cdh5.14重启hdfs报无法创建/tmp/.cloudera_health_monitoring_canary_files 解决办法

最新推荐文章于 2023-09-14 00:23:12 发布
最新推荐文章于 2023-09-14 00:23:12 发布
阅读量2.8k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： kudu CDH hadoop 文章标签： hdfs
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.youkuaiyun.com/selectdb/article/details/83040140
本文介绍如何在Hadoop中正确关闭安全模式，以及当遇到'JAVA_HOME未设置'错误时的解决方法。通过详细步骤指导，帮助读者理解JAVA_HOME环境变量的重要性，并演示如何设置以确保Hadoop集群正常运行。

[root@masternode ~]# sudo -u hdfs hdfs dfsadmin -safemode leave
Safe mode is OFF

 

上述命令可能会报：

Error: JAVA_HOME is not set and could not be found.

解决办法：

[hadoop@masternode ~]$ sudo -i
[root@masternode ~]# mkdir -p /usr/java
[root@masternode ~]# ln -s /usr/local/jdk1.8.0_171 /usr/java/default

启动hdfs时，报错 不良 : Canary 测试无法在目录 /tmp/.cloudera_health_monitoring_canary_files 中写入文件。
萌兔兔MMQ！！
04-13 2137
启动hdfs时，报错 Canary 测试无法在目录 /tmp/.cloudera_health_monitoring_canary_files 中创建文件。 经过查看日志，发现 Name node is in safe mode. 解决方法：sudo -uhdfs hdfs dfsadmin -safemode leave
CDH的CM金丝雀Canary报错
十八闲客的博客,专注于大数据运维
08-04 651
Canary 测试无法为 /tmp/.cloudera_health_monitoring_canary_files 创建父目录。Hive Metastore canary 创建 hue hdfs 主目录失败。2）hdfs datanode是否健康，磁盘空间是否空闲，可自行上传文件测试。如果都确认过还报错，请重启cloudera-scm-server。3）根据错误提示查看目录权限，如果有问题，改为777。1）hdfs是否处于safemode，正常是off。CM金丝雀Canary报错。1 HDFS 金丝雀。
【CDH】新集群搭建角色权限不足无法创建目录
why_not_study的博客
06-23 439
解决CDH新集群搭建过程中某些角色启动失败的问题，日志分析为某些目录不存在或没有权限创建。手动增加权限或创建目录即可解决问题。
CDH 之 hdfs 报错 Canary 测试无法为 /tmp/.cloudera_health_monitoring_canary_files 创建父目录
予挚之的博客
05-23 2235
如果无法切换 hdfs 用户，请修改 /etc/passwd 文件，将 hdfs 列的 /sbin/nologin 改为 /bin/bash。不良 : Canary 测试无法为 /tmp/.cloudera_health_monitoring_canary_files 创建父目录。登录 namenode 服务器，进行手动创建。
Canary 测试无法为 /tmp/.cloudera_health_monitoring_canary_files 创建父目录
weixin_42578941的博客
05-03 2260
Canary 测试无法为 /tmp/.cloudera_health_monitoring_canary_files 创建父目录
启动hdfs时，报错 Canary 测试无法在目录 /tmp/.cloudera_health_monitoring_canary_files 中创建文件
热门推荐
u012878005的博客
04-18 1万+
启动hdfs时，报错 Canary 测试无法在目录 /tmp/.cloudera_health_monitoring_canary_files 中创建文件。    经过查看日志，发现  Name node is in safe mode.    解决方法：sudo -uhdfs hdfs dfsadmin -safemode leave...
Canary无法创建父目录
yang_zzu的博客
10-15 1106
cloudmanager 安装 hdfs 出现 HDFS 金丝雀，异常 Canary 测试无法为 /tmp/.cloudera_health_monitoring_canary_files 创建父目录。 方法一： 在这里面直接点击确认，会禁用 canary 的检测，如果想继续进行检测 方法二： 1.hdfs是否处于safemode，正常是off hdfs dfsadmin -safemode get 如果不是 off 则使用命令，必须使用 hdfs 用户执行命令，因为在使用 ..
【大数据集群运维】解决使用Cloudera Manager 启动HDFS时遇到的问题: /tmp/.cloudera_health_monitoring_canary_files 创建父目录
liuchunhang的博客
05-13 1582
1 HDFS 金丝雀 Canary 测试无法为 /tmp/.cloudera_health_monitoring_canary_files 创建父目录。 1 检查hdfs是否处于safemode，正常是off [root@shuang conf.cloudera.hdfs]# hdfs dfsadmin -safemode get Safe mode is OFF 2 检查hdfs datanode是否健康，磁盘空间是否空闲，可自行上传文件测试 [root@shuang conf.cloudera.hd
HDFS：金丝雀测试失败
萌兔兔MMQ！！
04-13 624
刚刚使用Cloudera Manager安装了HDFS。我可以访问ameNode WebUI，所有节点都活着。但我得到各种各样的HDFS：金丝雀测试失败 金丝雀测试无法在/tmp/.cloudera_health_monitoring_canary_files目录中创建文件。 我想： 1）hadoop dfsadmin -safemode get：可以确认的NameNode是不是在安全模式。因此写操作不应有任何限制。 2）hadoop fs -ls /：它显示/tmp目录具有完全权限777，这意味着任何人都
CDH大数据平台 Executing: /usr/java/jdk1.8.0_181-cloudera/bin/java -cp :/opt/cloudera/cm/schema/../lib/*
80后大叔爱学习
09-21 491
cdh安装缺少MySQL的驱动错误
hadoop namenode启动不了_Hadoop 安装教程 - HA方式
weixin_39725403的博客
11-21 797
架构图hadoop各个组件的关系是这样的namenode 总数就2个，不能多也不能少，一个是active状态，一个是standby状态，只有active状态的在工作，另一个只是备份，当active状态的挂了之后，standby的会切换为active状态。但是这个动作其实不是天生自动的，配合上zookeeper才能实现自动化切换。journalNode 用于存储active状态的namenode所做...
HDFS block丢失过多进入安全模式（safe mode）,不能在hdfs创建文件的解决方法
lesssssss的博客
04-20 1549
退出安全模式 hadoop dfsadmin -safemode leave。这个错误的原因是,丢失的block数量到达配置文件指定的阈值,hdfs开启了安全模式。删除丢失的block块 hdfs fsck / -delete。虚拟机任意目录下执行。
误删/tmp导致hadoop无法启停, jps无法查看的解决方法
架构设计
10-13 492
问题描述 我的hadoop版本是hadoop-cdh4.2.0，由于误删了/tmp目录(不是hadoop.tmp.dir设定的那个目录)，在Namenode，SecondaryNamenode和Datanode上使用jps无法查看到如下结果： [root@desktop1 ~]# jps 5389 NameNode 5980 Jps 5710 ResourceManager 7032 Jo...
应用Canary文件类型阻击勒索软件
weixin_34087503的博客
07-03 107
针对勒索软件，备份供应商通常都会这样建议用户：“只需将系统回滚至感染发生前的那一刻，你就能在几秒钟内恢复业务运营。”但是问题是我们怎么断定感染发生在哪个具体时刻。 今天的勒索软件正试图让感染更加难以检测，从而最大幅度地提升收入。典型的感染并不是立即展现出来的，而需要有一段间隔时间，然后慢慢进行破坏。Canary文件类型是防止勒索软件的方式之一，能够在攻击...
CDH环境故障: HDFS各服务进程状态未知，监控指标图表无数据
dinghua_xuexi的专栏
05-04 4808
导语 cdh是管理大数据组件的利器，他能帮助我们很好的监控管理各大数据进程服务。但在我们使用的过程中，不小心，也会遇到一些问题。这时需要我们想办法去解决它。 本篇主要记录我遇到的一个CDH平台问题，就是突然有一天，我的大数据组件服务启动后，各进程显示灰色的问号图标，并提示运行状态未知。并且监控图标全都无法显示 以为是...
CDH中出现Permission denied: user=root, access=WRITE, inode=“/user“:hdfs:supergroup:drwxr-xr-x
weixin_42965737的博客
12-27 1951
1.CDH安完成之后，使用"hive"命令进入hive的操作页面，创建表之后，插入数据报错，原因：由于权限问题 Permission denied: user=root, access=WRITE, inode="/user":hdfs:supergroup:drwxr-xr-x 问题解决方法有多种，但是现在使用的时CDH,所以要使用CDH的方式解决问题。 从报错的数据得知，是由于没有访问hdfs的权限导致的。 打开HDFS中的配置选项 ...
解决java.nio.file.AccessDeniedException: Permission denied
沉淀所学，分享所思，让热爱与成长同行。商务记录AI实战经验，助力开发者快速成长。 热爱AI，希望做出有影响力的技术成果。 技术点亮生活，分享连接价值与机会。 专注AI落地实战，陪你走好技术每一步。
09-14 1万+
java.nio.file.AccessDeniedException Permission denied 文件权限错误 解决文件权限问题 Java文件访问异常 文件系统权限错误 处理AccessDeniedException Java权限管理 文件访问被拒绝 文件操作异常 Java编程错误 文件权限管理 提升文件访问权限 Java异常处理 文件读写问题 文件权限修复 Java文件处理 文件访问安全性 解决AccessDeniedException 提高Java文件操作技能
jenkins启动后访问报错 java.io.IOException: Permission denied Failed to create a temporary file in...
weixin_52911459的博客
07-29 4251
jenkins启动后访问报错 java.io.IOException: Permission denied Failed to create a temporary file in...
hadoop2 作业执行过程之作业提交
weixin_34413103的博客
02-12 244
hadoop2.2.0、centos6.5 hadoop任务的提交常用的两种，一种是测试常用的IDE远程提交，另一种就是生产上用的客户端命令行提交 通用的任务程序提交步骤为： 1.将程序打成jar包； 2.将jar包上传到HDFS上； 3.用命令行提交HDFS上的任务程序。 跟着提交步骤从命令行提交开始 最简单的提交命令应该如： hadoop jar /ho...
from dask_yarn import YarnCluster from dask.distributed import Client, get_worker from distributed.protocol import serialize, deserialize import pandas as pd from pandas.core.arrays.string_ import StringDtype import dask.dataframe as dd import dask # 设置client环境变量 import os os.environ[ 'HADOOP_CONF_DIR'] = '/home/finance/App/jupyter-ide-tech.msxf.lo/.IDE/work/user_data/train_sdk/test/dask/dask_hadoop_conf_new/' os.environ['PATH'] = os.environ['PATH'] + ':/opt/cloudera/parcels/CDH/bin/' os.environ['HADOOP_HOME'] = '/opt/jupyter/3.1.5.0-152/hadoop/' os.environ['LD_LIBRARY_PATH'] = '/opt/jupyter/3.1.5.0-152/hadoop/lib/native' os.environ[ 'CLASSPATH'] = '/opt/jupyter/3.1.5.0-152/hadoop/lib/*:/opt/jupyter/3.1.5.0-152/hadoop/.//*:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/./:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/.//*:/opt/jupyter/3.1.5.0-152/hadoop-mapreduce/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-mapreduce/.//*:/opt/jupyter/3.1.5.0-152/hadoop-yarn/./:/opt/jupyter/3.1.5.0-152/hadoop-yarn/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-yarn/.//*:/usr/hdp/3.1.5.0-152/hadoop/lib/*:/usr/hdp/3.1.5.0-152/hadoop/.//*:/usr/hdp/3.1.5.0-152/hadoop-hdfs/./:/usr/hdp/3.1.5.0-152/hadoop-hdfs/lib/*:/usr/hdp/3.1.5.0-152/hadoop-hdfs/.//*:/usr/hdp/3.1.5.0-152/hadoop-mapreduce/lib/*:/usr/hdp/3.1.5.0-152/hadoop-mapreduce/.//*:/usr/hdp/3.1.5.0-152/hadoop-yarn/./:/usr/hdp/3.1.5.0-152/hadoop-yarn/lib/*:/usr/hdp/3.1.5.0-152/hadoop-yarn/.//*:/usr/hdp/3.1.5.0-152/hadoop/conf:/home/finance/App/jupyter-ide-tech.msxf.lo/.IDE/work/user_data/train_sdk/test/dask/dask_hadoop_conf/' def set_scheduler_env(): os.environ[ 'CLASSPATH'] = '/opt/jupyter/3.1.5.0-152/hadoop/lib/*:/opt/jupyter/3.1.5.0-152/hadoop/.//*:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/./:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/.//*:/opt/jupyter/3.1.5.0-152/hadoop-mapreduce/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-mapreduce/.//*:/opt/jupyter/3.1.5.0-152/hadoop-yarn/./:/opt/jupyter/3.1.5.0-152/hadoop-yarn/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-yarn/.//*:/usr/hdp/3.1.5.0-152/hadoop/lib/*:/usr/hdp/3.1.5.0-152/hadoop/.//*:/usr/hdp/3.1.5.0-152/hadoop-hdfs/./:/usr/hdp/3.1.5.0-152/hadoop-hdfs/lib/*:/usr/hdp/3.1.5.0-152/hadoop-hdfs/.//*:/usr/hdp/3.1.5.0-152/hadoop-mapreduce/lib/*:/usr/hdp/3.1.5.0-152/hadoop-mapreduce/.//*:/usr/hdp/3.1.5.0-152/hadoop-yarn/./:/usr/hdp/3.1.5.0-152/hadoop-yarn/lib/*:/usr/hdp/3.1.5.0-152/hadoop-yarn/.//*:/usr/hdp/3.1.5.0-152/hadoop/conf:/home/finance/App/jupyter-ide-tech.msxf.lo/.IDE/work/user_data/train_sdk/test/dask/dask_hadoop_conf/' # os.environ['DASK_DISTRIBUTED__DASHBOARD__PORT'] = '8042' return f"环境已设置: {os.environ['CLASSPATH']}" # 配置使用 msgpack 序列化 dask.config.set({'distributed.scheduler.worker-ttl': None}) dask.config.set({'distributed.comm.serialize': 'msgpack'}) # 或者使用 pickle5 dask.config.set({'distributed.comm.serialize': 'pickle5'}) import pandas as pd from pandas.core.arrays.string_ import StringDtype import cloudpickle def apply_compat_patch(): """应用兼容性补丁""" if not hasattr(YarnCluster, 'status'): def status(self): try: return self._state except AttributeError: return getattr(self, '_status', 'running') YarnCluster.status = property(status) apply_compat_patch() def patch_string_dtype(): """ 修复 StringDtype 对象缺少 _na_value 属性的问题 """ # 获取原始的 StringDtype 类 original_string_dtype = StringDtype # 定义补丁后的 StringDtype 类 class PatchedStringDtype(StringDtype): @property def na_value(self): # 直接返回 NA 值，而不是尝试获取 _na_value 属性 return self._na_value def __reduce__(self): # 确保在 pickling 时不会尝试获取 _na_value 属性 return StringDtype, (self.storage, self.na_value) # 替换原始的 StringDtype 类 pd.core.arrays.string_.StringDtype = PatchedStringDtype # 确保 cloudpickle 能够正确处理补丁后的类 cloudpickle.dumps(StringDtype) # 应用补丁 patch_string_dtype() def process_features(df, expr_list): """处理特征列，将_NAL1结尾的值替换为NaN""" for col in expr_list: df[col] = df[col].mask(df[col].astype(str).str.endswith('_NAL1'), np.nan) return df # 创建集群连接 cluster = YarnCluster( environment='/home/finance/App/jupyter-ide-tech.msxf.lo/.IDE/work/user_data/dask/dask-yarn-py311-env.tar.gz', # 打包的环境 # dashboard_address=':8042', worker_vcores=4, worker_memory='12GiB', scheduler_memory='12GiB', scheduler_vcores=1, n_workers=2, deploy_mode='remote', # 关键：连接到现有集群 name='dask-on-yarn-py11-4000', queue='root.dask.poc', worker_env={ "DASK_DISTRIBUTED__LOGGING__DISTRIBUTED": "INFO", "DASK_DISTRIBUTED__LOGGING__BOKEH": "INFO", "DASK_DISTRIBUTED__LOGGING__TUPL": "INFO", "DASK_DISTRIBUTED__ADMIN__LOG_FORMAT": "%(asctime)s %(name)s %(levelname)s %(message)s", "LD_LIBRARY_PATH": "/usr/hdp/current/hadoop-client/lib/native", "HADOOP_HOME": "/usr/hdp/current/hadoop-client", "ARROW_LIBHDFS_DIR": "/usr/hdp/current/hadoop-client/lib/native", 'CLASSPATH': '/opt/jupyter/3.1.5.0-152/hadoop/lib/*:/opt/jupyter/3.1.5.0-152/hadoop/.//*:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/./:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-hdfs/.//*:/opt/jupyter/3.1.5.0-152/hadoop-mapreduce/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-mapreduce/.//*:/opt/jupyter/3.1.5.0-152/hadoop-yarn/./:/opt/jupyter/3.1.5.0-152/hadoop-yarn/lib/*:/opt/jupyter/3.1.5.0-152/hadoop-yarn/.//*:/usr/hdp/3.1.5.0-152/hadoop/lib/*:/usr/hdp/3.1.5.0-152/hadoop/.//*:/usr/hdp/3.1.5.0-152/hadoop-hdfs/./:/usr/hdp/3.1.5.0-152/hadoop-hdfs/lib/*:/usr/hdp/3.1.5.0-152/hadoop-hdfs/.//*:/usr/hdp/3.1.5.0-152/hadoop-mapreduce/lib/*:/usr/hdp/3.1.5.0-152/hadoop-mapreduce/.//*:/usr/hdp/3.1.5.0-152/hadoop-yarn/./:/usr/hdp/3.1.5.0-152/hadoop-yarn/lib/*:/usr/hdp/3.1.5.0-152/hadoop-yarn/.//*:/usr/hdp/3.1.5.0-152/hadoop/conf:/home/finance/App/jupyter-ide-tech.msxf.lo/.IDE/work/user_data/train_sdk/test/dask/dask_hadoop_conf/', "HADOOP_CONF_DIR": "/usr/hdp/current/hadoop-client/etc/hadoop/conf", "ARROW_DISABLE_MEMORY_POOL": "false", "PYARROW_JEMALLOC": "true", "OMP_NUM_THREADS": "1", # 禁用OpenMP并行 "MKL_NUM_THREADS": "1" # 禁用MKL并行 # "MALLOC_ARENA_MAX": "2" # 限制内存分配区域 } ) # 扩展集群 # cluster.scale(20) # 扩展到20个worker # 连接客户端 client = Client(cluster) #client.run(patch_string_dtype) client.get_versions(check=True) client.run_on_scheduler(set_scheduler_env) def process_parquet(input_path, output_path): # 读取Parquet文件 df = dd.read_parquet(input_path) # 数据处理示例：筛选非空记录 processed_df = df.dropna() # 写入新Parquet文件 processed_df.to_parquet(output_path) return f"Processed {input_path} to {output_path}" # 加载数据集 try: # 3. 读取HDFS Parquet文件 hdfs_path = "hdfs://ms-n-dlake/user/yonglang.liu/tmp/5-fold/data/part-01499-ea197b0d-57cd-48a6-ba39-382342983409-c000.snappy.parquet" ddf = dd.read_parquet(hdfs_path, engine='pyarrow', storage_options={"use_ssl": False}, blocksize='256MB') # 7. 保存处理结果 output_path = "hdfs://ms-n-dlake/user/junyao.yao/tmp/5-fold/data/part-01499-ea197b0d-57cd-48a6-ba39-382342983409-c002.snappy.parquet" ddf.to_parquet(output_path,engine='pyarrow') finally: print("结束") #client.close() #cluster.shutdown() 这个代码报错，请分析调整下这个代码
最新发布
08-28
### 问题分析 在使用 Dask 与 YARN 集成处理 HDFS 上的 Parquet 文件时，出现 `OSError: [Errno 255]` 错误，通常表示在尝试访问 HDFS 文件系统时遇到了底层通信或认证问题。该错误可能由多种原因引起，包括 Hadoop 配置缺失、Kerberos 认证失败、文件路径权限不足或 PyArrow 与 HDFS 交互时的序列化异常。 根据 Dask 的使用方式，当处理超大数据集时，可以借助其分布式计算能力将任务分配到多个节点上执行，以缓解内存压力[^1]。然而，当涉及 HDFS 写入操作时，必须确保底层文件系统接口（如 `pyarrow.fs` 或 `hdfs3`）能够正确识别并连接到 HDFS 集群。 ### 配置调整建议 #### 1. 确保 Hadoop 配置文件可用 Dask 依赖于 Hadoop 配置文件（如 `core-site.xml` 和 `hdfs-site.xml`）来正确连接 HDFS。这些文件应放置在运行任务的节点上，并可通过环境变量 `HADOOP_CONF_DIR` 或 `ARROW_HDFS_CONF` 指定路径。 ```python import os os.environ['HADOOP_CONF_DIR'] = '/path/to/hadoop/conf' ``` #### 2. 使用 Kerberos 认证（如适用） 如果 HDFS 启用了 Kerberos 安全认证，需在连接时提供 Kerberos principal 和 keytab 文件路径： ```python from dask.distributed import Client client = Client(n_workers=4, memory_limit='32GB') import pyarrow as pa fs = pa.fs.HadoopFileSystem(host='namenode', port=8020, driver='libhdfs3', user='your_kerberos_principal', kerberos_ticket_cache_path='/tmp/krb5cc_1234') ``` #### 3. 设置 Dask Worker 内存限制 为避免内存溢出问题，应在初始化 Dask Client 时设置合理的内存限制： ```python from dask.distributed import Client client = Client(memory_limit='32GB') # 每个 worker 的内存限制 [^3] ``` #### 4. 使用 PyArrow 引擎写入 Parquet 文件 为确保数据写入过程的稳定性，建议显式指定 `engine='pyarrow'` 并避免使用默认引擎，以减少序列化兼容性问题： ```python import dask.dataframe as dd ddf = dd.from_pandas(df, npartitions=2) ddf.to_parquet('hdfs://namenode/path/to/output', engine='pyarrow') ``` #### 5. 验证写入路径权限 确保运行任务的用户具有对目标 HDFS 路径的写入权限。可以通过 HDFS CLI 检查并修改权限： ```bash hadoop fs -chmod -R 777 /user/junyao.yao/output_path ``` #### 6. 使用 PyArrow 直接写入 若问题仍与 Dask 抽象层相关，可尝试使用 PyArrow 的底层 API 直接写入 Parquet 文件，以绕过 Dask 的调度机制： ```python import pyarrow.parquet as pq import pyarrow as pa table = pa.Table.from_pandas(df) pq.write_table(table, 'hdfs://namenode/path/to/output/file.parquet') ``` --- ### 代码修复示例 结合上述配置调整，以下是一个完整的代码示例，用于在 Dask 与 YARN 集成环境下正确写入 HDFS 上的 Parquet 文件： ```python import os from dask.distributed import Client import dask.dataframe as dd import pyarrow.parquet as pq import pandas as pd # 设置 Hadoop 配置路径 os.environ['HADOOP_CONF_DIR'] = '/path/to/hadoop/conf' # 初始化 Dask Client 并设置 worker 内存限制 client = Client(memory_limit='32GB') # 创建示例 DataFrame df = pd.DataFrame({'id': range(100000), 'value': ['test'] * 100000}) # 转换为 Dask DataFrame ddf = dd.from_pandas(df, npartitions=4) # 显式使用 PyArrow 引擎写入 HDFS 上的 Parquet 文件 output_path = "hdfs://namenode/path/to/output" ddf.to_parquet(output_path, engine='pyarrow') ``` --- ###
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