Jmeter分布式测试dubbo接口1

JMeter 5.1.1整合Dubbo插件实现微服务性能测试实战指南 在微服务架构中,性能测试是保障系统稳定性的关键环节。其核心原理在于通过模拟高并发用户请求,评估系统在压力下的吞吐量、响应时间和资源利用率等指标,从而发现潜在瓶颈。对于采用Dubbo这类高性能RPC框架的服务,传统的HTTP测试工具无法直接调用其基于自定义二进制协议的接口,这使得针对Dubbo服务的性能测试成为一项专门的技术需求。通过集成特定的JMeter插件,测试人员可以像测试普通HTTP接口一样,便捷地构造和发起Dubbo调用,实现对**微服务**核心通信链路的压力测试与容量评估。这项技术对于确保**分布 阅读详情

一、Dubbo简介

dubbo是一个分布式服务框架,致力于提供高性能和透明化的RPC远程服务调用方案,以及SOA服务治理方案。其核心部分包含如下几点:
1、远程通讯:提供对多种基于长连接的NIO框架抽象封装,包括多种线程模型,序列化,以及“请求-响应”模式的信息交换方式;
2、集群容错:提供基于接口方法的透明远程过程调用,包括多协议支持,以及软负载均衡,失败容错,地址路由,动态配置等集群支持;
3、自动发现:基于注册中心目录服务,使服务消费方能动态的查找服务提供方,使地址透明,使服务提供方可以平滑增加或减少机器;
4、dubbo简化模型
在这里插入图片描述
5、Dubbo架构
Provider: 暴露服务的服务提供方。
Consumer: 调用远程服务的服务消费方。
Registry: 服务注册与发现的注册中心。(常见Zookeeper作为注册中心)
Monitor: 统计服务的调用次数和调用时间的监控中心。
Jmeter本身并不支持Dubbo接口,如果需要测试dubbo接口,这里给大家介绍两种方式,第一种需要借助第三方插件,可以从https://github.com/ningyu1/jmeter-plugins-dubbo/tree/master/dist下载,然后将jar包放入${JMETER_HOME}libext路径下,重启即可。
第二种可以借助脚本方式来实现。咱们着重使用第二种。
首先我们先来用java做一个dubbo接口的sample,这是参考的dubbo官网的例子(http://dubbo.apache.org/en-us/)
1.我们首先导入POM文件到idea里
在这里插入图片描述在这里插入图片描述
2.接下来我们创建Provider端:
在这里插入图片描述
创建接口的impl类
在这里插入图片描述
创建xml文件放到resource 下
在这里插入图片描述
通过使用xml来注册接口
在这里插入图片描述
3.接下来我们来创建Consumer端
首先创建一个xml文件放到resources下
在这里插入图片描述
通过使用一份xml配置文件进行测试
在这里插入图片描述
运行的时候先运行Provider,等待Provider启动之后,再启动Consumer(源码都可在github上下载https://github.com/chrisblue0605/dubboSample)
在这里插入图片描述
好了,我们以及用java实现了dubbo接口测试,接下来我们将java实现dubbo接口测试与jmeter集成起来。
二、Jmeter集成

在idea的右边有一个maven窗口->Lifecycle->双击package,将项目打包,在target文件夹下面,会生成项目特有的jar文件
在这里插入图片描述
从jmeter官网(https://jmeter.apache.org/download_jmeter.cgi)下载jmeter运行文件。
将打包生成的jar包以及项目所需要的所有jar包都放到jmeter_homelibext下(所有jar包也上传GitHub)
在这里插入图片描述
打开Jmeter之后,新建线程组,在线程组里新建beanshell sample
import com.testfan.auto.consumer.Consumer;

String inString = “Chris”;
String outString = Consumer.test(inString);
vars.put(“outString”, outString);
在这里插入图片描述

jmeter多个接口怎么进行测试?接口脚本如何编写? 目录 前言 1、背景公司大部分的服务都是非 HTTP 的接口,都是 dubbo 接口,如今需要对一些接口做性能测试。 2、工具准备Jmeter 3.2、 Java IDE(本文采用 IDEA),Maven 作为包管理工具 3、创建一个 maven 项目,此处可以创建一个 quickstart,参考截图 创建好之后,大概的工程结构是这样的: 4、以上配置完毕后,开始撸代码需要继承 Jmeter 的 AbstractJavaSamplerClient 类,并实现 runTest 方法 5、上. 阅读详情

相关推荐

性能测试工具 Jmeter 测试 Dubbo 接口脚本编写

此处也可以不用下载,直接在 pom 文件中,配置 dubbo 的依赖,然后下载 dubbo.jar,解压后就会有 dubbo.xsd 文件,拷贝出来即可,参考下图。11、以上做完之后,简单调试下脚本,能够正常运行,然后将相关的依赖,脚本,数据文件传到压测机上,调整线程数,进行正式的压测。当这里 main 方法调试成功了后,再打 jar 包,上传到 jmeter 的相关路径,再进行测试,会高效很多。以上 pom 文件配置都是一些基本的配置,没有配置要测试的接口的依赖的 jar 包,实际操作过程中,需要加上。

Free355的博客 1261

如何分布式执行接口自动化测试用例(下)

分布式执行接口自动化测试用例

Heney33的博客 800

JMeter 5.1.1 + Dubbo性能测试实战套件

性能测试是确保应用程序在高负载下仍能保持高效稳定运行的关键环节。JMeter是当前最流行的开源性能测试工具之一,由Apache软件基金会开发。JMeter 5.1.1作为最新版本,提供了许多改进功能,是性能测试和压力测试的有力工具。Apache Dubbo 是一个高性能的 Java RPC 框架,主要用来开发高性能的服务化组件。它最早由阿里巴巴开源,现已捐献给 Apache 基金会。Dubbo 提供了丰富的服务治理特性,如负载均衡、服务注册和发现、高可用等,是构建微服务架构的重要组件之一。

weixin_42263617的博客 1092

一文了解分布式系统测试方法

现阶段按压测不是什么新鲜事,已经不存在技术瓶颈和资源问题,在一些成熟企业中甚至成为了一项日常事务性工作,甚至已经固化到某些应用程序版本的迭代流程中了。但压测也绝没简单到只在压测平台上设置参数、运行脚本,然后看压测报告中某个指标是否满足压测要求那么简单。在笔者最近参与的一项压测工作过程中就出现了很多细节的问题,导致与QA同学就压测计划和压测指标等方面再次沟通并进行了二次压测,浪费了很多工作量,所以才有了这篇文章。

编程是一门实践技术 1806

避坑指南:RK3588上编译EtherCAT 1.6时遇到的权限问题和模块安装错误

本文详细解析了在RK3588平台上编译EtherCAT 1.6时常见的权限问题和模块安装错误,提供了两种实战解决方案和嵌入式开发的通用权限管理策略。通过优化内核配置和编译参数,显著提升实时性能,帮助开发者高效完成EtherCAT主站部署。

weixin_33724046的博客 455

OpenCV教程:超详细的OpenCV入门教程,值得收藏

OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉库,它提供了很多函数,这些函数非常高效地实现了计算机视觉算法(最基本的滤波到高级的物体检测皆有涵盖)。 OpenCV 使用 C/C++ 开发,同时也提供了 Python、Java、MATLAB 等其他语言的接口。 OpenCV 是跨平台的,可以在Windows、Linux、Mac OS、Android、iOS 等操作系统上运行。 OpenCV 的应用领域非常广泛,包括图像拼接、图像降噪、产品质检、..

pythonandaiot的博客 14万+

6. 接口分布式测试pytest-xdist

《pytest-xdist实战指南》摘要: 本文深入解析pytest-xdist分布式测试插件,提供从安装到企业级应用的全套解决方案。核心内容包括:分布式测试原理、参数详解(-n/--dist)、执行效率对比(最高可提速5倍)以及CI/CD集成方案。重点解决测试依赖、资源竞争等常见问题,并分享金融系统、跨平台测试等实战案例。通过分组分发、环境隔离等技巧,实现测试效率300%+提升,同时强调分布式适用场景与最佳实践。文末提供"最佳实践口诀"帮助快速掌握核心要点,助力开发者突破测试执行瓶颈。

Tom的专栏 772

基于STM32L4XX、HAL库的ICM-42670-P姿态传感器驱动程序设计

sprintf(buffer, "温度: %.1f °C\r\n\r\n", sensor_data.temperature);sprintf(buffer, "陀螺仪: X=%.2f Y=%.2f Z=%.2f rad/s\r\n",sprintf(buffer, "加速度: X=%.2f Y=%.2f Z=%.2f m/s²\r\n",sprintf(buffer, "开始校准IMU,请保持传感器静止...\r\n");sprintf(buffer, "读取传感器数据失败\r\n");

zhusl6688的博客 643

软件测试最全性能测试 —— JMeter分布式测试及其详细步骤_分布式接口测试(1),2024年最新阿里后台开发

Worker的默认端口是1099,但它是可以改变的,有些时候也必须改变,如设置的防火墙,或者需要在同一台Server启动多个Worker。所有Workers就位后,就等主帅一声令下。文件,Worker是不需要的。它们可以通过RMI来交互。你不必位置和我一样,我列出来是为了与后面的命令对应上。我的案例只是Controller需要这个。JMeter把所有的测试信息都存放在。在Reports目录下直接打开。所有节点都需要下载安装。

2401_84715732的博客 454

迅投miniQMT量化交易实战指南:从入门到自动化交易系统构建

迅投miniQMT量化交易实战指南摘要 本文全面介绍迅投miniQMT量化交易系统的开发流程,重点包括: 环境配置:详细说明miniQMT极简模式的安装步骤,包括xtquant库获取、Python版本要求及验证方法 行情数据模块:解析xtdata模块的核心功能,包括: 获取板块分类与股票列表 查询合约基础信息 下载历史K线数据(支持tick、分钟、日线等周期) 交易执行模块:介绍xttrader模块的交易API,涵盖: 账户连接与初始化 订单管理(下单、撤单、查询) 持仓与资产查询 实战开发:提供可直接运行

huanghm88的专栏 672

元宇宙通证- 九、IT/ICT发展史全景长图

九、IT/ICT发展史全景长图 (一)综述 IT是Information Technology的缩写,意为”信息技术“,包含现代计算机、网络、通信等信息领域技术。自1844年人类历史上发出来第一份电报,实现了信息的长图传输,信息技术发展的历史大幕随之拉开。信息技术的普遍应用,是进入信息社会的标志。 IT技术最早发源于半导体,然后发展处计算机、通信网和互联网,进而演进到现在的AI、XR、计算机、大数据、物联网、工业互联网、区块链、量子计算等。 有人说元宇宙是下一代互联网,有人说元宇宙是互联网的终极形态。 我们

沧海之巅的专栏 1万+

【pytest进阶】如何分布式执行接口自动化测试用例

分布式执行自动化用例

Heney33的博客 1387

HandwrittenMathFormulaRecognition:基于YOLOv8的手写数学公式识别系统

输入:包含手写数学公式的图像(拍摄的板书、作业纸等)输出:对应的数字文本形式的数学公式(如LaTeX格式或文本表达式)标准的手写数学表达式数据集,包含在线轨迹及图片,广泛用于公式识别研究。包含近10万对公式图片及对应的LaTeX标注,适合训练公式识别模型。MathBrush公开手写数学公式图像数据集,含多种书写风格。手写数字与符号数据集(MNIST及其扩展)用于基础数学符号的训练。

YOLO 284

dubbo接口测试_Jmeter分布式测试dubbo接口1

最近工作中接到一个需求,需要对一个Dubbo接口进行压力测试,测试其性能,之前一直使用jmeter做压力测试,在踏了好多坑之后,决定把这些记录下来,顺便也希望能帮助到大家。开始测试之前,我们需要先知道什么是dubbo接口。一、Dubbo简介dubbo是一个分布式服务框架,致力于提供高性能和透明化的RPC远程服务调用方案,以及SOA服务治理方案。其核心部分包含如下几点:1、远程通讯:提供对多种基...

weixin_39608300的博客 167

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")

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Jmeter官方插件实现Dubbo接口测试

​ 目前主流的分布式框架有Dubbo和SpringCloud, SpringCloud是基于Http协议的分布式框架,Dubbo是基于RPC的分布式框架,Jmeter没有内置对Dubbo接口的支持,很难直接对Dubbo接口进行测试。 ​

豆子熊 1087

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

分布式架构:Dubbo 协议如何做接口测试

传统单体架构是一个应用程序进程内处理完所有的逻辑:一个系统糅合了多个功能,如注册 --登录--充值--余额管理--用户积分等,所有的功能模块都是在一个应用程度里处理完的;这样实现的缺陷耦合性太高,一个大型而又全面的系统,如果修改其中某个模块的代码和bug,很容易造成其他模块的bug,牵一发而动全身。传统单体架构是一个应用程序进程内处理完所有的逻辑:一个系统糅合了多个功能,如注册 --登录--充值--余额管理--用户积分等,所有的功能模块都是在一个应用程度里处理完的;充值--余额管理放在一个系统里实现。

朱雀随云记的博客 1069

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

Dubbo接口测试

Dubbo接口测试 1、Dubbo基础架构解析 架构的演进 要了解Dubbo框架,我们首先需要了解框架的由来和演进,了解为什么要引入这种框架。 架构的演进:单体架构---->垂直应用架构---->分布式应用架构---->微服务架构 单体架构是将所有功能都部署在一个应用上,适合网站流量很小的时候,减少部署节点和成本,此时用于简化增删改查工作量的数据访问框架(ORM)是关键。但是它的缺点也是非常显著的,比如: 1、有一个功能不能使用,其它功能也不能幸免,安全指数低 2、更新维护成本非常高,有一

weixin_42724501的博客 4329

dubbo接口测试_Jmeter分布式测试dubbo接口2

上次我们将dubbo接口与jmeter集成起来,但是jmeter是由java实现的,本身有很多限制,无法实现高并发,我们需要借助分布式来实现大压力测试。在上次的例子中,我们只是实现了简单的dubbo接口测试,下面我们来实现参数化,我们先创建一个txt,并在里面添加入参及出餐:添加csv config修改我们写死的beanshell脚本在修改脚本之后我们来添加一个beanshell断言在jmeter...

weixin_39822184的博客 149

Dubbo接口测试的几种方式

Dubbo接口测试的几种方式 测试前需准备zookeeper以及dubbo服务 一:windows本地安装Zookeeper 1. 下载zookeeper,下载地址:https://www.apache.org/dyn/closer.cgi/zookeeper/ 2. 解压后,进入目录中的conf目录,有一个zoo_sample.cfg文件,将其重命名为zoo.cfg ...

airwolk的博客 2万+
上一篇: SQL Server常用函数
下一篇: 如何做好性能压测(一):压测环境的设计和搭建
**Emma**
博客等级 码龄15年 36粉丝 29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