大数据高频面试题——hadoop详解

最新推荐文章于 2022-09-13 22:31:14 发布
最新推荐文章于 2022-09-13 22:31:14 发布
阅读量403 收藏 4
点赞数 2
分类专栏： 大数据高频面试题 文章标签： 数据库
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/zlmldylinke/article/details/113902096
版权

目录

1.2 Hadoop

1.2.1 Hadoop常用端口号

在这里插入图片描述
8020 内部通信端口 内置的
9870 web端端口 可以修改的 一般端口为9870
在这里插入图片描述
19888 mapred-site.xml
在这里插入图片描述

1.2.2 Hadoop配置文件以及简单的Hadoop集群搭建

（1）配置文件：
Hadoop2.x core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml slaves
Hadoop3.x core-site.xml、hdfs-site.xml、mapred-site.xml、yarn-site.xml workers
（2）简单的集群搭建过程：
在这里插入图片描述
配置集群
workers: datanode的节点地址
core-site.xml：

<configuration>
   <!-- 指定namenode位置  默认是 file:/// wcount 后的2个位置是 从这里决定的
   请根据实际情况替换hadoop102-->
      <property>
        <name>fs.defaultFS</name>
        <value>hdfs://hadoop102:8020</value>
      </property>

    <!--定义nn 和 dn 2nn 的存储位置 它是和hdfs-site 联系起来决定的   -->
      <property>
        <name>hadoop.tmp.dir</name>
        <value>/opt/module/hadoop-3.1.3/data</value>
      </property>

  <!-- 代理配置  hive中jdbc端使用  如果不设置 会出现 非当前用户 以当前用户操作 hdfs上的文件
              配置之后   用户通过jdbc使用   在hdfs上也是以对应用户进行操作的
  -->
      <property>
        <name>hadoop.proxyuser.atguigu.hosts</name>
        <value>*</value>
      </property>
      <property>
        <name>hadoop.proxyuser.atguigu.groups</name>
        <value>*</value>
      </property>
	  
	<!-- 指定web端操作的用户 如果不是的话    会报一个错
Permission denied: user=dr.who, access=WRITE, inode="/":atguigu:supergroup:drwxr-xr-x
-->  
      <property>
        <name>hadoop.http.staticuser.user</name>
        <value>atguigu</value>
      </property>
	  
	<!-- 配置hadoop支持什么压缩  默认是空
      lzop 是  支持切片的压缩
 -->
      <property>
        <name>io.compression.codecs</name>
        <value>
            org.apache.hadoop.io.compress.GzipCodec,
            org.apache.hadoop.io.compress.DefaultCodec,
            org.apache.hadoop.io.compress.BZip2Codec,
            org.apache.hadoop.io.compress.SnappyCodec,
            com.hadoop.compression.lzo.LzoCodec,
            com.hadoop.compression.lzo.LzopCodec
        </value>
    </property>
<!-- lzo去读的  不是hadoop去读的
 -->
    <property>
        <name>io.compression.codec.lzo.class</name>
        <value>com.hadoop.compression.lzo.LzoCodec</value>
    </property>  
	  
</configuration>

hdfs-site.xml ：

<configuration>
   <!-- 指定2nn的位置 --> 
   	 <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>hadoop104:9868</value>
     </property>
     <!--  其他可以修改的部分
 		dfs.blocksize = 134217728  块大小
 		dfs.replication = 3  副本数
 		dfs.namenode.name.dir = file://${hadoop.tmp.dir}/dfs/name  NameNode存储位置
 		dfs.datanode.data.dir = file://${hadoop.tmp.dir}/dfs/data  DataNode存储位置
 		dfs.namenode.checkpoint.dir = file://${hadoop.tmp.dir}/dfs/namesecondary 2NN存储位置
     -->
        <!-- 白名单 服役新节点时使用--> 
    <property>
  <name>dfs.hosts</name>
  <value></value>
  <description>Names a file that contains a list of hosts that are
  permitted to connect to the namenode. The full pathname of the file
  must be specified.  If the value is empty, all hosts are
  permitted.</description>
</property>
        <!-- 黑名单 退役节点时使用--> 
<property>
  <name>dfs.hosts.exclude</name>
  <value></value>
  <description>Names a file that contains a list of hosts that are
  not permitted to connect to the namenode.  The full pathname of the
  file must be specified.  If the value is empty, no hosts are
  excluded.</description>
</property> 
</configuration>

yarn-site.xml

<configuration>

<!-- Site specific YARN configuration properties -->
     <!-- shuffle的方式 -->
 	<property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
     <!-- 指定Resourcemanager的地址-->
    <property>
        <name>yarn.resourcemanager.hostname</name>
        <value>hadoop103</value>
    </property>
        <!-- 环境变量的继承 -->
    <property>
        <name>yarn.nodemanager.env-whitelist</name>
        <value>JAVA_HOME,HADOOP_COMMON_HOME,HADOOP_HDFS_HOME,HADOOP_CONF_DIR,CLASSPATH_PREPEND_DISTCACHE,HADOOP_YARN_HOME,HADOOP_MAPRED_HOME</value>
    </property>

    <!-- 给每个container分配的最小资源 -->
    <property>
        <name>yarn.scheduler.minimum-allocation-mb</name>
        <value>512</value>
    </property>

    <!-- 给每个container分配的最大资源-->
    <property>
        <name>yarn.scheduler.maximum-allocation-mb</name>
        <value>4096</value>
    </property>

    <!-- nodemanager将多少内存交给resourcemanager进行分配 -->
    <property>
        <name>yarn.nodemanager.resource.memory-mb</name>
        <value>4096</value>
    </property>
	
	    <!-- 开启日志聚集   mapreduce 可能在不同节点上 需要把它们的日志聚集起来  -->  
  <property>
          <name>yarn.log-aggregation-enable</name>
          <value>true</value>
  </property>
  <!-- 日志访问路径 -->
      <property>  
          <name>yarn.log.server.url</name>  
          <value>http://hadoop102:19888/jobhistory/logs</value>  
  </property> 
  <!-- 日志保存时间   默认7天-->
    <property>
        <name>yarn.log-aggregation.retain-seconds</name>
        <value>604800</value>
  </property>
  
          <!-- 虚拟内存检查  否则container需要的资源超过其分配的资源 会报错
         2.4 GB of 2.1 GB virtual memory used. Killing container.
 -->
       <property>
      <name>yarn.nodemanager.vmem-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>

	
</configuration>

mapred-site.xml :

<configuration>
    <!-- 指定mapreduce程序运行在yarn -->
    <property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>	
	     <!-- 历史服务器端地址-服务器上的网端 -->
	<property>
	    <name>mapreduce.jobhistory.address</name>
	    <value>hadoop102:10020</value>
	</property>
	<!-- 历史服务器web端地址 -->
	<property>
	    <name>mapreduce.jobhistory.webapp.address</name>
	    <value>hadoop102:19888</value>
	</property>
</configuration>

集群第一次启动： 格式化namenode
注意格式化之前，一定要先停止上次启动的所有namenode和datanode进程，然后再删除data和log数据
bin/hdfs namenode -format

群起
sbin/start-dfs.sh 在namenode节点
sbin/start-yarn.sh 在rm节点上

注意配置集群ssh免密登录

1.2.3 HDFS读流程和写流程

写数据：
在这里插入图片描述
1：
在这里插入图片描述
2：
在这里插入图片描述
3：
在这里插入图片描述
4：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

读数据：
在这里插入图片描述

1.2.4 HDFS小文件处理

1）会有什么影响
（1）1个文件块，占用namenode多大内存150字节
128G能存储多少文件块？ 128 * 102410241024byte/150字节 = 9亿文件块
在这里插入图片描述

2）怎么解决
1)小文件优化的方向：
（1）在数据采集的时候，就将小文件或小批数据合成大文件再上传HDFS。
（2）在业务处理之前，在HDFS上使用MapReduce程序对小文件进行合并。
（3）在MapReduce处理时，可采用CombineTextInputFormat提高效率。
（4）开启uber模式，实现jvm重用

  1. Hadoop Archive
    是一个高效的将小文件放入HDFS块中的文件存档工具，能够将多个小文件打包成一个HAR文件，从而达到减少NameNode的内存使用
  2. SequenceFile
    SequenceFile是由一系列的二进制k/v组成，如果为key为文件名，value为文件内容，可将大批小文件合并成一个大文件
  3. CombineTextInputFormat
    CombineTextInputFormat用于将多个小文件在切片过程中(MR)生成一个单独的切片或者少量的切片。
  4. 开启uber模式，实现jvm重用。默认情况下，每个Task任务都需要启动一个jvm来运行，如果Task任务计算的数据量很小，我们可以让同一个Job的多个Task运行在一个Jvm中，不必为每个Task都开启一个Jvm.
    开启uber模式，在mapred-site.xml中添加如下配置
<!--  开启uber模式  通过-D 动态修改 -->   
<property>
  <name>mapreduce.job.ubertask.enable</name>
  <value>true</value>
</property>
<!-- uber模式中最大的mapTask数量，可向下修改  --> 
<property>
  <name>mapreduce.job.ubertask.maxmaps</name>
  <value>9</value>
</property>
<!-- uber模式中最大的reduce数量，可向下修改 -->
<property>
  <name>mapreduce.job.ubertask.maxreduces</name>
  <value>1</value>
</property>
<!-- uber模式中最大的输入数据量，默认使用dfs.blocksize 的值，可向下修改 -->
<property>
  <name>mapreduce.job.ubertask.maxbytes</name>
  <value></value>
</property>

1.2.5 Shuffle及优化

1、Shuffle过程 图
在这里插入图片描述
2、优化
1）Map阶段
（1）增大环形缓冲区大小。由100m扩大到200m
（2）增大环形缓冲区溢写的比例。由80%扩大到90% 减少溢写的次数
在这里插入图片描述

（3）减少对溢写文件的merge次数。（10个文件，一次20个merge）在这里插入图片描述

（4）不影响实际业务的前提下，采用Combiner提前合并，减少 I/O。

2）Reduce阶段
（1）合理设置Map和Reduce数：两个都不能设置太少，也不能设置太多。太少，会导致Task等待，延长处理时间；太多，会导致 Map、Reduce任务间竞争资源，造成处理超时等错误。
（2）设置Map、Reduce共存：调整slowstart.completedmaps参数，使Map运行到一定程度后，Reduce也开始运行，减少Reduce的等待时间。
（3）规避使用Reduce，因为Reduce在用于连接数据集的时候将会产生大量的网络消耗。
（4）增加每个Reduce去Map中拿数据的并行数
（5）集群性能可以的前提下，增大Reduce端存储数据内存的大小。
在这里插入图片描述

3）IO传输
采用数据压缩的方式，减少网络IO的的时间。安装Snappy和LZOP压缩编码器。
压缩：
（1）map输入端主要考虑数据量大小和切片，支持切片的有Bzip2、LZO。注意：LZO要想支持切片必须创建索引；
（2）map输出端主要考虑速度，速度快的snappy、LZO；
（3）reduce输出端主要看具体需求，例如作为下一个mr输入需要考虑切片；永久保存考虑压缩率比较大的gzip。

4）整体
（1）NodeManager默认内存8G，需要根据服务器实际配置灵活调整，例如128G内存，配置为100G内存左右，yarn.nodemanager.resource.memory-mb。

（2）单任务默认内存8G，需要根据该任务的数据量灵活调整，例如128m数据，配置1G内存，yarn.scheduler.maximum-allocation-mb。
（3）mapreduce.map.memory.mb ：控制分配给MapTask内存上限，如果超过会kill掉进程（报：Container is running beyond physical memory limits. Current usage:565MB of512MB physical memory used；Killing Container）。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加MapTask内存，最大可以增加到4-5g。
（4）mapreduce.reduce.memory.mb：控制分配给ReduceTask内存上限。默认内存大小为1G，如果数据量是128m，正常不需要调整内存；如果数据量大于128m，可以增加ReduceTask内存大小为4-5g。
（5）mapreduce.map.java.opts：控制MapTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError）
（6）mapreduce.reduce.java.opts：控制ReduceTask堆内存大小。（如果内存不够，报：java.lang.OutOfMemoryError）
（7）可以增加MapTask的CPU核数，增加ReduceTask的CPU核数 mapreduce.map.cpu.vcores mapreduce.reduce.cpu.vcores
（8）增加每个Container的CPU核数和内存大小 yarn.scheduler.minimum-allocation-vcores 必须启动前配置
（9）在hdfs-site.xml文件中配置多目录（多磁盘）datanode多磁盘
（10）NameNode有一个工作线程池，用来处理不同DataNode的并发心跳以及客户端并发的元数据操作。dfs.namenode.handler.count=，，比如集群规模为8台时，此参数设置为41。可通过简单的python代码计算该值，代码如下。

[atguigu@hadoop102 ~]$ python
>>> import math
>>> print int(20*math.log(8))
41
>>> quit()

在这里插入图片描述
在这里插入图片描述

1.2.6 Yarn工作机制

在这里插入图片描述

1.2.7 Yarn调度器

1）Hadoop调度器重要分为三类：
FIFO(最初的 队列) 、Capacity Scheduler（容量调度器）和Fair Sceduler（公平调度器）。
Apache默认的资源调度器是容量调度器；
CDH默认的资源调度器是公平调度器。、

2）区别：
FIFO调度器：支持单队列 、先进先出 生产环境不会用。
容量调度器：支持多队列（每个队列先进先出），保证先进入的任务优先执行。
公平调度器：支持多队列多并发，保证每个任务公平享有队列资源。

3）在生产环境下怎么选择？
大厂：如果对并发度要求比较高，选择公平，要求服务器性能必须OK；
中小公司，集群服务器资源不太充裕选择容量。

4）在生产环境怎么创建队列？
（1）调度器默认就1个default队列，不能满足生产要求。
（2）按照框架：hive /spark/ flink 每个框架的任务放入指定的队列（企业用的不是特别多）
（3）按照业务模块：登录注册、购物车、下单、业务部门1、业务部门2

5）创建多队列的好处？
（1）因为担心员工不小心，写递归死循环代码，把所有资源全部耗尽。
（2）实现任务的降级使用，特殊时期保证重要的任务队列资源充足。
业务部门1（重要）=》业务部门2（比较重要）=》下单（一般）=》购物车（一般）=》登录注册（次要）

在这里插入图片描述
在这里插入图片描述

公平调度器
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

1.2.8 项目经验之基准测试

搭建完Hadoop集群后需要对HDFS读写性能和MR计算能力测试。测试jar包在hadoop的share文件夹下。

1） 测试HDFS写性能
1） 测试HDFS写性能
hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -write -nrFiles 10 -fileSize 128MB

2）测试HDFS读性能
在这里插入图片描述
hadoop jar /opt/module/hadoop-3.1.3/share/hadoop/mapreduce/hadoop-mapreduce-client-jobclient-3.1.3-tests.jar TestDFSIO -read -nrFiles 10 -fileSize 128MB

3)使用Sort程序评测MapReduce
在这里插入图片描述

1.2.9 Hadoop宕机

1）如果MR造成系统宕机。此时要控制Yarn同时运行的任务数，和每个任务申请的最大内存。调整参数：yarn.scheduler.maximum-allocation-mb（单个任务可申请的最多物理内存量，默认是8192MB）
2）如果写入文件过快造成NameNode宕机。那么调高Kafka的存储大小，控制从Kafka到HDFS的写入速度。例如，可以调整Flume每批次拉取数据量的大小参数batchsize。

1.2.10 Hadoop解决数据倾斜方法

1）提前在map进行combine，减少传输的数据量
在Mapper加上combiner相当于提前进行reduce，即把一个Mapper中的相同key进行了聚合，减少shuffle过程中传输的数据量，以及Reducer端的计算量。
如果导致数据倾斜的key大量分布在不同的mapper的时候，这种方法就不是很有效了。

2）导致数据倾斜的key 大量分布在不同的mapper
（1）局部聚合加全局聚合。
第一次在map阶段对那些导致了数据倾斜的key 加上1到n的随机前缀，这样本来相同的key 也会被分到多个Reducer中进行局部聚合，数量就会大大降低。
第二次mapreduce，去掉key的随机前缀，进行全局聚合。
思想：二次mr，第一次将key随机散列到不同reducer进行处理达到负载均衡目的。第二次再根据去掉key的随机前缀，按原key进行reduce处理。
这个方法进行两次mapreduce，性能稍差。
（2）增加Reducer，提升并行度
JobConf.setNumReduceTasks(int)
（3）实现自定义分区
根据数据分布情况，自定义散列函数，将key均匀分配到不同Reducer

1.2.11 集群资源分配参数（项目中遇到的问题）

集群有30台机器，跑MR任务的时候发现5个map任务全都分配到了同一台机器上，这个可能是由于什么原因导致的吗？
解决方案：yarn.scheduler.fair.assignmultiple 这个参数，默认是开的。
https://blog.csdn.net/leone911/article/details/51605172

荩辞
关注
  • 2
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
大数据大厂面试100题及详细答案解答，爆肝八小时近四万长文
weixin_56957149的博客
04-16 4784
前言：感觉大家对面试题比较感兴趣，之前发布的Python基础面试题阅读量都很高，后期会持续更新面试系列，以及收集一些大厂的面试题，希望能帮助到大家，同时本文比较长，可以关注之后收藏慢慢看，如果大家比较喜欢，大数据面试后续会持续更新，如果需要其他方向的面试题也可以评论或私信告诉我，记得三连呦。 大数据面试100题数据采集面试题FlumeFlume 使用场景Flume 丢包问题Flume 与 Kafka 的选取数据怎么采集到 Kafka，实现方式flume 管道内存，flume 宕机了数据丢失怎么解决flume
大数据之高频面试题
醉生梦是的博客
10-21 1009
面试题之hadoop 1.hadoop常用端口号 hadoop2.x hadoop3.x 访问HDFS端口 50070 9870 访问MR执行情况端口 8088 8088 历史服务器 19888 19888 客户端访问集群端口 9000 8020 2.hadoop配置文件以及简单的hadoop集群搭建 （1）配置文件： hadoop2....
117道有关大数据面试题解析，希望对你有所帮助
chuanmao9486的博客
05-21 802
一 .简述如何安装配置apache 的一个开源的hadoop 1. 使用root账户登陆 2.修改ip 3.修改host主机名 4.配置ssh 免密登陆 5.关闭防火墙 6.安装ＪＤＫ 7.解压hadoop安装包 8.配置hado...
大数据面试100题
云智禅师的专栏
04-17 914
1.列出安装Hadoop流程步骤 a) 创建hadoop账号 b) 更改ip c) 安装Java 更改/etc/profile 配置环境变量 d) 修改host文件域名 e) 安装ssh 配置无密码登录 f) 解压hadoop g) 配置hadoop  conf下面的配置文件 h) Hadoop namenode -format  格式化 i) Start 启动 2.列出h
关于Hadoop的面试题
weixin_49064660的博客
10-11 85
一常用端口号 1、Hadoop3.x HDFS NameNode 内部通常端口号：8020/9000/9820 HDFS NameNode 对用户的查询端口：9870 Yarn查看任务运行情况：8088 历史服务器：19888 2、Hadoop2.x HDFS NameNode 内部通常端口号：8020/9000 HDFS NameNode 对用户的查询端口：50070 Yarn查看任务运行情况：8088 历史服务器：19888 二、常用配置文件 1、Hadoop3.x 1、cor
Hadoop 入门两道面试题
简简单单的创作者
03-14 129
Hadoop 入门两道面试题1. 常用端口号2. 常用配置文件 1. 常用端口号 hadoop 3.x:    hdfs namenode   集群内部常用端口：8020/9000/9820    hdfs namenode   对用户提供的查询端口：9870    yarn/mapreduce   查看任务执行端口：8088    历史服务器通信端口：8088 hadoop 2.x:    hdfs namenode   集群内部常用端口：8020/9000    hdfs namenode   对用户
大数据技术之高频面试题8.0.2.pdf
03-22
* 大数据技术之高频面试题：包括大数据技术的常见面试题和答案，涵盖Hadoop、Spark、Hive、Flink等技术。 * 大数据技术之职业发展：包括大数据技术的职业发展前景和职业要求，涵盖数据科学家、数据工程师、数据分析...
Hadoop常见面试题(安装过程)
最新发布
m0_47889186的博客
09-13 394
Hadoop常见面试题
大数据知识点学习
大数据知识梳理
04-20 608
大数据知识点
16-集群资源分配参数（项目中遇到的问题）
huaxing_ba的博客
05-22 323
题目：集群资源分配参数 集群有30台机器，跑mr任务时候发现5个map任务全部分配到了同一台机器上，这个可能是由于什么原因导致？ 答案： 解决方案：yarn.scheduler.fair.assignmultiple这个参数默认是开的，需要关掉 https://blog.csdn.net/leone911/article/details/51605172 ...
大数据面试题及答案 100道 （最新版）持续更新
热门推荐
架构师专栏
10-22 1万+
大数据面试题及答案【最新版】大数据高级面试题大全(2021版)，发现网上很多大数据面试题都没有答案，所以花了很长时间搜集，本套大数据面试题大全 最近由于要准备面试就开始提早看些面试、笔试题。以下是自己总结的一些经常出现、有价值的试题，包含hadoop、hive、hbase、storm、spark等。答案仅供参考，如有错误，请指出。试题不定时更新。 如果不背 大数据面试题的答案，肯定面试会挂！ 这套 大数据面试题大全，希望对大家有帮助哈~ 博主已将以下这些面试题整理成了一个Java面试手册，是PDF版
Hadoop总结
qq_38889342的博客
08-09 430
目录 HDFS 1.角色 2.读写流程 3.小文件的弊处和调优 Mapreduce 1.mapreduce整个过程，包括shuffle 2.hadoop中mapreduce的优化 3.mapreduce和spark的shuffle的区别 Yarn 1.角色 2.工作机制 3.调度器 4.yarn-local，yarn-client Hadoop其他综合性问题 Hadoop宕机 Hadoop解决数据倾斜方法 集群资源分配参数（项目中遇到的问题） HDFS在上传文件的时...
大数据问题
Mrerlou的博客
03-02 970
一、HDFS 1. HDFS的读流程 　客户端向NameNode发起读数据请求； 　NameNode响应请求并告诉客户端要读的文件的数据块位置(存在哪个DataNode上)； 　客户端到对应DataNode读取数据，当数据读取到达末端，关闭与这个DataNode的连接，并查找下一个数据块，直到文件数据全部读完； 　最后关闭输出流。 2. HDFS的写流程 客户端向NameNod...
Kubernetes监控平台搭建
lzy_zhi_yuan的博客
12-30 1243
写在前面 k8s是目前最流行的容器集群管理基础组件，是当下微服务盛行的互联网时代产物。关于k8s概念、部署、实战方面可以阅读本号前面发布的文章。下面是相关链接：kubernetes架...
互联网大厂大数据面试高频题：Linux与Hadoop命令详解
本文档是一份针对大数据领域互联网大厂面试的高频问题及其答案汇总，内容涵盖Linux与Shell编程技能，以及Hadoop相关的技术知识。以下是详细解读： 1. **Linux & Shell命令基础**： - `top`：用于实时监控系统资源...

“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