Python网络爬虫的网站实例

15.用爬虫测试网站 网站的前端测试经常最后才做,或者指派给低级程序员去做,最多再给他们一个检查表和一个 bug 跟踪器。就可以把检查表变成一系列单元测试,用网络爬虫代替人眼进行测试。 本篇内容将介绍测试的基础知识,以及如何用 Python 网络爬虫测试各种简单或复杂的网站。 1.测试简介 什么是单元测试 对于程序员来说,测试和单元测试(unit test)这两个词基本可以看成是等价的。 单元测试通常具有以下特点: 每个单元测试用于测试一个组件的功能的一个方面。通常,一个组件的所有单元测试都集成在同一个类(class)里。 每 阅读详情

1.通过爬取网页源代码

import requests
def getHTMLText(url):
    try:
        r=requests.get(url,timeout=30)
        r.raise_for_status()
        r.encoding=r.apparent_encoding
        return r.text
    except:
        return "产生异常"

if __name__=="__main__":
    url="http://www.sdust.edu.cn"
    print(getHTMLText(url))

2.爬取京东商品的源代码

import requests
url="https://item.jd.com/5181380.html"
try:
    r=requests.get(url)
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[:1000])
except:
    print("爬取失败")

3.爬取亚马逊商品的源代码

import requests

url="https://www.amazon.cn/gp/product/B071SDP8PC"

try:
    kv={'user-agent':'Mozilla/5.0'}
    r=requests.get(url,headers=kv)
    r.raise_for_status
    r.encoding=r.apparent_encoding
    print(r.text[24440:25145])
except:
    print("爬取失败")

4.百度、360搜索关键词

import requests

keyword="Python"
url="https://wwww.baidu.com/s"

try:
    kv={'wd':keyword}
    r=requests.get(url,params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")

import requests

keyword="Python"
kv={'q':keyword}
url="http://www.so.com/s"

try:
    r=requests.get(url,params=kv)
    print(r.request.url)
    r.raise_for_status()
    print(len(r.text))
except:
    print("爬取失败")
    

5.网络图片的爬取与下载

import requests
import os
url="http://image.nationalgeographic.com.cn/2017/0730/20170730125917668.jpg"
root="E://Python//wordplace//getHTMLText//picture//"
path=root + url.split('/')[-1]

try:
    if not os.path.exists(root):
        os.mkdir(root)
    if not os.path.exists(path):
        r=requests.get(url)
        with open(path,'wb') as f:
            f.write(r.content)
            f.close()
            print("文件保存成功")
    else:
        print("文件已存在")
except:
    print("爬取失败")

6.查询IP地址

import requests
url="http://m.ip138.com/ip.asp?ip="
try:
    r=requests.get(url+'202.204.80.112')
    r.raise_for_status()
    r.encoding=r.apparent_encoding
    print(r.text[-500:])
except:

    print("爬取失败")



python网络爬虫(一) 爬取网站图片 什么是网络爬虫? 网络爬虫(Web Spider),又被称为网页蜘蛛,是一种按照一定的规则,自动地抓取网站信息的程序或者脚本。网络蜘蛛是通过网页的链接地址来寻找网页,从网站某一个页面开始,读取网页的内容,找到在网页中的其它链接地址,然后通过这些链接地址寻找下一个网页,这样一直循环下去,直到把这个网站所有的网页都抓取完为止。 爬虫流程 用户获取网络数据的方式: 方式1:浏览器提交请求—>下载... 阅读详情

相关推荐

解决《用Python写网络爬虫》中示例网站访问不了的问题

《用Python写网络爬虫》示例网站http://example.webscraping.com访问不了的解决方法

lovrain的博客 3447

分享两个python爬虫练习网站

写爬虫程序,很多人会担心写爬虫触犯一些法律什么的,事实上不侵犯损害他人利益以及不影响网站正常工作,只是娱乐正常使用是没问题的,尤其是批量化大规模操作的时候,所以一开始写爬虫代码时,了解一些还是有必要的。 比如我自己在课程中第一次进行批量操作的时候就会告知可能的影响。

m0_59162248的博客 1万+

python网络爬虫-采集整个网站

介绍了整个网络爬虫的设计和编写方式

wanght89的专栏 7411

Python 爬取网站小实例

由于这学期开了一门叫《大数据技术与应用》的课,从而开始了Python的学习之旅。刚开始讲课,老师讲的比较基础,加上自己之前累积了一些语言基础,于是很快便变得“贪得无厌”。 到了周末,便开始在网上疯狂搜索各种爬虫教程,很快,便写出了自己的第一个爬取网页的程序。其实应该说代码较为恰当些,毕竟就几行而已。不过,当时运行后,打印出页面信息的感觉还是挺爽的。而有了第一步,自然会去尝...

Jxc的个人博客 6143

Python网络爬虫在恶意网站URL检测系统中的应用

随着互联网技术的快速发展,网络安全问题日益突出,恶意网站和钓鱼网站对用户的信息安全和财产安全构成了严重威胁。本文基于Python网络爬虫技术,设计并实现了一个恶意网站URL检测系统。该系统通过爬取大量URL特征数据,结合机器学习分类算法,能够有效识别钓鱼网站和恶意网站。文章详细介绍了系统的设计思路、实现过程以及关键技术,包括使用最新的Selenium和Playwright进行动态网页爬取、Scrapy框架进行高效数据采集、以及多种机器学习模型进行恶意URL检测。

2201_76125261的博客 626

Python网络爬虫实战:爬取新闻网站新闻

正则表达式(Regular Expression)是一串由字符和特殊符号构成的字符串,它描述了一种字符串匹配的模式,用来检索、替换那些符合某个模式(规则)的文本。在Python中,正则表达式可以使用re模块进行处理。下面是一个简单的例子,展示了如何使用re模块来匹配特定模式的字符串:import re# 待搜索的字符串text = "今天天气不错,明天也不错。# 正则表达式,匹配“天”字后的字符pattern = r"天(后|上|下)"

weixin_28746457的博客 3111

在github中最好用的19个Python爬虫推荐,建议收藏!

可依据不同的主题存储到Excel不同的Sheet ,采用User Agent伪装为浏览器进行爬取,并加入随机延时来更好的模仿浏览器行为,避免爬虫被封。以hao123为入口页面,滚动爬取外链,收集网址,并记录网址上的内链和外链数目,记录title等信息,windows7 32位上测试,目前每24个小时,可收集数据为10万左右。总数据数:20119918,抓取字段:用户id,昵称,性别,头像,等级,经验值,粉丝数,生日,地址,注册时间,签名,等级与经验值等。涵盖链家爬虫一文的全部代码,包括链家模拟登录代码。

大模型研究中心 1万+

Python网络爬虫实战:从TaskCity网站项目信息抓取到Excel存储

本文还有配套的精品资源,点击获取 简介:本项目介绍了如何使用Python进行网络爬虫技术来抓取TaskCity网站上的项目信息,并存储到Excel文件中。课程内容涉及Python爬虫基础概念、请求库 requests 使用、HTML解析技术( BeautifulSoup 与 lxml )、数据提取与处理、异常处理与反爬策略,以及如何...

weixin_36369848的博客 1621

python selenium 自动化爬虫与测试网页利器

selenium 能做的事情太多了,自动化测试,复杂页面的爬取

shiter编写程序的艺术 1195

python网站更新检测小爬虫

当指定网页的指定内容变化时,发送邮件到指定用户。附部分招生单位调剂信息爬取方式。

若依开源框架(分离版)在人大金仓数据库下使用

对于甲方业务特殊要求,使用国产化数据库人大金仓,作为项目主要存储。这里以若依开源框架整合人大金仓为例,演示如何在真实项目中引入人大金仓。

🐱喵测实验室 5944

基于Python网络爬虫的小说网站数据分析

摘要:本文设计了一个Python网络爬虫程序,用于抓取小说网站的多项信息。该程序通过模拟用户行为(随机User-Agent、访问间隔)实现反爬技术,使用BeautifulSoup和正则表达式解析网页,可获取小说标题、作者、出版信息、简介、封面、价格、评论等数据,并存储为结构化格式(CSV/JSON/Excel)。程序支持深度爬取小说章节内容并进行词频统计,通过递归请求和动态调整访问频率确保爬取稳定性。实现过程包括URL获取、内容解析、数据存储等模块,体现了Python爬虫技术的综合应用。

毕业作品网站 7810

【开关电源】开关电源实战经验分享

开关电源原理设计、Layout设计经验分享

weixin_42098658的博客 4173

Python网络爬虫,在网站上扒数据

做科研的各位兄弟,有时候需要数据,但是无处获得,用Pyhton学会做网络爬虫之后,数据到处都是!!!

qiangzaizaiO的博客 1万+

实战指南:用Python实现ONVIF WS-Discovery设备发现(附完整代码)

本文提供了一份详细的实战指南,介绍如何使用Python实现基于ONVIF标准的WS-Discovery设备发现协议。文章深入解析了协议原理、网络通信模型,并提供了完整的代码实现,帮助开发者快速构建智能安防和物联网应用中的设备自动发现工具,有效提升网络设备集成与管理的效率。

chair的专栏 1118

UsualToolCMS-验证码绕过漏洞复现

本文以UsualToolCMS为靶场,复现了验证码绕过漏洞

小小小屿屿屿的博客 922

如何防止Python网络爬虫爬取网站内容

文件、限制IP访问频率、屏蔽IP、利用JS加密网页内容、隐藏版权或垃圾文字、用户登录访问、隐藏分页、防盗链措施、全Flash/图片/PDF呈现、随机模版、动态不规则HTML标签、使用验证码、设置诱饵页面、修改HTTP请求头、使用代理IP、调整访问频度、模拟浏览器行为、使用分布式爬虫、修改请求头信息和设置等待时间等。这种方法可以有效防止爬虫对服务器造成过大负担,但也会阻止搜索引擎收录,因此适用于不依赖搜索引擎的网站。这种方法可以增加爬虫抓取的难度。这种方法会影响搜索引擎收录,但可以防止未经授权的爬虫访问。

kcarly的专栏 1441

Android——Handler详解

1. 简介 Handler是一套 Android 消息传递机制 可以说只要有异步线程与主线程通信的地方就一定会有 Handler。 在多线程的应用场景中,将工作线程中需更新UI的操作信息 传递到 UI主线程,从而实现 工作线程对UI的更新处理,最终实现异步消息的处理 使用Handler消息传递机制主要是为了多个线程并发更新UI的同时,保证线程安全 2. 相关概念解释 Handler、Message、Message Queue、Looper Android消息机制: 以Handler的sendMes

Yawn 7万+

深入探索Python网络爬虫:从电商网站抓取书籍数据的实战案例

在数字化时代,数据已成为推动决策和创新的重要资产。网络爬虫技术为我们提供了一种高效获取和分析数据的手段,尤其在电商、金融和市场研究等领域,爬虫的应用愈发广泛。本文将通过一个具体的案例,深入探讨如何使用Python构建一个功能强大的网络爬虫,抓取电商网站上的书籍信息。我们将逐步解析每个技术环节,从发送HTTP请求到处理动态加载内容,最终将数据存储为可用格式。无论你是初学者还是有一定经验的开发者,这篇博文都将为你提供实用的技巧和深入的理解,帮助你在网络数据获取的旅程中迈出坚实的一步。

不迁怒,不贰过。小知识,大智慧。 915

Stata极简生存分析

1. 导入数据 webuse drugtr,clear *webuse -- Use dataset from Stata website stset,clear *上一行命令导入进来的数据是“生存时间数据”,会比最原始的数据多四列,这一行命令的目的是重置为原始数据,之所以这样做,是为了显示数据处理的全部过程 codebook drug codebook studytime codebook died codebook age *codebook -- Describe data contents 2.

TOP生物信息 2336

2026年软考信息安全工程师备考指南

信息安全工程师是信息产业部和人事部举办的软考中新增开的一门考试。软考全称全国计算机技术与软件专业技术资格(水平)考试,这门新开的信息安全工程师分属该考试“信息系统”专业,位处中级资格,是信息产业部和人事部在最新的“国人厅发[2007]139号文件中新增的专业。2016年下半年,第一次开考信息安全工程师(中级)考试。 考试科目: 1.信息安全基础知识,考试时间为150分钟,笔试,选择题; ...

鹿鸣天涯 7401

【Python 开发网络爬虫抓取客户订单网站数据】

如果需要进一步优化或应对复杂反爬机制(如验证码、动态 Token),可考虑使用。框架或商业爬虫工具(如 Octoparse)。

qq_25066151的博客 2976

5-EP4CE10F17C8-引脚配置

EP4CE10F17C8-引脚配置

weixin_44479192的博客 721

用python爬取网站数据代码,python网络爬虫爬取数据

包括:Python激活码+安装包、Python web开发,Python爬虫,Python数据分析,人工智能、机器学习、自动化测试带你从零基础系统性的学好Python!👉。

2401_84668397的博客 843

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

Python 网络爬虫实战:从基础到高级--爬取电商网站商品信息

网络爬虫是一种自动访问网页并提取信息的程序。发送 HTTP 请求:通过GET或POST请求访问网页。解析网页内容:从 HTML 结构中提取所需信息。数据存储:将提取的信息存储到数据库或文件中。网络爬虫是数据获取的重要手段,通过学习和实践,可以快速提升爬虫能力。然而,未来的爬虫技术将面临更强的反爬机制和更复杂的动态网页,因此,需要持续关注新技术,如分布式爬虫、机器学习辅助解析等,从而应对新挑战。

qq_20245171的博客 2072

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")

Python:网络爬虫爬取某表情包网站

Pyrhont:网络爬虫爬取某表情包网站 参考: 爬虫基础知识点汇总(html文件基础和4个常用库 超级详细长文预警) 【爬虫教程】吐血整理,最详细的爬虫入门教程~ HTML的简单介绍 HTML的全称为超文本标记语言,是一种标记语言。它包括一系列标签.通过这些标签可以将网络上的文档格式统一,使分散的Internet资源连接为一个逻辑整体。HTML文本是由HTML命令组成的描述性文本,HTML命令可以说明文字,图形、动画、声音、表格、链接等。 作为爬虫初学者,我们了解HTML的基本组成、标签以及 标签的属性

qq_46020744的博客 917

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

mind_programmonkey
mind_programmonkey 领域专家: 算法与数据结构技术领域 领域专家: 算法与数据结构技术领域
博客等级 码龄9年 4435粉丝 1111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

打赏作者

mind_programmonkey

你的鼓励是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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