elasticsearch与MySQL

原创 已于 2022-04-13 10:17:41 修改 · 6.2k 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#数据库架构 #数据库开发

于 2022-03-24 14:39:35 首次发布
本文详细介绍了Elasticsearch的索引操作，包括查询、创建、删除、修改等，并探讨了Elasticsearch与MySQL的区别。还讨论了Elasticsearch的性能优化策略，如硬件选择、内存设置、路由计算以及脑裂问题的解决方案。同时，提到了数据建模在Elasticsearch 7以下版本的方法和最佳实践。

elasticsearch与MySQl

在这里插入图片描述
在这里插入图片描述

索引操作

查询索引
GET /_cat/indices?v
创建索引
PUT http://localhost:9200/shopping
添加数据
POST /shopping/_doc/1002
{
    "title": "小米手机",
    "category": "小米",
    "images": "http://www.gulixueyuan.com/xm.jpg",
    "price": 3999.00
}
删除数据
DELETE /shopping/_doc/1002
局部修改
POST /shopping/_update/1001
{ 
    "doc":{
        "title":"华为手机1111"
    }
}
修改全部
PUT /shopping/_doc/1001
{
    "title": "小米手机",
    "category": "小米",
    "images": "http://www.gulixueyuan.com/xm.jpg",
    "price": 4999.00
}
查询单个
GET /shopping/_doc/1001
查询所有
GET /shopping/_search/
查询所有-全文检索
/shopping/_search
GET {
    "query": {
        "match": {
            "category": "小华"
        }
    }
}
查询所有-完全匹配&高亮
GET /shopping/_search
{
    "query": {
        "match_phrase": {
            "category": "小米"
        }
    },
    "highlight": {
        "fields": {
            "category": {}
        }
    }
}
分页查询
GET /shopping/_search
{
    "query": {
        "match_all": {}
    },
    "from": 0,
    "size": 2
}
分页查询排序
GET /shopping/_search
{
    "query": {
        "match_all": {}
    },
    "from": 0,
    "size": 2,
    "_source": "title",
    "sort": {
        "price": {
            "order": "desc"
        }
    }
}
查询多个条件must(and)
GET /shopping/_search
{
    "query": {
        "bool": {
            "must": [
                {
                    "match": {
                        "category": "小米"
                    }
                },
                {
                    "match": {
                        "price": "4999.0"
                    }
                }
            ]
        }
    }
}
查询多个条件should（or）
GET /shopping/_search
{
    "query": {
        "bool": {
            "should": [
                {
                    "match": {
                        "category": "小米"
                    }
                },
                {
                    "match": {
                        "category": "华为"
                    }
                }
            ]
        }
    }
}
查询多个条件should（or）范围
GET /shopping/_search
{
    "query": {
        "bool": {
            "should": [
                {
                    "match": {
                        "category": "小米"
                    }
                },
                {
                    "match": {
                        "category": "华为"
                    }
                }
            ],
            "filter": {
                "range": {
                    "price": {
                        "gt": 4000
                    }
                }
            }
        }
    }
}
创建mapping
POST /user/_mapping
{
    "properties": {
        "name": {
            "type": "text",
            "index": true
        },
        "sex": {
            "type": "keyword",
            "index": true
        },
        "tel": {
            "type": "keyword",
            "index": false
        }
    }
}
查询单个-mapping
GET /user/_search
{
    "query": {
        "match": {
            "sex": "男的"
        }
    }
}
创建mapping-添加数据
PUT /user/_create/10001
{
    "name": "小米",
    "sex": "男的",
    "tel": "12345"
}

添加链接描述

  • matchQuery：会将搜索词分词，再与目标查询字段进行匹配，若分词中的任意一个词与目标字段匹配上，则可查询到。

  • termQuery：不会对搜索词进行分词处理，而是作为一个整体与目标字段进行匹配，若完全匹配，则可查询到。

路由计算
  • 路由规则：hash(id)% 主分片数量
  • 分片控制：轮询
优化
  • 硬件选择
    • 使用 SSD
#
# Path to directory where to store the data (separate multiple locations by comma):
#
#path.data: /path/to/data
#
# Path to log files:
#
#path.logs: /path/to/logs
  • 分片策略
控制每个分片占用的硬盘容量不超过 ES 的最大 JVM 的堆空间设置（一般设置不超过 32G，参考下文
的 JVM 设置原则），因此，如果索引的总容量在 500G 左右，那分片大小在 16 个左右即可；当然，
最好同时考虑原则 2。 
 考虑一下 node 数量，一般一个节点有时候就是一台物理机，如果分片数过多，大大超过了节点数，
很可能会导致一个节点上存在多个分片，一旦该节点故障，即使保持了 1 个以上的副本，同样有可能
会导致数据丢失，集群无法恢复。所以， 一般都设置分片数不超过节点数的 3 倍。
 主分片，副本和节点最大数之间数量，我们分配的时候可以参考以下关系：
节点数<=主分片数*（副本数+1）
  • 推迟分片分配
PUT /_all/_settings 
{
"settings": {
"index.unassigned.node_left.delayed_timeout": "5m" 
} }
  • 路由选择
shard = hash(routing) % number_of_primary_shards
routing 默认值是文档的 id，也可以采用自定义值，比如用户 id。
  • 写入速度优化
 加大 Translog Flush ，目的是降低 Iops、Writeblock。  增加 Index Refresh 间隔，目的是减少 Segment Merge 的次数。
 调整 Bulk 线程池和队列。
 优化节点间的任务分布。
 优化 Lucene 层的索引建立，目的是降低 CPU 及 IO。
  • 批量数据提交
ES 提供了 Bulk API 支持批量操作，当我们有大量的写任务时，可以使用 Bulk 来进
行批量写入。
通用的策略如下：Bulk 默认设置批量提交的数据量不能超过 100M。数据条数一般是
根据文档的大小和服务器性能而定的，但是单次批处理的数据大小应从 5MB～15MB 逐渐
增加，当性能没有提升时，把这个数据量作为最大值
  • 优化存储设备
    • ES 是一种密集使用磁盘的应用，在段合并的时候会频繁操作磁盘，所以对磁盘要求较
      高，当磁盘速度提升之后，集群的整体性能会大幅度提高。
  • 减少 Refresh 的次数
    • Lucene 在新增数据时，采用了延迟写入的策略，默认情况下索引的 refresh_interval 为
      1 秒。 Lucene 将待写入的数据先写到内存中，超过 1 秒（默认）时就会触发一次 Refresh，
      然后 Refresh 会把内存中的的数据刷新到操作系统的文件缓存系统中。
      如果我们对搜索的实效性要求不高，可以将 Refresh 周期延长，例如 30 秒。
      这样还可以有效地减少段刷新次数，但这同时意味着需要消耗更多的 Heap 内存。
  • 加大 Flush 设置
    • Flush 的主要目的是把文件缓存系统中的段持久化到硬盘，当 Translog 的数据量达到
      512MB 或者 30 分钟时，会触发一次 Flush。
      index.translog.flush_threshold_size 参数的默认值是 512MB，我们进行修改。
      增加参数值意味着文件缓存系统中可能需要存储更多的数据，所以我们需要为操作系统
      的文件缓存系统留下足够的空间。
  • 内存设置
    • ES 默认安装后设置的内存是 1GB，
    • 确保 Xmx 和 Xms 的大小是相同的，
    • 不要超过物理内存的 50%：Lucene 的设计目的是把底层 OS 里的数据缓存到内存中。
    • 堆内存的大小最好不要超过 32GB：
  • 重要配置
    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

脑裂问题

  • 原因
    • 网络问题
    • 节点负载：主节点的角色既为 master 又为 data，
    • 内存回收：data 节点上的 ES 进程占用的内存较大，引发 JVM 的大规模内存回收，造成 ES 进程失去
      响应。
  • 减少误判：discovery.zen.ping_timeout 节点状态的响应时间，默认为 3s，可以适当调大，如果 master在该响应时间的范围内没有做出响应应答，判断该节点已经挂掉了。调大参数（如 6s，
    discovery.zen.ping_timeout:6），可适当减少误判。
  • 选举触发: discovery.zen.minimum_master_nodes:1
    • 该参数是用于控制选举行为发生的最小集群主节点数量。当备选主节点的个数大于等于该参数的值，
      且备选主节点中有该参数个节点认为主节点挂了，进行选举。官方建议为（n/2）+1，n 为主节点个数
      （即有资格成为主节点的节点个数）
  • 角色分离：即 master 节点与 data 节点分离，限制角色
    主节点配置为：node.master: true node.data: false
    从节点配置为：node.master: false node.data: true
索引文档

在这里插入图片描述

索引阶段性能提升方法
补充：索引阶段性能提升方法
 使用批量请求并调整其大小：每次批量数据 5–15 MB 大是个不错的起始点。
 存储：使用 SSD
 段和合并：Elasticsearch 默认值是 20 MB/s，对机械磁盘应该是个不错的设置。如果你用的是 SSD，
可以考虑提高到 100–200 MB/s。如果你在做批量导入，完全不在意搜索，你可以彻底关掉合并限流。
另外还可以增加 index.translog.flush_threshold_size 设置，从默认的 512 MB 到更大一些的值，比如 1 
GB，这可以在一次清空触发的时候在事务日志里积累出更大的段。
 如果你的搜索结果不需要近实时的准确度，考虑把每个索引的 index.refresh_interval 改到 30s。  如果你在做大批量导入，考虑通过设置 index.number_of_replicas: 0 关闭副本。

Q

  • Elasticsearch 对于大数据量（上亿量级）的聚合如何实现？
    • Elasticsearch 提供的首个近似聚合是 cardinality 度量。它提供一个字段的基数，即该字段的 distinct
      或者 unique 值的数目。它是基于 HLL 算法的。HLL 会先对我们的输入作哈希运算，然后根据哈希运算的
      结果中的 bits 做概率估算从而得到基数。其特点是：可配置的精度，用来控制内存的使用（更精确 ＝ 更
      多内存）；小的数据集精度是非常高的；我们可以通过配置参数，来设置去重需要的固定内存使用量。无
      论数千还是数十亿的唯一值，内存使用量只与你配置的精确度相关
  • 在并发情况下，Elasticsearch 如果保证读写一致？
    • 可以通过版本号使用乐观并发控制，以确保新版本不会被旧版本覆盖，由应用层来处理具体的冲突；
       另外对于写操作，一致性级别支持 quorum/one/all，默认为 quorum，即只有当大多数分片可用时才允
      许写操作。但即使大多数可用，也可能存在因为网络等原因导致写入副本失败，这样该副本被认为故
      障，分片将会在一个不同的节点上重建。
       对于读操作，可以设置 replication 为 sync(默认)，这使得操作在主分片和副本分片都完成后才会返回；
      如果设置 replication 为 async 时，也可以通过设置搜索请求参数_preference 为 primary 来查询主分片，
      确保文档是最新版本。
  • 如何监控 Elasticsearch 集群状态
    • elasticsearch-head 插件
      通过 Kibana 监控 Elasticsearch。你可以实时查看你的集群健康状态和性能，也可以分析过去的集群、
      索引和节点指标

ES数据建模 es7以下

一对一
PUT person_index
{
  "mappings": {
    "persons" : {
      "properties": {
        "last_name" : {
          "type": "keyword"
        },
        "first_name" : {
          "type" : "keyword"
        },
        "age" : {
          "type" : "byte"
        },
        "identification_id" : {
          "properties": {
            "id_no" : {
              "type" : "keyword"
            },
            "address" : {
              "type" : "text",
              "analyzer" : "ik_max_word",
              "fields" : {
                "keyword" : {
                  "type" : "keyword"
                }
              }
            }
          }
        }
      }
    }
  }
}
一对多
PUT /user_index
{
  "mappings": {
    "users" : {
      "properties": {
        "login_name" : {
          "type" : "keyword"
        },
        "age " : {
          "type" : "short"
        },
        "address" : {
          "type": "nested", // nested
          "properties": {
            "province" : {
              "type" : "keyword"
            },
            "city" : {
              "type" : "keyword"
            },
            "street" : {
              "type" : "keyword"
            }
          }
        }
      }
    }
  }
}

// 查询
GET /user_index/_search
{
  "query": {
    "bool": {
      "must": [
        {
          "nested": {
            "path": "address",
            "query": {
              "bool": {
                "must": [
                  {
                    "match": {
                      "address.province": "北京"
                    }
                  },
                  {
                    "match": {
                      "address.city": "天津"
                    }
                  }
                ]
              }
            }
          }
        }
      ]
    }
  }
}
// 聚合
GET /user_index/_search
{
  "aggs": {
    "group_by_address": {
      "nested": {
        "path": "address"
      },
      "aggs": {
        "group_by_province": {
          "terms": {
            "field": "address.province"
          },
          "aggs": {
            "group_by_city": {
              "terms": {
                "field": "address.city"
              }
            }
          }
        }
      }
    }
  }
}
多对多

设计方案和一对多类似，相当于两个一对多

父子关系数据建模
PUT ecommerce_products_index
{
  "mappings": {
    "ecommerce" : {
      "properties": {
        "category_name" : {
          "type" : "text" , 
          "analyzer": "ik_max_word",
          "fields": {
            "keyword" : {
              "type" : "keyword"
            }
          }
        },
        "product_name" : {
          "type" : "text",
          "analyzer": "ik_max_word",
          "fields": {
            "keyword" : {
              "type" : "keyword"
            }
          }
        },
        "remark" : {
          "type" : "text",
          "analyzer": "ik_max_word"
        },
        "price" : {
          "type" : "long"
        },
        "sellpoint" : {
          "type" : "text",
          "analyzer": "ik_max_word",
          "fields": {
            "keyword" : {
              "type" : "keyword"
            }
          }
        },
        "ecommerce_join_field" : {
          "type" : "join",
          "relations" : {
            "category" : "product"
          }
        }
      }
    }
  }
}
// 查询
GET ecommerce_products_index/_search
{
  "query": {
    "parent_id" : {
      "type" : "product",
      "id" : 1
    }
  }
}

GET ecommerce_products_index/_search
{
  "query": {
    "has_child": {
      "type": "product",
      "query": {
        "range": {
          "price": {
            "gte": 500000,
            "lte": 1000000
          }
        }
      }
    }
  }
}


GET ecommerce_products_index/_search
{
  "query": {
    "has_parent": {
      "parent_type": "category",
      "query": {
        "match": {
          "category_name": "电脑"
        }
      }
    }
  }
}


注意，在父子关系数据模
型中，要求有关系的父子数据必须在同一个shard中保存，否则ES无法实现数据的关联管理，所以在保存子数据的时候，必须使用其对应的父数据在存储时使用的routing。
默认情况下，ES使用document的id作为routing值，所以子数据在保存的时候，必须使用父数据的id作为routing才可，否则无法建立父子关系。
祖孙三代关系数据模型
PUT company_index
{
  "mappings": {
    "structure" : {
      "properties": {
        "country_name" : {
          "type" : "keyword"
        },
        "department_name" : {
          "type" : "keyword"
        },
        "employee_name" : {
          "type" : "keyword"
        },
        "employee_age" : {
          "type" : "short"
        },
        "employee_join_date" : {
          "type" : "date",
          "format": "yyyy-MM-dd HH:mm:ss||yyyy-MM-dd||epoch_millis"
        },
        "company_join_field" : {
          "type" : "join",
          "relations" : {
            "country" : "department",
            "department" : "employee"
          }
        }
      }
    }
  }
}
**注意，要实现祖孙三代数据关系，必须保证祖孙数据都保存在同一个shard中，也就是三代数据都必须使用同一个routing值，如果是默认情况，则使用祖先数据的id作为子孙数据的routing值。**
建模规约
  • https://www.bilibili.com/video/BV174411e74r?spm_id_from=333.880.my_history.page.click
  • https://blog.51cto.com/u_12796481/2791087#41–%E5%A6%82%E4%BD%95%E5%A4%84%E7%90%86%E5%85%B3%E8%81%94%E5%85%B3%E7%B3%BB?tt_from=weixin&utm_source=weixin&utm_medium=toutiao_ios&utm_campaign=client_share&wxshare_count=1
  • https://kaiwu.lagou.com/course/courseInfo.htm?courseId=1174#/detail/pc?id=8557
ElasticSearch - 基础概念，以及和 mysql 的对比
CYK_byte的博客
09-23 2438
比如我们的用户做一个商品订单的搜索，因为 es 的搜索能力更强，所以这里使用 es 进行搜索，那么也意味着，es 这边也要有数据，那怎么确保两边都有数据呢？elasticsearch 是面向文档存储的，可以是数据库中的一条商品数据，也可以是订单数据... 这些东西都会被序列化成 json 的格式，存储在 es 中.这里的映射就是对文档字段的约束，比如你的字段名字是什么，数据类型是字符串，还是数字啊. 这就类似于 mysql 中的约束一样.这就相当于是 MySQL 中的表一样，而文档就是表中的每一行数据.
ElasticSearch与MySQL概念对比
Jason World
07-03 793
ElasticSearch与MySQL概念对比
Elasticsearch + MySQL实现LIKE %XX%性能优化
Carson0116的专栏
11-27 7224
Elasticsearch + MySQL实现LIKE %XX%性能优化Elasticsearch安装（ECS-linux + elasticsearch-5.6.1） 下载安装包（elasticsearch-5.6.1.tar.gz） 上传安装包至远程服务器（ECS） 解压文件 修改配置 root新增es用户，并赋予权限 启动 定义数据结构{ id : 'product@productna
Elasticsearch与MySQL整合方案全解析
最新发布
码路同行
11-23 1027
MySQL与Elasticsearch整合的核心是通过合理分工实现优势互补：MySQL负责事务型数据存储，ES承担高效检索分析。主流整合方案包括业务层同步（简单但侵入性强）、日志解析同步（基于binlog的非侵入方案）和中间件同步（异步解耦）。选型需权衡业务规模、实时性要求和技术栈，其中Canal为代表的日志解析方案因低侵入、高实时成为企业级应用首选。关键要处理好数据一致性（全量+增量同步）、字段映射优化和异常恢复机制，最终构建既可靠又高效的检索体系。
mysql数据导入elasticsearch并支持SQL查询
03-02
支持定时任务导入mysql数据到elasticsearch 支持SQL语句查询elasticsearch，提供dubbo服务接口 定时任务支持quartz与lts方式
elasticsearch结合mysql使用
Baron0071的博客
12-22 7606
elasticsearch-MySQL 1.系统原理 要通过elasticsearch实现数据检索,首先要将数据导入elasticsearch,并实现数据源与elasticsearch数据同步.这里使用的数据源是Mysql数据库.目前mysql与elasticsearch常用的同步机制大多是基于插件实现的，常用的插件包括：logstash-input-jdbc,go-mysql-elasticsearch, elasticsearch-jdbc。 系统原理： Elasticsearch：一个基于Luc
ElasticSearch同步MySql
1.02^365=1377.41
07-01 9792
ElasticSearch同步Mysql的插件选择了elasticsearch-jdbc,理由是活跃度高，持续更新,最新版本兼容elasticsearch-2.3.3.一、下载下载地址：https://github.com/jprante/elasticsearch-jdbc 下载后解压,里面有bin、lib2个目录. 二、mysql配置确保mysql能用，在mysql中新建一个test数据库m
ElasticSearch与MySQL如何搭配组合使用？
05-20
在现代大数据环境中，Elasticsearch (ES) 和 MySQL 常常被组合使用，以应对不同的业务需求。MySQL 是一款成熟的、广泛使用的的关系型数据库管理系统（RDBMS），擅长处理结构化数据，支持事务和复杂的 SQL 查询。而 ...
Elasticsearch 与 MySQL 在查询和插入性能上的深度剖析
程序员大航子
07-28 1405
在当今的数据处理领域，选择合适的数据库对于应用的性能和效率至关重要。Elasticsearch 和 MySQL 作为两款常用的数据库，它们在查询和插入操作上的性能表现各有千秋。本文将对这两款数据库在这两个关键操作上进行详细的对比分析。
精选资源
ElasticSearch基于Mysql热更新IK词典项目
10-31
**Elasticsearch与MySQL热更新IK词典项目详解** 在现代大数据检索和分析场景中，Elasticsearch（ES）作为一款强大的开源搜索引擎，被广泛应用于日志分析、全文搜索等领域。而IK（Intelligent Chinese）分词器是针对...
精选资源
elasticsearch与mysql的数据同步连接驱动包
07-31
mysql数据库连接驱动包
elasticsearch同步mysql方案
小丁的博客
09-20 2659
根据具体需求，也可以编写自定义的Python、Shell等脚本来实现MySQL到Elasticsearch的数据同步。这种方法需要一定的编程能力，但可以更灵活地处理同步过程中的各种情况。编写自定义应用程序，使用JDBC从MySQL读取数据，并使用Elasticsearch的REST API或客户端库将数据同步到Elasticsearch。你可以编写自定义的脚本来读取 MySQL 数据，并使用 Elasticsearch 的 REST API 将数据同步到 Elasticsearch。
elasticsearch 实现与mysql 数据同步
weixin_42422661的博客
02-26 2456
1.安装mysql-connector-java 插件（需与mysql 版本一致）mysql8相关的安装可以看下另一篇博客。3.pipelines.yml 配置。1.下载安装logstash。2.logstash 配置。3.canal(阿里云)
ElasticSearch与Mysql对比(ElasticSearch常用方法大全，持续更新)
BHSZZY的博客
07-01 1876
ElasticSearch是一个开源的搜索引擎，可以 它可以被下面这样准确的形容： 一个分布式的实时文档存储，每个字段可以被索引与搜索 一个分布式实时分析搜索引擎 能胜任上百个服务节点的扩展，并支持 PB 级别的结构化或者非结构化数据 ...
ElasticSearch与MySQL的正确搭配方案
没事学AI的博客
08-19 1159
摘要：本文探讨了MySQL与ElasticSearch（ES）的合理搭配方案，指出两者在数据存储与检索中的互补性。MySQL适合作为主数据库处理结构化数据和事务操作，而ES擅长全文检索和复杂分析。文章分析了常见误区，如用ES替代MySQL或仅依赖MySQL实现搜索功能，并提出了"MySQL为主、ES为辅"的架构原则，重点介绍了双写和基于CDC的两种数据同步策略。最后通过博客系统案例，展示了从MySQL表结构到ES索引设计的实现方法，为开发者构建高效数据系统提供参考。
Elasticsearch结合MySQL的两种架构模式对比
守护石大数据
03-31 418
数据库同步的管道架构 MySQL作为数据库的核心能力范围就是在线业务的事务处理和查询访问。因此无论单体应用也好，微服务也好，都会以多连接请求的形式，将业务数据写入MySQL；作为专业的Elasticsearch，往往在整个过程中，扮演着从MySQL复制数据、建立索引、提供搜索的角色。这是最普遍存在的一种应用场景。 往往从MySQL同步数据到Elasticsearch的过程，就属于异构系统之间的协作了，这块无论从技术选型也好，运维复杂性也好，都比单独解决两边的问题要麻烦。 解决MySQL和Elasticsea
Elasticsearch与MySQL的比较
01-25 1780
1.背景介绍 1. 背景介绍 Elasticsearch和MySQL都是非常重要的数据库管理系统，它们在各种应用场景中都有着广泛的应用。Elasticsearch是一个分布式搜索和分析引擎，基于Lucene库，主要用于文本搜索和分析。MySQL是一种关系型数据库管理系统，是最受欢迎的开源关系型数据库之一。 在本文中，我们将从以下几个方面对比Elasticsearch和MySQL： 核心概...
Elasticsearch 和 MySQL 对比简要分析
05-07 4982
Elasticsearch 和 MySQL 对比简要分析。 背景 我们开发一般的企业级Web应用，其实从本质上来说，都是对数据的增删查改进行各个维度的包装。所以说，不管你的程序如何开发，基本上，都离不开数据本身。那么，在开发企业级应用的过程中，很多同学一定遇到过这样的困惑，当完成了应用程序的基本增删查改功能之后，用户会经常吐槽当下的查询功能并不能满足自己的查询需求。这是因为，通常情况下，我们基于传...
Elasticsearch和mysql最直观的区别介绍
热门推荐
xiaodong_xi的博客
11-11 1万+
Elasticsearch简介 术业有专攻！说Elasticsearch在搜索方面比mysql强大，倒不如说MySQL本身也不是为了查询大量的数据而诞生的，MySQL创建之初就是为了做大量数据存储来使用的！ Elasticsearch是海量数据查询搜索引擎,广泛用于全文检索、日志分析、监控分析等场景。 关于全文检索需要理解的就是：全文数据库是全文检索系统的主要构成部分。所谓全文数据库是将一个完整的信息源的全部内容转化为计算机可以识别、处理的信息单...
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