Spark on Yarn in single node

Hive故障排查实战:从YARN资源到元数据一致性的分层诊断与恢复 在大数据生态中,数据仓库的稳定运行是保障下游分析、报表和机器学习流水线的基石。其核心原理在于协调计算资源、元数据管理与查询执行等多个服务层,确保数据一致性与作业可靠性。这一架构的技术价值在于能够高效处理海量数据,但复杂的依赖关系也带来了独特的故障排查挑战。常见的应用场景包括ETL任务失败、查询无响应或结果异常,这些问题往往涉及资源调度、服务连接与状态同步。本文聚焦于Hive这一广泛使用的数据仓库工具,深入解析其分层架构下的典型故障模式。针对计算资源层(如YARN队列资源耗尽、任务OOM)、元数据服务层(如M 阅读详情

Env

Ubuntu 20.04
hadoop-3.1.3
hive-3.1.2-bin
spark-3.3.0-bin-hadoop3

spark-defaults.conf

spark.master yarn
spark.driver.memory 512m
spark.yarn.am.memory 512m
spark.executor.memory 512m

spark-env.sh

export HADOOP_HOME=/path/to/hadoop
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export JAVA_HOME=/path/to/java
export SCALA_HOME=/path/to/scala

Start:

  1. spark-sql --driver-class-path /path/to/hive-3.1.2-bin/lib/mysql-connector-java-5.1.49.jar
  2. copy mysql driver: cp /path/to/mysql-connector-java-5.1.49.jar $SPARK_HOME/jars, then run spark-sql

Verify:
在这里插入图片描述

create tpcds dataset in Hive with: tpcds-for-hive-on-emr

errors

Failed to send RPC error:

Change yarn conf:

        <property>
              <name>yarn.scheduler.maximum-allocation-mb</name>
                <value>9216</value>
        </property>
        <property>
                <name>yarn.scheduler.minimum-allocation-mb</name>
                <value>4000</value>
        </property>
        <property>
                <name>yarn.nodemanager.vmem-pmem-ratio</name>
                <value>4.1</value>
        </property>
PySpark机器学习实战:构建可复现的分布式建模流水线 分布式机器学习不是简单将单机算法搬上集群,而是围绕数据规模、特征一致性与生产稳定性重构整个建模生命周期。其核心原理在于利用DataFrame原生API实现‘计算随数据走’,通过Pipeline统一管理特征转换、模型训练与超参调优,规避RDD序列化、内存溢出和特征漂移等典型故障。技术价值体现在分钟级PB级训练、跨环境可复现的模型交付,以及与Delta Lake、Spark SQL深度集成的工程闭环。典型应用场景包括金融风控实时建模、电商用户流失预警、IoT设备异常检测等需要高吞吐、低延迟、强一致性的工业级任务 阅读详情

相关推荐

dolphinscheduler-3.4.0

dolphinscheduler集群部署

docsz的博客 661

PySpark(一): Hadoop SingleNode部署下Spark on yarn

环境: MacOX系统 Java: 8 Scala: 2.12.4 Hadoop: 2.7.7 Spark: 2.4.0 文章目录1. 准备工作2. 配置并启动Hadoop1. 配置3. 初始化HDFS3. 启动/停止2. Spark配置并启动1. 配置2.启动4. 遇到的问题: 1. 准备工作 安装Java, Scala, 并下载Spark及其相应版本的Hadoop; 编辑~/.zsh...

海洋之心 425

【信息科学与工程学】计算机科学与自动化—第十五篇 云计算 11 算法篇01

编号类型领域问题问题的数学分析(含几何学/拓扑学/代数学/数论/集合论/离散数学/概率论/统计学/其他)及数值分析及算法分析及参数列表及参数数值设计C/C++/rust/python代码软件(含编译器)及硬件资源需求(CPU/GPU/内存【NAND/DRAM/HBM/其他】/HBM、HDD、SSD、RAID卡、其他)关联知识1工作负载调度数据中心最小化总完成时间/成本。

weixin_49199313的博客 223

Ubuntu安装hadoop集群 hive spark scala

hadoop spark hive

malingyu的专栏 1501

Nginx健康检查实战:如何用第三方模块提升服务可用性(附详细配置)

本文深入探讨了如何通过集成第三方健康检查模块来提升Nginx的服务可用性。文章对比了Nginx默认被动检查的局限性,并详细介绍了主动健康检查的核心优势、主流模块选型,以及以nginx_upstream_check_module为例的实战部署与配置指南,帮助运维人员构建更可靠的负载均衡架构。

weixin_28331555的博客 308

Claude Code 使用 OpenAI Codex(GPT-5.3-Codex)完整配置教程

通过 LiteLLM 可以让 Claude Code 调用任何模型,包括:OpenAIDeepSeekGemini本地模型↓↓优点:不依赖 Anthropic API可自由切换模型支持统一 AI Gateway这种“LLM Gateway 架构”正在成为 AI 开发工具的主流实践。

Jacobe_zhao的博客 1万+

从Spark API使用者到性能调优专家:原理、实战与避坑指南

分布式计算框架是处理海量数据的核心技术,其通过将计算任务分解并分配到多台机器并行执行,以解决单机资源瓶颈。其核心原理在于任务调度、数据分区与跨节点通信(Shuffle)。理解这些原理对于实现高效数据处理至关重要,能直接提升作业执行速度并降低资源消耗。在实际工程中,性能调优与问题排查是衡量开发者水平的关键,涉及内存管理、数据倾斜处理等核心技能。本文以Apache Spark这一主流框架为例,深入剖析其Driver-Executor架构与Stage划分机制,并通过一个完整的电商日志分析案例,手把手演示如何从环境

weixin_33796205的博客 335

TSEND_C指令错误代码解析与实战排错指南

本文详细解析西门子PLC中TSEND_C指令的常见错误代码,包括连接建立、参数配置、资源限制和网络通信等错误类型。针对错误代码80C4等典型问题提供实战排错指南,帮助工程师快速诊断和解决工业通信中的连接故障,提升系统可靠性。

backprop5master的博客 414

11111

1.Hadoop是一个由Apache基金会所开发的分布式计算基础框架。2.主要解决海量数据的存储和分析计算问题。3.广义上来讲,Hadoop通常是指一个更广泛的概念--Hadoop生态圈。NameNode:存储文件的元数据,如文件名、文件目录结构、文件属性(生成时间、副本数、文件权限),以及每个文件的块列表和块所爱的DataNode等。DataNode:在本地文件系统存储文件块数据,以及块数据的校验和。Secondary NameNode:每隔一段时间对NameNode元数据备份。

hh_123456789_hh的博客 581

STM32驱动直流有刷电机:H桥、死区与PWM调速实战

直流有刷电机是嵌入式系统中最基础的执行器之一,其核心控制逻辑围绕H桥拓扑展开——通过四个开关管组合实现启停、正反转与调速。理解死区时间(Dead Time)对防止上下管直通、保障硬件安全至关重要;而PWM调速的本质是调节电机端口平均电压,需结合互补输出与占空比映射实现平滑响应。该技术广泛应用于智能小车、电动工具及工业控制器等场景,尤其在STM32平台配合HAL库与高级定时器(如TIM1)时,可构建高鲁棒性、可复用的电机驱动框架。

weixin_42593701的博客 776

【开源数据集】电动车佩戴头盔检测数据集(TWHD)

佩戴头盔检测数据集VOC格式图像与标注数量各5448张

hzg19930513的博客 5177

【无标题】分布式计算系统

(1)Hadoop是一个由Apache基金会所开发的分布式计算基础框架。(2)主要解决海量数据的存储和海量数据的分析计算问题。(3)广义上来讲,Hadoop通常是指一个更广泛的概念--Hadoop生态圈。NameNode:存储文件的元数据,如文件名、文件目录结构、文件属性(生成时间、副本数、文件权限),以及每个文件的块列表和块所爱的的DataNode等。DataNode:在本地文件系统存储文件块数据,以及块数据的校验和。Secondary NameNode:每隔一段时间对NameNode元数据备份。

love_messi的博客 365

宇树G1语音助手完整开发指南(上)——从零构建智能知识库对话系统

本文将详细介绍如何为宇树G1人形机器人开发一个,实现"唤醒 → 对话 → 查询 → 回复"的智能助手功能。

m0_47999117的博客 790

2026年分布式计算系统课堂笔记

TB PB EB结构化数据:固定格式 关系型数据库,excel半结构化数据:具有一定的层次结构,介于结构化数据与非结构化数据之间 json文件,xml文件,电子邮件非结构化数据:无固定格式 文本文件,图片,音乐快速化价值密度低大数据技术要面对的基本问题,也是最核心的问题:就是海量数据如何可靠存储和高效计算。leetcode(1)Hadoop是一个由Apache基金会所开发的分布式计算基础框架。(2)主要解决,海量数据的存储和海量数据的分析计算问题。

Sunny20th的博客 596

DBC中如何实现报文传输类型属性的配置

AUTOSAR中CAN报文的传输类型主要有三种,周期型,事件型和混合型。周期型:按固定时间间隔自动发送,无需额外的触发条件。事件型:当信号值变化或满足内部条件时立即发送。混合型:默认按周期发送,但事件触发时可提前发送。

sunchengl的博客 307

复现论文《孤岛微电网环境下基于物理模型引导的深度强化学习VSG频率控制方法》

本文提出了一种结合物理模型与深度强化学习的孤岛微电网VSG频率控制方法。通过建立VSG小信号模型并设计可变系数控制器,将物理知识融入深度强化学习框架,解决了高维参数和机组耦合带来的控制难题。复现代码实现了三个核心组件:VSGSmallSignalModel建模VSG动态特性,VariableCoefficientController实现参数自适应调节,PhysicsGuidedDRL整合DQN算法与物理模型引导的奖励机制。该方法通过模型驱动与数据驱动的优势互补,提升了频率控制性能,其中物理模型既作为先验知识

huanghm88的专栏 127

Hive 3.1.2与MariaDB元数据库配置与优化指南

数据仓库工具Hive作为大数据生态的核心组件,其元数据管理直接影响查询性能与系统稳定性。传统方案多采用MySQL存储元数据,而MariaDB凭借其线程池优化、查询加速等特性,成为更高效的替代选择。从技术原理看,MariaDB通过改进的InnoDB缓冲池和连接复用机制,可显著降低Hive元数据操作的延迟,特别适合高并发查询场景。本文以Hive 3.1.2与MariaDB 10.5组合为例,详解环境配置、性能调优及生产级部署方案,涵盖字符集设置、ACID事务支持等关键技术要点,帮助构建高性能数据仓库基础设施。

weixin_30432579的博客 431

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

Docker容器化部署Hadoop伪分布式环境实战指南

容器化技术通过将应用及其依赖打包成标准化的轻量级单元,实现了环境一致性、快速部署和资源隔离,其核心原理基于操作系统级虚拟化与镜像分层机制。在数据密集型计算领域,Hadoop作为分布式存储与处理框架,传统部署方式复杂且环境依赖性强。将Hadoop与Docker结合,能极大简化环境搭建流程,提升开发测试效率。通过编写高效的Dockerfile,选择openjdk:8-jdk-slim等精简基础镜像,并优化配置SSH服务、Hadoop核心配置文件(如core-site.xml、hdfs-site.xml)及资源参

优快云头条 938

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

分布式计算系统1.1

(1)Hadoop是一个由Apache基金会所开发的分布式计算基础框架。(2)主要解决,海量数据的存储和海量数据的分析计算问题。(3)广义上来讲,Hadoop通常是指一个更广泛的概念--Hadoop生态圈。NameNode:存储文件的元数据,如文件命名、文件目录结构、文件属性(生成时间、副本数、文件权限),以及每个文件的块列表和块所爱的DataNode等。DataNode:在本地文件系统存储文件块数据,以及块数据的校验和。

2401_88003411的博客 322

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

分布式计算系统课堂笔记

(2)多样化(来源多(搜索引擎、社交网络、通话记录、传感器...)、格式多(结构化的数据、非结构化的数据)半结构化数据:具有一定的层次结构,介于结构化数据与非结构化数据之间(json文件、xml文件、电子邮件)TB 太字节 1TB=1024GB 数据库(25张高清图片)B(Byte) 字节 1B=8b 汉字占2个字节。hadoop 分布式计算系统+分布式数据库+Spark。非结构化数据:无固定格式 (文本文件、图片、音乐)(1)大量化(存储量大、增量大)

YESSS__的博客 248

1,大数据离我们有多远?

结构化数据: 固定格式 关系型数据库,excel,半结构化数据:具有一定的层次结构,介于结构化数据与非结构化数据之间 json文件,xml文件,电子邮件非结构化数据:无固定格式 文本文件,图片,音乐大数据技术要面对的基本问题,也是最核心的问题:就是海量数据如何可靠存储和高效计算。letcood网站学算法。(1)Hadoop是由一个Apache基金会所开发的分布式计算基础框架。(2)主要解决,海量数据的存储和海量数据的分析计算问题。

zqrxwt的博客 583

第一章:初识Hadoop大数据技术

(1)hadoop是一个由Apache基金会所开发的分布式计算基础框架。(2)主要解决,海量数据的存储和海量数据的分析计算问题。(3)广义上来讲,Hadoop通常是指一个更广泛的概念--Hadoop生态圈。②Hadoop根据是Google的三篇论文实现HDFS → GFS(1)HDFS:Hadoop Distributed File System,是Hadoop项目的核心子项目,是分布式计算中数据存储管理的基础。

high33的博客 153

PySpark鲁棒解析非标准分隔符数据的三层架构

在大数据工程中,结构化数据加载常面临非标准分隔符(如\u0001、\|、|||)带来的解析挑战——这类数据缺乏规范表头、字段内含换行/引号/转义,且分隔符语义无法被Spark CSV源原生支持。其本质是字符串级上下文感知解析问题,需绕过DataFrame层的‘结构化幻觉’,下沉至RDD进行字节/字符粒度控制。技术价值在于实现高容错、可监控、易扩展的原始数据清洗能力,支撑金融、电信、IoT等场景下银行导出文件、话单日志、设备payload等典型脏数据治理。本文聚焦PySpark中Raw→Parsed→Stru

weixin_34161083的博客 448

Dinky实时计算平台深度解析与实战部署指南

Dinky作为基于Apache Flink构建的实时数据开发平台,为数据工程师提供了统一流批处理和实时计算的一站式解决方案。本文将从技术架构、部署方案、配置优化到生产实践,全面解析Dinky平台的深度应用,帮助技术团队构建高效稳定的实时计算环境。 ## 项目概述与技术架构设计 Dinky平台的核心设计理念是简化Flink SQL开发流程,提供企业级的实时计算管理能力。基于Apache Flin

gitblog_00801的博客 446
上一篇: openLookeng on WSL in Windows Server 2019
下一篇: Python连接MySQL
DataPeak
博客等级 码龄15年 32粉丝 68原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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