(FilterInfo).map {
      case (sessionId,(action,info))=>{
        (sessionId,action);
      }
    }
  1. 获取所有发生过点击、下单、支付行为的categoryId
 var cid2CidRdd=sessionId2FilterActionRDD.flatMap{
      case(sessionId,action: UserVisitAction)=>{
        val categoryBuffer=new ArrayBuffer[(Long,Long)]();
        // 点击行为
        if(action.click_category_id != -1){
          categoryBuffer += ((action.click_category_id, action.click_category_id))
        }else if(action.order_category_ids != null){
          for(orderCid <- action.order_category_ids.split(","))
            categoryBuffer += ((orderCid.toLong, orderCid.toLong))
        }else if(action.pay_category_ids != null){
          for(payCid <- action.pay_category_ids.split(","))
            categoryBuffer += ((payCid.toLong, payCid.toLong))
        }
        categoryBuffer
      }
    }
    cid2CidRdd=cid2CidRdd.distinct();
  1. 分别统计点击、下单、支付行为的数量:
 // 第二步：统计品类的点击次数、下单次数、付款次数
    val cid2ClickCountRDD = getClickCount(sessionId2FilterActionRDD)

    val cid2OrderCountRDD = getOrderCount(sessionId2FilterActionRDD)

    val cid2PayCountRDD = getPayCount(sessionId2FilterActionRDD)

def getClickCount(sessionId2FilterActionRDD: RDD[(String, UserVisitAction)])={
     val clickFilterRDD=sessionId2FilterActionRDD.filter{
       case (sessionId,action: UserVisitAction)=>{
          action.click_category_id != -1L;
       }
     }
    val clickNumRDD = clickFilterRDD.map{
      case (sessionId, action) => (action.click_category_id, 1L)
    }

    clickNumRDD.reduceByKey(_+_)
  }
  def getOrderCount(sessionId2FilterActionRDD: RDD[(String, UserVisitAction)])={
     val orderFilterRDD=sessionId2FilterActionRDD.filter(item=>item._2.order_category_ids!=null)
     val orderNumRDD=orderFilterRDD.flatMap{
       case (sessionId,action)=>{

          for(id<-action.order_category_ids.split(",")){

          }
         action.order_category_ids.split(",").map(item=>(item.toLong,1L));
       }
     }
    orderNumRDD.reduceByKey(_+_);
  }
  def getPayCount(sessionId2FilterActionRDD: RDD[(String, UserVisitAction)]) = {
    val payFilterRDD = sessionId2FilterActionRDD.filter(item => item._2.pay_category_ids != null)

    val payNumRDD = payFilterRDD.flatMap{
      case (sid, action) =>
        action.pay_category_ids.split(",").map(item => (item.toLong, 1L))
    }

    payNumRDD.reduceByKey(_+_)
  }
  1. 用左连接算子,统计总的数据,最后格式为:categoryId,str,str代表总的数据:(clickCount=83|orderCount=67|payCount=63)
def getFullCount(cid2CidRDD: RDD[(Long, Long)], cid2ClickCountRDD: RDD[(Long, Long)], cid2OrderCountRDD: RDD[(Long, Long)], cid2PayCountRDD: RDD[(Long, Long)]) = {
    val cid2ClickInfoRDD=cid2CidRDD.leftOuterJoin(cid2ClickCountRDD).map{
      case (cId,(categoryId,option))=>{
        val clickCount=if (option.isDefined)option.getOrElse(0);
        val aggrCount = Constants.FIELD_CATEGORY_ID + "=" + cId + "|" +
          Constants.FIELD_CLICK_COUNT + "=" + clickCount

        (cId, aggrCount)
      }
    }
    val cid2OrderInfoRDD = cid2ClickInfoRDD.leftOuterJoin(cid2OrderCountRDD).map{
      case (cid, (clickInfo, option)) =>
        val orderCount = if(option.isDefined) option.get else 0
        val aggrInfo = clickInfo + "|" +
          Constants.FIELD_ORDER_COUNT + "=" + orderCount

        (cid, aggrInfo)
    }

    val cid2PayInfoRDD = cid2OrderInfoRDD.leftOuterJoin(cid2PayCountRDD).map{
      case (cid, (orderInfo, option)) =>
        val payCount = if(option.isDefined) option.get else 0
        val aggrInfo = orderInfo + "|" +
          Constants.FIELD_PAY_COUNT + "=" + payCount
        (cid, aggrInfo)
    }
    cid2PayInfoRDD;

  }
  1. 自定义排序器,将数据转化为(sortKey,info)格式,接着用sorkByKey及逆行排序
    自定义排序:
package server

case class SortKey(clickCount:Long, orderCount:Long, payCount:Long) extends Ordered[SortKey]{
  // this.compare(that)
  // this compare that
  // compare > 0   this > that
  // compare <0    this < that
  override def compare(that: SortKey): Int = {
    if(this.clickCount - that.clickCount != 0){
      return (this.clickCount - that.clickCount).toInt
    }else if(this.orderCount - that.orderCount != 0){
      return (this.orderCount - that.orderCount).toInt
    }else{
      return (this.payCount - that.payCount).toInt
    }
  }
}


val sortRDD=cid2FullCountRDD.map{
      case (cId,info)=>{
        val clickCount = StringUtil.getFieldFromConcatString(info, "\\|", Constants.FIELD_CLICK_COUNT).toLong
        val orderCount = StringUtil.getFieldFromConcatString(info, "\\|", Constants.FIELD_ORDER_COUNT).toLong
        val payCount = StringUtil.getFieldFromConcatString(info, "\\|", Constants.FIELD_PAY_COUNT).toLong

        val sortKey = SortKey(clickCount, orderCount, payCount)
        (sortKey, info)
      }
    }
    //5.排序
    val top10=sortRDD.sortByKey(false).take(10);
  1. 数据封装,写入数据库
//6.封装数据,写进数据库
    val top10CategoryRDD = sparkSession.sparkContext.makeRDD(top10).map{
      case (sortKey, countInfo) =>
        val cid = StringUtil.getFieldFromConcatString(countInfo, "\\|", Constants.FIELD_CATEGORY_ID).toLong
        val clickCount = sortKey.clickCount
        val orderCount = sortKey.orderCount
        val payCount = sortKey.payCount
        Top10Category(taskUUID, cid, clickCount, orderCount, payCount)
    }

    //保存到数据库
    /* import sparkSession.implicits._
     top10CategoryRDD.toDF().write
       .format("jdbc")
       .option("url", ConfigurationManager.config.getString(Constants.JDBC_URL))
       .option("user", ConfigurationManager.config.getString(Constants.JDBC_USER))
       .option("password", ConfigurationManager.config.getString(Constants.JDBC_PASSWORD))
       .option("dbtable", "top10_category_0308")
       .mode(SaveMode.Append)
       .save*/

完整代码:

package server

import commons.constant.Constants
import commons.model.{Top10Category, UserVisitAction}
import commons.utils.StringUtil
import org.apache.spark.rdd.RDD
import org.apache.spark.sql.SparkSession

import scala.collection.mutable.ArrayBuffer

class serverThree  extends Serializable {




  def top10PopularCategories(sparkSession: SparkSession,
                             taskUUID: String,
                             sessionId2FilterActionRDD: RDD[(String, UserVisitAction)])={
    //1.将所有基本数据,转化成(cId,cId)格式的总数据
    var cid2CidRdd=sessionId2FilterActionRDD.flatMap{
      case(sessionId,action: UserVisitAction)=>{
        val categoryBuffer=new ArrayBuffer[(Long,Long)]();
        // 点击行为
        if(action.click_category_id != -1){
          categoryBuffer += ((action.click_category_id, action.click_category_id))
        }else if(action.order_category_ids != null){
          for(orderCid <- action.order_category_ids.split(","))
            categoryBuffer += ((orderCid.toLong, orderCid.toLong))
        }else if(action.pay_category_ids != null){
          for(payCid <- action.pay_category_ids.split(","))
            categoryBuffer += ((payCid.toLong, payCid.toLong))
        }
        categoryBuffer
      }
    }
    cid2CidRdd=cid2CidRdd.distinct();
    // 第二步：统计品类的点击次数、下单次数、付款次数
    val cid2ClickCountRDD = getClickCount(sessionId2FilterActionRDD)

    val cid2OrderCountRDD = getOrderCount(sessionId2FilterActionRDD)

    val cid2PayCountRDD = getPayCount(sessionId2FilterActionRDD)

    //3.根据左连接,将总的数据cid2CidRdd和第二部得到的数据一个个进行连接,创造出cid:str
    //其中,str代表count=32|order=15.......
    val cid2FullCountRDD =  getFullCount(cid2CidRdd,cid2ClickCountRDD,cid2OrderCountRDD,cid2PayCountRDD);

    //4.自定义排序器,将数据转化为(sortKey,info)
    val sortRDD=cid2FullCountRDD.map{
      case (cId,info)=>{
        val clickCount = StringUtil.getFieldFromConcatString(info, "\\|", Constants.FIELD_CLICK_COUNT).toLong
        val orderCount = StringUtil.getFieldFromConcatString(info, "\\|", Constants.FIELD_ORDER_COUNT).toLong
        val payCount = StringUtil.getFieldFromConcatString(info, "\\|", Constants.FIELD_PAY_COUNT).toLong

        val sortKey = SortKey(clickCount, orderCount, payCount)
        (sortKey, info)
      }
    }
    //5.排序
    val top10=sortRDD.sortByKey(false).take(10);
    top10.foreach(println);
    //6.封装数据,写进数据库
    val top10CategoryRDD = sparkSession.sparkContext.makeRDD(top10).map{
      case (sortKey, countInfo) =>
        val cid = StringUtil.getFieldFromConcatString(countInfo, "\\|", Constants.FIELD_CATEGORY_ID).toLong
        val clickCount = sortKey.clickCount
        val orderCount = sortKey.orderCount
        val payCount = sortKey.payCount
        Top10Category(taskUUID, cid, clickCount, orderCount, payCount)
    }

    //保存到数据库
    /* import sparkSession.implicits._
     top10CategoryRDD.toDF().write
       .format("jdbc")
       .option("url", ConfigurationManager.config.getString(Constants.JDBC_URL))
       .option("user", ConfigurationManager.config.getString(Constants.JDBC_USER))
       .option("password", ConfigurationManager.config.getString(Constants.JDBC_PASSWORD))
       .option("dbtable", "top10_category_0308")
       .mode(SaveMode.Append)
       .save*/
    top10

  }

  def getFullCount(cid2CidRDD: RDD[(Long, Long)], cid2ClickCountRDD: RDD[(Long, Long)], cid2OrderCountRDD: RDD[(Long, Long)], cid2PayCountRDD: RDD[(Long, Long)]) = {
    val cid2ClickInfoRDD=cid2CidRDD.leftOuterJoin(cid2ClickCountRDD).map{
      case (cId,(categoryId,option))=>{
        val clickCount=if (option.isDefined)option.getOrElse(0);
        val aggrCount = Constants.FIELD_CATEGORY_ID + "=" + cId + "|" +
          Constants.FIELD_CLICK_COUNT + "=" + clickCount

        (cId, aggrCount)
      }
    }
    val cid2OrderInfoRDD = cid2ClickInfoRDD.leftOuterJoin(cid2OrderCountRDD).map{
      case (cid, (clickInfo, option)) =>
        val orderCount = if(option.isDefined) option.get else 0
        val aggrInfo = clickInfo + "|" +
          Constants.FIELD_ORDER_COUNT + "=" + orderCount

        (cid, aggrInfo)
    }

    val cid2PayInfoRDD = cid2OrderInfoRDD.leftOuterJoin(cid2PayCountRDD).map{
      case (cid, (orderInfo, option)) =>
        val payCount = if(option.isDefined) option.get else 0
        val aggrInfo = orderInfo + "|" +
          Constants.FIELD_PAY_COUNT + "=" + payCount
        (cid, aggrInfo)
    }
    cid2PayInfoRDD;

  }


  def getClickCount(sessionId2FilterActionRDD: RDD[(String, UserVisitAction)])={
     val clickFilterRDD=sessionId2FilterActionRDD.filter{
       case (sessionId,action: UserVisitAction)=>{
          action.click_category_id != -1L;
       }
     }
    val clickNumRDD = clickFilterRDD.map{
      case (sessionId, action) => (action.click_category_id, 1L)
    }

    clickNumRDD.reduceByKey(_+_)
  }
  def getOrderCount(sessionId2FilterActionRDD: RDD[(String, UserVisitAction)])={
     val orderFilterRDD=sessionId2FilterActionRDD.filter(item=>item._2.order_category_ids!=null)
     val orderNumRDD=orderFilterRDD.flatMap{
       case (sessionId,action)=>{

          for(id<-action.order_category_ids.split(",")){

          }
         action.order_category_ids.split(",").map(item=>(item.toLong,1L));
       }
     }
    orderNumRDD.reduceByKey(_+_);
  }
  def getPayCount(sessionId2FilterActionRDD: RDD[(String, UserVisitAction)]) = {
    val payFilterRDD = sessionId2FilterActionRDD.filter(item => item._2.pay_category_ids != null)

    val payNumRDD = payFilterRDD.flatMap{
      case (sid, action) =>
        action.pay_category_ids.split(",").map(item => (item.toLong, 1L))
    }

    payNumRDD.reduceByKey(_+_)
  }

}

排序器:

package server

case class SortKey(clickCount:Long, orderCount:Long, payCount:Long) extends Ordered[SortKey]{
  // this.compare(that)
  // this compare that
  // compare > 0   this > that
  // compare <0    this < that
  override def compare(that: SortKey): Int = {
    if(this.clickCount - that.clickCount != 0){
      return (this.clickCount - that.clickCount).toInt
    }else if(this.orderCount - that.orderCount != 0){
      return (this.orderCount - that.orderCount).toInt
    }else{
      return (this.payCount - that.payCount).toInt
    }
  }
}
zisuu
关注
专栏目录
电商平台分析平台----需求四:Top10热门品类的Top10活跃Session统计
zisuu的博客
05-26 546
做什么? 统计需求三中得到的Top10热门品类中的Top10活跃Session，对Top10热门品类中的每个品类都取Top10活跃Session，评判活跃Session的指标是一个Session对一个品类的点击次数。 需求解析 需要什么? Top10热门品类中的Top10活跃Session 依据什么排序? 一个Session对一个品类的点击次数 需要怎样的原始数据? 用户点击的商品为top10商品的其中一个----------filter算子 怎么做? 步骤解析 获取点击过Top10品类的所有用
分布式数据库TopDB产品分析
macavity的专栏
04-19 278
TopDB产品分析 1.1产品的背景 1.2用户需求和产品定位 1.3相关数据库的分析 1.4TopDB架构 1.5TopDB的未来规划   1.1产品的背景 自从斯诺克事件引发国家对信息安全的忧虑，要求金融、通讯等核心领域逐渐使用自主可控的软件、硬件来替代传统的IOE厂商。其中重中之重就是数据库，而在银行业，DB2和Oracle两家就占了70%以上的份额。从政治层面上来说，国...
Spark 案例实操
sparky的博客
11-23 975
文章目录数据准备1. 需求 1：Top10 热门品类1.1 需求说明1.2 实现方案一1.2.1 需求分析1.2.2需求实现 数据准备 上面的数据图是从数据文件中截取的一部分内容，表示为电商网站的用户行为数据，主要包含用户的 4 种行为：搜索，点击，下单，支付。数据规则如下: ➢ 数据文件中每行数据采用下划线分隔数据 ➢ 每一行数据表示用户的一次行为，这个行为只能是 4 种行为的一种 ➢ 如果搜索关键字为 null,表示数据不是搜索数据 ➢ 如果点击的品类 ID 和产品 ID 为-1，表示数据不是点击数据
Spark Core项目实战(2) | Top10热门品类中每个品类的 Top10 活跃 Session 统计
Knight
08-26 1109
数据源 链接：https://pan.baidu.com/s/1TtBQpQUNBebqxrrx9czxqQ 提取码：fmw6 源码在github：https://github.com/lidonglin-bit/Spark-Core 根据上个需求的基础上求的Top10热门品类中每个品类的 Top10 活跃 Session 统计(建议先做实战1，再做实战2) https://blog.csdn.net/qq_46548855/article/details/108198209 目录一.Top10热门品类
top10热门品类之需求以及实现思路分析
chbxw
07-12 2844
一、 需求：top10热门品类 计算出来通过筛选条件的那些session，他们访问过的所有品类（点击、下单、支付），按照各个品类的点击、下单和支付次数，降序排序，获取前10个品类，也就是筛选条件下的那一批session的top10热门品类； 点击、下单和支付次数：优先按照点击次数排序、如果点击次数相等，那么按照下单次数排序、如果下单次数相当，那么按照支付次数排序 这个需求是很有意义的，因为这...
java7hashmap源码-UserActionAnalyzePlatform-learn:电商用户行为分析大数据平台-spark
06-04
6.主要的功能模块有用户session分析，页面单跳转化率统计，热门商品离线统计，广告流量实时统计等4个业务模块。 7.所使用的知识点是spark core，spark SQL，spark streaming等三个技术框架。 8.主要是数据倾斜，线上...
Spark大型项目实战：电商用户行为分析大数据平台开发实战
07-12
3、热门商品离线统计,该模块主要实现每天统计出各个区域的top3热门商品.然后使用Oozie进行离线统计任务的定时调度，使用Zeppeline进行数据可视化的报表展示.该模块可以让企业管理层看到公司售卖的 商品的整体情况，...
java7hashmap源码-UserActionAnalyzePlatform:用户操作分析平台
06-04
6.主要的功能模块有用户session分析，页面单跳转化率统计，热门商品离线统计，广告流量实时统计等4个业务模块。 7.所使用的知识点是spark core，spark SQL，spark streaming等三个技术框架。 8.主要是数据倾斜，线上...
行业数据-2019年汉服商家淘宝平台TOP10粉丝数量.rar
09-14
标题中的“行业数据-2019年汉服商家淘宝平台TOP10粉丝数量”指的是在2019年，淘宝平台上汉服商家排名前10的店铺所拥有的粉丝数量。这一数据集反映了汉服市场在淘宝平台上的热度和影响力，是分析汉服消费趋势、消费者...
星图数据-2018Q1中国乳品B2C电商市场分析报告.pdf
04-08
3. 电商平台的竞争格局：天猫和京东两大电商巨头在乳制品B2C市场中占据了主导地位，具有明显的“马太效应”，即强者越强的市场现象。天猫的增速最快，京东则在销售额方面拥有更大的优势。其他电商平台如苏宁易购、...
spark：商品热门品类TOP10统计（案例）
qq_55906442的博客
07-31 2339
品类是指产品的分类，大型电商网站品类分多级，一般为三级分类，此次项目中品类只有一级。不同的公司对热门的定义不一样。此次按照每个品类的点击---->下单---->支付的量来统计热门品类。先按照点击数排名，数量决定排名；点击数相同，比较下单数；下单数相同，比较支付数。...
SparkCore项目实战|Top10热门品类|Top10热门品类中每个品类的Top10活跃Session统计|页面单跳转化率统计
SmallScorpion
04-21 1593
数据分析 本项目的数据是采集电商网站的用户行为数据，主要包含用户的4种行为：搜索、点击、下单和支付。 （1）数据采用_分割字段 （2）每一行表示用户的一个行为，所以每一行只能是四种行为中的一种。 （3）如果搜索关键字是null，表示这次不是搜索 （4）如果点击的品类id和产品id是-1表示这次不是点击 （5）下单行为来说一次可以下单多个产品，所以品类id和产品id都是多个，id之间使用逗号...
案例实操-Top10热门品类
yingzi的技术博客
03-08 709
需求1：分别统计每个品类的点击次数，下单次数和支付次数 （品类，点击总数）（品类，下单总数）（品类，支付总数） 排名顺序如：点击总数>下单总数>支付总数 方案一 def main(args: Array[String]): Unit = { //TODO : TOP10热门品类 val sparkConf = new SparkConf().setMaster("local[*]").setAppName("HotCategoryTop10Analysis") val
【大数据学习篇9】各区域热门商品Top3分析
最新发布
m0_56073435的博客
05-19 1883
掌握各区域热门商品Top3分析实现思路掌握如何创建Spark连接并读取数据集掌握利用Spark获取业务数据掌握利用Spark过滤商品的行为类型掌握利用Spark转换数据格式掌握利用Spark统计每个区域中的不同商品掌握利用Spark根据区域进行分组掌握利用Spark根据区域内商品的查看次数进行排序掌握将数据持久化到HBase数据库熟悉通过Spark On YARN运行程序用户在访问电商网站时，网站在存储用户行为数据的同时，还会通过IP地址或位置信息存储用户触发行为所在的区域数据。
MySQL案例-电商数据处理
weixin_45856686的博客
03-20 1059
前面学习了MySQL的增删改查的基本操作，并重点学习了MySQL的数据查询功能，发现SQL语言真的是个功能强大且好用的结构化查询语言，对于数据的处理和分析非常的有用，下面记录的这个案例是用MySQL数据库对电商数据的一个处理分析过程，以供之后学习、工作参考
使用Apriori关联规则算法实现购物篮分析
weixin_69959830的博客
04-26 5298
Apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集，而且算法已经被广泛的应用到商业，网络安全等各个领域。 ...
大数据Spark案例实操1–统计电商网站的用户行为数据Top10 热门品类(三种方法)
qq_42754919的博客
06-20 1773
文章目录1.准备数据2. 需求分析3.代码-方法1 1.准备数据 链接：https://pan.baidu.com/s/14RxFpmXun7Wj-unDUvjyVg 提取码：mjk6 上面的数据图是从数据文件中截取的一部分内容，表示为电商网站的用户行为数据，主 要包含用户的 4 种行为：搜索，点击，下单，支付。数据规则如下：： 数据以_（下划线）为分隔符 每一行数据表示用户的一次行为，这个行为只能是上诉 4 种行为的一种 如果搜索关键字为 null,表示数据不是搜索数据 针对于下单行为，一次可以下单多
JavaWeb商城项目笔记--- Day1 （热门商品，热销商品）
qq_36654606的博客
01-30 2887
功能出现场景 在线的商场中，前端最近界面总会有一块区域用来显示销售量最高的，最新上架的和类似的这种的商品。 一些联想到的功能：热销，热评等 功能解决思路 核心还是对数据库进行查询，然后响应给前端信息，然后前端将接收到的数据，进行渲染依据一定的布局，呈现给用户。 特点：最新，最热这两点需要通过 sql 语句来实现时候如何解决 2.1 最新:按照时间降序排列取指定数量的记录 2.2 最热：可以根...
TOP-N分析
西伯利亚狼-GM
04-07 2686
TOP-N分析：显示按某种条件查询得到的N条数据记录。一般TOP-N分析针对表某一列数据 一般情况下最大或者最小值是TOP-N分析所关心的内容。 在讲实例之前先说明一下什么是伪列(rownum) excel表中最左边的一列就是伪列     注：在sql中通过select后得到的表都会有一伪列，排序都是固定1开始 对于一个表中如果存在非常多的数据，当只想显示查看排序过后的前N行
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