MQ的设置

RocketMQ架构篇 - 读写队列与生产者如何选择队列 本文解析RocketMQ的读写队列与生产者如何选择队列。 阅读详情

RocketMQ 与 Kafka 核心配置对比

以下从生产者、消费者、Broker、分片(分区/队列)四个维度对比两者的核心配置差异,结合典型场景说明:


一、生产者配置

RocketMQ

  1. 发送模式
    • DefaultMQProducer:支持 同步发送(syncSend)、异步发送(asyncSend)、单向发送(sendOneWay),通过参数 sendLatencyFaultEnable 控制故障转移策略。
    • 重试机制:默认重试次数 retryTimesWhenSendFailed=2,可自定义超时时间 sendMsgTimeout=3000ms。
  2. 消息压缩
    • 支持 gzip、snappy 等压缩算法,通过 compressMsgBodyOverHowmuch 设置压缩阈值(默认4KB)。

Kafka

  1. 批量发送
    • batch.size=16384 (默认16KB):控制单个批次大小。
    • linger.ms=0 :批次等待时间,设为0表示立即发送,增大可提升吞吐但增加延迟。
  2. 可靠性控制
    • acks=1(默认):Leader写入成功即返回;acks=all 需所有副本确认(更高可靠性但延迟增加)。

二、消费者配置

RocketMQ

  1. 消费模式
    • PushConsumer:长轮询模式,实时性高,通过 consumeThreadMin=20 和 consumeThreadMax=64 调节并发线程数。
    • PullConsumer:需手动拉取消息,灵活性高但复杂度高。
  2. 偏移量管理
    • 默认持久化到Broker,支持重置消费位点(按时间戳或偏移量)。

Kafka

  1. 消费组
    • group.id 定义消费组,同一组内消费者共享分区。
    • enable.auto.commit=true (默认自动提交偏移量),可设为 false 手动提交。
  2. 分区分配策略
    • partition.assignment.strategy 支持 Range(默认)、RoundRobin 等策略。

三、Broker配置

RocketMQ

  1. 存储机制
    • storePathCommitLog:CommitLog文件存储路径(默认 ~/store/commitlog),单个文件1GB。
    • flushDiskType=ASYNC_FLUSH(默认异步刷盘),高可靠性场景可设为 SYNC_FLUSH(同步刷盘)。
  2. 副本与高可用
    • 主从同步复制:brokerRole=SYNC_MASTER(同步复制),ASYNC_MASTER(异步复制)。
    • NameServer地址:通过 namesrvAddr 配置多个节点实现路由发现。

Kafka

  1. 日志存储
    • log.dirs :数据存储目录,支持多路径提升IO性能。
    • log.retention.hours=168 (默认保留7天),log.segment.bytes=1GB 控制日志分段大小。
  2. 副本同步
    • unclean.leader.election.enable=false (禁止非ISR副本成为Leader,保证数据一致性)。
    • num.replica.fetchers=1 控制副本同步线程数。

四、分片(分区/队列)设置

RocketMQ

  1. 队列(Queue)
    • 通过 setWriteQueueNums(8) 设置每个Topic的队列数(类似Kafka分区),队列数影响消费并行度。
    • 单个Broker默认支持约10万队列,但需根据磁盘IO和内存合理配置。

Kafka

  1. 分区(Partition)
    • 创建Topic时指定 num.partitions=3 (默认分区数),分区数直接影响最大消费并行度。
    • 单机分区过多(如超过100)可能导致文件句柄和负载过高。

五、选型与配置建议

  1. 高吞吐场景
    • Kafka:优先增加分区数,优化 batch.size 和 linger.ms 。
    • RocketMQ:启用异步刷盘,增大 sendMsgTimeout 避免超时。
  2. 金融级可靠性
    • RocketMQ:配置 SYNC_FLUSH + 同步复制(主从ACK)。
    • Kafka:设置 acks=all + min.insync.replicas=2 。
  3. 消费并行度
    • Kafka:分区数需≥消费者线程数。
    • RocketMQ:队列数决定并发上限,可通过 consumeThreadMax 调整线程池。

扩展阅读:更多配置细节可参考官方文档或中的源码解析。

AD7768与STM32F439的硬件设计避坑指南:如何优化高精度ADC系统的电源与PCB布局 本文详细解析了AD7768与STM32F439在高精度ADC系统硬件设计中的关键问题与优化方案。从电源系统设计、PCB布局到基准电压选型,提供了实用的避坑指南和实测数据,帮助工程师提升系统性能至110dB动态范围。特别强调了SPI信号布线和电源滤波对ADC精度的重要影响。 阅读详情

相关推荐

【毕业设计】QT实战:从零构建仿QQ通讯系统,打造你的简历亮点项目

本文为计算机专业毕业生提供了一份详尽的毕业设计实战指南,教你如何从零开始使用QT框架构建一个仿QQ的即时通讯系统。文章深入剖析了项目规划、核心模块(登录、聊天、好友管理)的实现、TCP粘包处理、数据库设计等关键技术难点,并分享了如何将此项目打造成简历亮点,有效提升求职竞争力。

omega的博客 443

RocketMQ实战笔记:应用实践

Producer对于消息的发送方式也有多种选择,不同的方式会产生不同的系统效果。同步发送消息是指,Producer发出⼀条消息后,会在收到MQ返回的ACK之后才发下⼀条消息。该方式的消息可靠性最高,但消息发送效率太低。 异步发送消息 异步发送消息是指,Producer发出消息后无需等待MQ返回ACK,直接发送下⼀条消息。该方式的消息可靠性可以得到保障,消息发送效率也可以。 单向发送消息 单向发送消息是指,Producer仅负责发送消息,不等待、不处理MQ的ACK。该发送方式时MQ也不返回ACK。该方式的

LoveSummer 9048

打开LWIP_DEBUG的打印信息调试

在lwip 2.1.2的版本,打开的debug 调试的步骤: 1.在debug.h 文件中找到debug打印的定义 默认LWIP_DEBUG这个宏没有定义, 2.在lwipopt.h 文件中或者其他文件定义 一下LWIP_DEBUG这个宏, 3.在opt.h 中可以打开各种宏的调试信息, /* --------------------------------------- ---------- Debugging options ---------- ---------...

haidscs的博客 9881

RocketMQ 使用

RocketMQ 使用

qq_33753147的博客 3700

同花顺API实战指南:从零搭建股票数据自动化采集系统

本文提供了一份详尽的同花顺API实战指南,手把手教你从零开始搭建股票数据自动化采集系统。内容涵盖API权限申请、Python环境配置、数据采集与存储脚本编写、自动化定时任务实现以及数据清洗等核心环节,旨在帮助量化交易与数据分析爱好者构建稳定可靠的数据源,解放双手,提升研究效率。

weixin_29200741的博客 2422

【深度排查】VScode 远程 SSH 连接失败:从网络握手到服务部署的全链路诊断指南

本文详细解析了VScode远程SSH连接失败的常见原因及解决方案,从基础网络排查到SSH服务配置,再到VScode特有的问题处理。特别针对Ubuntu和TrueNAS系统提供了具体配置建议,帮助开发者快速解决'Could not establish connection'等连接问题,提升远程开发效率。

weixin_30301449的博客 447

【消息队列】MQ03——RocketMQ

RoketMQ 一个消费者能消费多个queue,但是一个queue只能被一个消费者消费 多个pod部署同一个服务,这需要某台pod拉去消息? 同一个consumergroup的不同的consumer消费相同的topic?肯定是不同的queue,如何指定queue来存msg呢?指定对应的consumer读这个msg,有个tag的概念 参考文献:https://www.jianshu.com/p/345aaa18f71d https://www.bilibili.com/video/BV1cf4y157sz?

~yzzheng~的博客 5694

Windows下ArduPilot SITL仿真环境搭建与QGC地面站联调全攻略

软件在环仿真(SITL)是无人机开发中的关键一环,它通过将飞控固件运行在PC上,用数学模型模拟传感器数据,实现无硬件依赖的飞行逻辑验证。这项技术不仅降低了试错成本,更为地面站开发、自动化测试和任务规划提供了安全可控的试验场。在工程实践中,MAVLink协议作为飞控与地面站之间的通信桥梁,贯穿仿真、遥测与指令控制全程。结合QGroundControl(QGC)这一主流地面站,开发者可以直观地观察飞行状态、规划航点并记录日志。本文以Windows原生环境为例,详细介绍ArduPilot SITL的搭建流程、MA

weixin_31858171的博客 319

rocketmq原理解析

rocketmq rocketmq和kafka对比 基本角色

修理男爵的博客 3477

PyTorch实战:3D U-Net医学图像分割从零搭建(附完整代码)

本文详细介绍了如何使用PyTorch从零搭建3D U-Net模型进行医学图像分割,涵盖三维卷积实现、模块化架构设计、医学图像专属优化策略及完整训练流程。通过实战代码演示,帮助开发者掌握UNet-3D在CT、MRI等三维医学图像分割中的应用,提升肝脏肿瘤分割、肺结节检测等任务的准确性。

weixin_29061997的博客 330

【R语言】基于Biomod2集成平台探究物种分布区的构建流程(SDMs)

我为什么想要写这个内容呢?其实我已经想了很久了,但是一直没有把所有的代码给理清楚,此外这将是我之后研究的主要方向。本博客讲述了如何基于Biomod2集成平台构建物种分布模型的全流程,以及我在使用该模型时的一些心得,同时还有我提供的一些小福利(一键处理代码),可以十分快捷的帮助你完成SDMs的构建,写出你的中英文论文。

amyniez的博客,欢迎交流讨论 3894

ibm mq 收发消息 java,如何使用java程序为IBM MQ设置消息ID

I am able to set correlation id for IBM mq but unable to set message id for the message the message id I am setting is being overridden by the MQ how to set this message id below one is the code I am ...

weixin_30666427的博客 1494

【教程4>第6章>第15节】 基于I+jQ复数信号的LS信道估计和均衡实现1——matlab仿真分析,QPSK为例

在基于QPSK调制的通信系统中,LS信道估计和均衡是用于补偿信道失真、提高信号传输质量的重要技术。以下将详细介绍基于I+jQ复数信号的 LS 信道估计和均衡的实现原理与过程。可以看到,通过线性插值之后,QPSK信号的星座图可以模糊的看到四个星座点(图2),通过非线性插值之后,可以清晰的看到QPSK的四个星座点(图3)。可以看到,信道均衡显著提高了通信系统的可靠性和有效性。

FPGA/MATLAB学习教程/源码/项目合作开发 657

linux下mq通道的命令,Linux如何安装及设置MQ

MQ又称IBM MQ,能够为企业ESB搭建基础传输层,其使用需要配置运行环境,且安装完后需要进行相关设置,下面小编就给大家介绍下Linux安装和设置MQ的方法,感兴趣的朋友不妨来详细了解下。MQ下载地址:http://www-03.ibm.com/software/products/us/en/wmq/安装的MQ软件包为WMQv600Trial-x86_linux_2.tar.gz. 将WMQv6...

weixin_29732787的博客 1084

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。

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")

转帖:MQ设置和编程最佳实践

原网址:http://www.sudu.cn/info/html/edu/20070823/279996.html 第一部分:有关MQ对象设置的最佳实践 对于MQ系统设置,我们要规划MQ通讯网络,确定系统的拓扑结构,确定各种...

clugcpne10995的博客 243

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

在IBM MQ的queue上设置trigger

在IBM MQ的queue上设置trigger,在有消息到达queue的时候调用application来处理消息.

交换一个思想,能得到俩思想 3574

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

rabbitmq 添加用户和设置最大权限,也是解决mq报socket关闭异常

此方式也是解决整合mq后,自己添加用户后,mq报socket关闭异常 1.安装完可视化mq后台后 ,直接http://localhost:15672/进入 ![在这里插入图片描述](https://img-blog.csdnimg.cn/20181029110601688.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shad...

酷毙了耶的博客 3873

MQ 连接超时设置

Problem(Abstract) The number of client channels increase over time and never decreases._ Cause This occurs because the queue manager does not detect that the client has been disconnected, and there

u013341524的专栏 9511

MQ消息流如何在JavaCompute中设置目标队列

MQ消息流如何在JavaCompute中设置目标队列

dymkkj的专栏 751

MQ 的消息延迟了怎么处理,消息可以设置过期时间么,过期了你们一般怎么处理。

在设计消息系统时,合理设置消息过期时间,并针对过期消息制定相应的处理策略,是保证系统稳定性和性能的重要步骤。这样可以有效地管理消息队列中的数据,确保系统的健壮性和可靠性。

NZC2237的博客 1025

MQ高可用相关设置

消息丢失的三种情况消息在传入服务过程中丢失MQ收到消息,暂存内存中,还没消费,自己挂掉了,内存中的数据搞丢消费者消费到了这个消息,但还没来得及处理,就挂了,MQ以为消息已经被处理也就是生产者丢失消息、消息列表丢失消息、消费者丢失消息;

Gabriel的博客 1626

JAVA-MQ设置动态的过期队列

动态设置死信时间

2301_79425914的博客 1012

MQ 通道设置与测试

MQ程序设计初探”一文中,讨论了从MQ队列管理器的本地队列中放置和读出消息的程序,本文主要通过两台机器,搭建MQ消息传输的环境,并编写测试程序进行测试。 第一、准备工作 准备2台Win2000环境(XP也可),通过以太网连通。 机器A:代码为00000000,IP地址为:10.1.1.1 机器B:代码为88888888,IP地址为:10.1.1.2 安装MQ 5.3 第二、创建MQ

summer_huan的博客 1900

springBoot-rabbit MQ-设置手动确认ACK-Channel

自动确认消费,不管 try 中有没有异常,消息管理界面上队列里的消息都被消费了,没有ready和unacked状态栏; 手动确认,未被消费的消息有多少条都会在ready状态栏下,分发到消费端后,消费端没有回发ack的消息会在unacked状态栏中。 MQ配置的时候,如果配置了json解析器。如下: @Bean("exchangeSendPoEccIntegrationRes...

fwk19840301的博客 6847

MQ高可用相关设置(2)

MQ作用:消峰,异步,解耦, 数据收集【收集日志】、大数据处理等。使用MQ的好处提高系统响应速度【异步】提高系统稳定性【消峰】排序保证先进先出FIFO下表是对Kafka与RabbitMQ功能的总结性对比及补充说明。功能项Kafka(1.1.0版本)RabbitMQ(3.6.10版本)优先级队列不支持支持。建议优先级大小设置在0-10之间。延迟队列不支持支持死信队列不支持支持重试队列不支持不支持。RabbitMQ中可以参考延迟队列实现一个重试队列,二次封装比较简单。

2401_84182428的博客 676

log4j.properties 设置mq日志级别

log4j.properties 设置mq日志级别 log4j.logger.org.springframework.amqp.rabbit.listener.SimpleMessageListenerContainer=info log4j.logger.org.springframework.amqp.rabbit.listener.BlockingQueueConsumer=info ...

道道博客 367
上一篇: kafka、rabbitmq、rocketmq的核心区别 使用场景详解是什么
下一篇: SpringCloud相关
虚行
博客等级 码龄14年 168粉丝 67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