Spark手记

Spark3 AQE实战:从‘小文件噩梦’到‘分区自动合并’的调优手记 本文详细介绍了如何利用Spark3的Adaptive Query Execution(AQE)特性解决小文件问题,通过动态分区合并功能将日均小文件数量从12万降至8000,同时提升查询性能60%。文章提供了关键参数配置、生产环境实战案例及避坑指南,帮助开发者高效优化Spark作业。 阅读详情

绕过启动时上传jars到HDFS

启动Spark时会有这样的警告:

2022-11-17 09:30:08,049 WARN yarn.Client: Neither spark.yarn.jars nor spark.yarn.archive is set, falling back to uploading libraries under SPARK_HOME.

将$SPARK_HOME/jars/*.jar上传到HDFS上hdfs://localhost:9000/spark-yarn/jars

hdfs dfs -mkdir -p /spark-yarn/yars
hdfs dfs -put $SPARK_HOME/jars/*.jar /spark-yarn/yars

在$SPARK_HOME/conf/spark-default.conf中配置spark.yarn.jars

spark.yarn.jars hdfs://localhost:9000/spark-yarn/jars/*.jar

文件读写 - csv另存为parquet

import spark.implicits._
import java.io.File
new File("/data/projects/tpcds/sql").listFiles.filter(_.isDirectory).map(_.listFiles.filter(_.isFile)).flatMap(_.toList).foreach(f => spark.read.options(Map("delimiter" -> "|")).csv(f"file://${f.getCanonicalPath}").write.options(Map("compression"->"gzip")).parquet(f"file:///data/projects/tpcds/parquet/${f.getParentFile.getName}/${f.getName.replace(".dat", "")}.parquet"))

查看表详情

desc formatted table_name;

TPCDS

生成数据

下载数据生成工具:TPC-DS Tools Download

unzip ${uuid}-tpc-ds-tool.zip
cd DSGen-software-code-${version}/tools
cmake OS=LINUX
dsdgen -SCALE 1 -DIR /data/tpcds

数据文件放到HDFS

hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/customer_address
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/customer_demographics
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/date_dim
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/warehouse
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/ship_mode
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/time_dim
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/reason
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/income_band
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/item
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/store
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/call_center
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/customer
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/web_site
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/store_returns
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/household_demographics
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/web_page
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/promotion
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/catalog_page
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/inventory
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/catalog_returns
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/web_returns
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/web_sales
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/catalog_sales
hdfs dfs -mkdir -p /data/hive/warehouse/tpcds/1G/store_sales

hdfs dfs -put tpcds/customer_address.dat /data/hive/warehouse/tpcds/1G/customer_address
hdfs dfs -put tpcds/customer_demographics.dat /data/hive/warehouse/tpcds/1G/customer_demographics
hdfs dfs -put tpcds/date_dim.dat /data/hive/warehouse/tpcds/1G/date_dim
hdfs dfs -put tpcds/warehouse.dat /data/hive/warehouse/tpcds/1G/warehouse
hdfs dfs -put tpcds/ship_mode.dat /data/hive/warehouse/tpcds/1G/ship_mode
hdfs dfs -put tpcds/time_dim.dat /data/hive/warehouse/tpcds/1G/time_dim
hdfs dfs -put tpcds/reason.dat /data/hive/warehouse/tpcds/1G/reason
hdfs dfs -put tpcds/income_band.dat /data/hive/warehouse/tpcds/1G/income_band
hdfs dfs -put tpcds/item.dat /data/hive/warehouse/tpcds/1G/item
hdfs dfs -put tpcds/store.dat /data/hive/warehouse/tpcds/1G/store
hdfs dfs -put tpcds/call_center.dat /data/hive/warehouse/tpcds/1G/call_center
hdfs dfs -put tpcds/customer.dat /data/hive/warehouse/tpcds/1G/customer
hdfs dfs -put tpcds/web_site.dat /data/hive/warehouse/tpcds/1G/web_site
hdfs dfs -put tpcds/store_returns.dat /data/hive/warehouse/tpcds/1G/store_returns
hdfs dfs -put tpcds/household_demographics.dat /data/hive/warehouse/tpcds/1G/household_demographics
hdfs dfs -put tpcds/web_page.dat /data/hive/warehouse/tpcds/1G/web_page
hdfs dfs -put tpcds/promotion.dat /data/hive/warehouse/tpcds/1G/promotion
hdfs dfs -put tpcds/catalog_page.dat /data/hive/warehouse/tpcds/1G/catalog_page
hdfs dfs -put tpcds/inventory.dat /data/hive/warehouse/tpcds/1G/inventory
hdfs dfs -put tpcds/catalog_returns.dat /data/hive/warehouse/tpcds/1G/catalog_returns
hdfs dfs -put tpcds/web_returns.dat /data/hive/warehouse/tpcds/1G/web_returns
hdfs dfs -put tpcds/web_sales.dat /data/hive/warehouse/tpcds/1G/web_sales
hdfs dfs -put tpcds/catalog_sales.dat /data/hive/warehouse/tpcds/1G/catalog_sales
hdfs dfs -put tpcds/store_sales.dat /data/hive/warehouse/tpcds/1G/store_sales

创建Hive表:

以customer_address表为例:

create external table customer_address
(
    ca_address_sk             int               ,
    ca_address_id             char(16)              ,
    ca_street_number          char(10)                      ,
    ca_street_name            varchar(60)                   ,
    ca_street_type            char(15)                      ,
    ca_suite_number           char(10)                      ,
    ca_city                   varchar(60)                   ,
    ca_county                 varchar(30)                   ,
    ca_state                  char(2)                       ,
    ca_zip                    char(10)                      ,
    ca_country                varchar(20)                   ,
    ca_gmt_offset             decimal(5,2)                  ,
    ca_location_type          char(20)                      
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|' STORED AS textfile
location '/data/hive/warehouse/tpcds/1G/customer_address/'
;

用hive创建的text表创建spark parquet表

drop table customer_address;
drop table customer_demographics;
drop table date_dim;
drop table warehouse;
drop table ship_mode;
drop table time_dim;
drop table reason;
drop table income_band;
drop table item;
drop table store;
drop table call_center;
drop table customer;
drop table web_site;
drop table store_returns;
drop table household_demographics;
drop table web_page;
drop table promotion;
drop table catalog_page;
drop table inventory;
drop table catalog_returns;
drop table web_returns;
drop table web_sales;
drop table catalog_sales;
drop table store_sales;

create table customer_address like tpcds.customer_address using parquet;
insert into customer_address select * from tpcds.customer_address;
create table customer_demographics like tpcds.customer_demographics using parquet;
insert into customer_demographics select * from tpcds.customer_demographics;
create table date_dim like tpcds.date_dim using parquet;
insert into date_dim select * from tpcds.date_dim;
create table warehouse like tpcds.warehouse using parquet;
insert into warehouse select * from tpcds.warehouse;
create table ship_mode like tpcds.ship_mode using parquet;
insert into ship_mode select * from tpcds.ship_mode;
create table time_dim like tpcds.time_dim using parquet;
insert into time_dim select * from tpcds.time_dim;
create table reason like tpcds.reason using parquet;
insert into reason select * from tpcds.reason;
create table income_band like tpcds.income_band using parquet;
insert into income_band select * from tpcds.income_band;
create table item like tpcds.item using parquet;
insert into item select * from tpcds.item;
create table store like tpcds.store using parquet;
insert into store select * from tpcds.store;
create table call_center like tpcds.call_center using parquet;
insert into call_center select * from tpcds.call_center;
create table customer like tpcds.customer using parquet;
insert into customer select * from tpcds.customer;
create table web_site like tpcds.web_site using parquet;
insert into web_site select * from tpcds.web_site;
create table store_returns like tpcds.store_returns using parquet;
insert into store_returns select * from tpcds.store_returns;
create table household_demographics like tpcds.household_demographics using parquet;
insert into household_demographics select * from tpcds.household_demographics;
create table web_page like tpcds.web_page using parquet;
insert into web_page select * from tpcds.web_page;
create table promotion like tpcds.promotion using parquet;
insert into promotion select * from tpcds.promotion;
create table catalog_page like tpcds.catalog_page using parquet;
insert into catalog_page select * from tpcds.catalog_page;
create table inventory like tpcds.inventory using parquet;
insert into inventory select * from tpcds.inventory;
create table catalog_returns like tpcds.catalog_returns using parquet;
insert into catalog_returns select * from tpcds.catalog_returns;
create table web_returns like tpcds.web_returns using parquet;
insert into web_returns select * from tpcds.web_returns;
create table web_sales like tpcds.web_sales using parquet;
insert into web_sales select * from tpcds.web_sales;
create table catalog_sales like tpcds.catalog_sales using parquet;
insert into catalog_sales select * from tpcds.catalog_sales;
create table store_sales like tpcds.store_sales using parquet;
insert into store_sales select * from tpcds.store_sales;

启动history server

vim $SPARK_HOME/conf/spark-defaults.conf

spark.eventLog.enabled true
spark.eventLog.dir hdfst://localhost:9000/spark-events
spark.eventLog.logDirectory hdfst://localhost:9000/spark-events

$SPARK_HOME/sbin/start-history-server.sh
访问:http://hostname:18081

Spark char/varchar type support

使用Hive导入CSV文件,再CTAS为ORC表,导致当开启filter下推时带char/varchar predicate(s)的Spark SQL语句失败:

java.lang.UnsupportedOperationException: DataType: varchar(1)

原因是Spark fitler下推时会从ORC读取列数据类型,此时得到的是char/varchar,而创建filter时并不支持char/varchar类型,从Spark 3.1.3开始,引入CharVarcharUtils用来替换char/varchar为StringType。
bug链接:https://issues.apache.org/jira/browse/SPARK-35700?actionOrder=desc
修复PR:https://github.com/apache/spark/pull/30412

OrcFileFormat
	if (orcFilterPushDown && filters.noEmpty)
		OrcUtils.readCatalystSchema(filePath, conf, ignoreCorruptFiles).foreach{fileSchema =>{
		  OrcFilters.createFilter(fileSchema, filters).foreach { f => OrcInputFormat.setSearchArgument(conf, f, fileSchema.fieldNames)}
		}
// since 3.1.3
OrcUtils.readCatalystSchema
  toCatalystSchema(schema)
  CharVarcharUtils.replaceCharVarcharWithStringInSchema(CatalystSqlParser.parseDataType(schema.tostring).asInstanceOf[StructType])
分布式存储系统关于GDPR条例中的数据清除原则 文章目录前言HDFS存储系统数据的完全删除基于加解密的输入输出流的数据保护方案 前言 关于GDPR是什么,可能许多同学之前并不太了解,至少笔者在之前也是不清楚的。GDPR全称为通用数据保护条例,General Data Protection Regulation。它是一项来自欧盟的关于计算机数据保护相关的条约,旨在规范系统如何收集,管控用户私人数据的种种行为。但是当前的一些存储系统并没有完全符合... 阅读详情

相关推荐

【Unity】Spine动态换装进阶:SkeletonGraphic插槽级皮肤切换与内存优化

本文深入探讨了Unity中Spine动态换装的进阶技术,重点解析了SkeletonGraphic插槽级皮肤切换的实现原理与内存优化策略。通过代码示例展示了如何高效管理皮肤实例、避免内存泄漏,并提供了对象池、纹理合并等性能优化方案,帮助开发者提升2D角色换装系统的运行效率与稳定性。

food6的博客 196

Adobe Spark试用手记

5月,夏,初夏。一个不起眼的日子,起眼的是一家公司,一款产品,它叫Adobe,它叫Spark。没有人知道Adobe究竟有没有发布过多终端产品,真正意义的多终端产品,它俨然动手了,就在一周之前,干脆利落,不带一丝迟疑。世人尽知Adobe之名,源于其客户端软件之研发,尤长于Photoshop,显于Flash、After Effects… 后来诸类产品悉数归于大全-Creative Suite,当今设计...

凹凸实验室 1071

【遥感数字图像处理(朱文泉)】第四章 变换域处理方法

变换域的处理方法

甜子yu的博客 4312

随手记--Spark

RDD:Resilient Distributed Dataset(弹性分布式数据集),spark计算的基石,为用户屏蔽了底层对数据的复杂抽象和处理,为用户提供了一组方便的数据转换与求值方法。 特性:不可变、可分区、弹性 不可变:如果需要在一个RDD上进行转换操作,则会生成一个新的RDD 分区:RDD里面的具体数据是分布在多台机器上的Executer里面的,堆内内存和堆外内存+磁盘 弹性: 存储...

TriumPhSk的博客 147

手把手教你用SNAP做全极化SAR图像分类

引言 最近在研究极化SAR图像分类方面的内容,发现用SNAP软件可以很方便的实现图像的分类。因为在入门过程中踩了很多坑,浪费了一些时间,为了不让大家踩坑,所以决定写下这篇教程。 前期准备 软件下载 SNAP是欧空局旗下的一个SAR图像处理软件,可以点击下载地址进行下载。 数据下载 数据下载地址:https://mdacorporation.com/sample_data/RS2_OK76385_...

zz651044657的博客 1万+

Figma入门-自动布局

Figma原型图制作内置组件友好,自动布局类似CSS flex,通过布局网格控制对齐、分布、换行等,前端熟悉的同学易上手,参数设置基本一致。

我码玄黄的博客 2176

spark 运行模式(随手记)

spark 运行模式: local模式: 开发过程中的运行模式 例如: ./spark-submit --master local[2] --name wordcount01 /opt/script/wordcount01.py file:///opt/bigdatas/hello.txt python模式下: –master –name –py-files standalone 模式: 假设有5台机器,就每台机器的相同路径下部署spark 在spark_home/conf/slaves下配置 hadoop

182

EVM算法的Python实现

EVM(Eulerian Video Magnification,欧拉视频放大或欧拉影像放大)是一种将视频中的微小变化进行放大的算法,正如论文标题所说《Eulerian Video Magnification for Revealing Subtle Changes in the World》,该算法可以将视频中的微小变化转变为肉眼可以

flyingzhao 1万+

(随手记)Spark基础:杂七杂八

RDD操作 transformation:转换 它不会立即执行,spark所有操作都是懒执行的,所有的转换只有到action的时候才会运行 action 动作 Transformation算子 http://spark.apache.org/docs/latest/rdd-programming-guide.html#transformations Action算子 http://sp...

把伤痕当酒窝 196

3、数据导入与清洗:Excel、SQL、SPSS、Stata和SAS数据处理

本文详细介绍了如何从Excel文件、SQL数据库以及SPSS、Stata和SAS等统计软件中导入和清洗数据。针对不同数据来源的特点,提供了具体的处理方法,包括跳过无用行、重命名列、处理缺失值、转换数据类型、保留元数据等关键步骤。同时,通过实际应用案例展示了如何整合多源数据,并总结了数据导入和清洗的最佳实践,帮助读者高效完成数据预处理工作,为后续的数据分析打下坚实基础。

134

哨兵1号后向散射系数土壤水分反演

打开之前预处理之后的VH和VV极化的后向散射系数转存的tiff文件。

所有专家都曾始于新手 3296

Spark1.6 onYARN 安装手记

在现在的环境中hadoop+spark+mpp的OLAP的场景越来越多,学习spark需要的第一步就是搭建测试环境。 一、前提准备 spark或者说hadoop集群的最小机器就是3台,分别如下:192.168.206.27 master 192.168.206.33 slave1 192.168.203.19 slave2 1.修改机器名vi /etc/sysconfig/network

数据人 782

代谢组数据分析(十九):随机森林构建代谢组预后模型

建立胃癌(GC)预后模型时,从队列3中的181名患者中,使用右删失结果数据进行了随机分层抽样,分为训练数据集(n = 121)和测试数据集(n = 60)。训练了一个包含1000棵树的随机生存森林(RSF)模型,根据它们基于排列的特征重要性来选择突出的特征。通过再次训练随机生存模型,并选取28种代谢物,建立了显示出色预测能力(AUROC = 0.832,95% CI:0.697-0.951)的最佳模型,用于预测测试数据集中GC患者的生存结果。

专注生信领域 1716

Spark生成RDD----随手记

生成RDD的方式 使用 sc.textFile(数据源) ,生成RDD 例如: val lines:RDD[String] = sc.textFile(ars(0)) val rdd1 = sc.textFile("hdfs://zookeeper1:9000/input") rdd1.collect val rdd2 = sc.parellel...

Carroll的博客 491

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Openfire+Spark+Spark Web安装配置 手记(二)

三、 Jabber客户端安装配置 1. 软件下载 客户端软件列表请参考:http://www.jabber.org/software/clients.shtml 我们将使用Spark,因为Spark和Openfire能够很好的相互支持。软件下载地址:http://www.igniterealtime.org/downloads/index.jsp#spark Wind...

weixin_33857230的博客 90

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

Hadoop/Spark分布式集成环境搭建手记

1. 虚拟机安装CentOS 7 minimal版本(略过)minimal版本系统没有自动安装防火墙,所以省了一些事2. 配置CentOS修改hostname和timezone[root@localhost~]#hostnamectlset-hostnamemaster [root@localhost~]#hostname master [root@localho...

weixin_34185364的博客 190

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

Spark从零开始手记 弹性分布式数据集(RDDs:Resilent distributed datasets)

概述:Spark是新一代大数据计算引擎,具有内存计算的特性,计算速度比hadoop更快。本文涉及Spark基础概念RDD,KeyValueRDD以及RDD的常用Transformation和Action操作等内容,更多内容请参考慕课网Terby老师的《Spark从零开始》 1、一个RDD是一个不可改变的分布式集合对象 在spark中,所有的计算都是通过RDDs的创建、转换操作完成的 一个RD...

luckGeek的博客 379

“十日谈”:Leges 小律提案 项目:用AI为AI立法——Nvidia DGX Spark黑客松开发手记

各位老师好,我是第二届 Nvidia DGX Spark 黑客松的 AMA 队(Leges 小律提案 项目)的队长 Amanda。这是我这次黑客松的 “十日谈” 开发历程以及感想。

amand2026的博客 255

Spark环境搭建与测试

概述:本文主要介绍CentOS 6.5下基于Hadoop的Spark环境搭建过程,并实现塞缪尔·厄尔曼《青春》的词频统计,Spark的具体搭建过程如下: 1、下载并解压Spark源码 https://archive.apache.org/dist/spark/spark-2.4.3/spark-2.4.3.tgz 2、编译Spark 如果需要获取适配Hadoop的spark版本,可在Li...

luckGeek的博客 1323

Spark实战-基于Spark日志清洗与数据统计以及Zeppelin使用

基于spark的数据清洗与统计,以及Zeppelin的配置与使用

m0_56525833的博客 2402

spark学习笔记2(使用spark Sql进行离线数据分析项目)

网站日志分析实战.项目 一、 用户行为日志概述 1. 用户访问、浏览、搜索、点击等行为都会被记录在网站的服务器上。 2. 用户的访问信息主要包括如下内容: (1)系统属性。(操作系统、浏览器) (2)点击的 url, 从什么 url 跳转过来 (3) 用户的sessionI...

wangping623的专栏 4619

Win11 在Docker中部署Hadoop、Spark

在/usr/local/hadoop/etc/hadoop/目录下修改(直接在docker中找到相应文件夹改即可)注:一般情况很快就更新好了,如果更新超级慢(注意看一下是否修改了docker的镜像。修改hadoop-env.sh文件,加入Hadoop home参数。修改hadoop-env.sh文件,加入Hadoop home参数。查看 HDFS 中的 /output 文件夹的内容。全部修改为(删掉localhost)全部修改为(删掉localhost)直接在此界面修改(把原来的全删了)

weixin_52785140的博客 1083

数据工程师实战指南:Hadoop、Spark、Flink等五大框架生产调优与避坑

大数据(Big Data)指在分布式环境下对海量、高速、多样数据进行采集、存储、计算与服务的系统性工程能力。其核心原理在于通过分而治之(Shuffle/Partition)、容错重试(Speculative Execution/Checkpointing)和统一资源调度(YARN/K8s)保障SLA。技术价值体现在降低TCO、提升分析时效性与支撑实时决策闭环。典型应用场景包括电商用户行为分析、金融风控实时拦截、IoT设备时序处理等。本文聚焦Hadoop、Spark、Flink、Hive、Storm五大高频框

weixin_30772105的博客 785

Spark-Sql

将RDD转化成SchemaRDD: 1.4的API(事例代码,官网有) val sqlContext = new org.apache.spark.sql.SQLContext(sc) // this is used to implicitly convert an RDD to a DataFrame. import sqlContext.implicits.

拱头的专栏 458

PySpark生产级实战:从OOM到稳定上线的调优手记

PySpark是Apache Spark面向Python开发者的核心API,其本质是通过JVM与Python进程协同执行分布式计算。理解DataFrame的Catalyst优化器与Tungsten执行引擎原理,是规避RDD序列化开销、实现高效列式处理的关键技术基础。在电商、广告、风控等高吞吐场景中,PySpark的生产价值体现在资源可控、延迟稳定、故障可溯——这依赖于对内存模型分层配置、Shuffle数据熵评估、Driver端数据拉取机制的深度掌握。本文聚焦PySpark生产级落地中的典型问题:内存溢出、数

weixin_33766805的博客 545

Spark数据科学算力演进:VM→裸金属→Serverless三阶路径

Spark作为工业级大数据处理引擎,凭借统一API、DataFrame范式、可靠Shuffle机制与成熟生态,成为数据科学工作流的核心中枢。其技术价值在于平衡开发效率与TB级计算性能,支撑特征工程、模型训练与实时管道等关键场景。随着数据规模从GB级(Small)跃升至TB级(Big)乃至弹性峰值(Massive),基础设施必须跨越虚拟机、裸金属服务器到Serverless Spark三阶段——每阶演进本质是解决不同量级下的核心矛盾:资源隔离性、运维复杂度与作业确定性。本文聚焦Spark在真实生产环境中的架构

weixin_33816300的博客 360
上一篇: Intellij手记
下一篇: Scala手记
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