Pachyderm介绍-建造一个现代的Hadoop

大数据领域分布式计算的版本管理技巧 在大数据分布式计算环境中,版本管理面临着独特的挑战。传统的版本控制系统如Git在处理大型数据集、分布式计算作业和复杂依赖关系时往往力不从心。本文旨在探讨适用于大数据领域的版本管理技巧,涵盖代码、数据和模型的版本控制策略。本文将首先介绍分布式计算环境下的版本管理挑战,然后深入探讨各种解决方案和技术。我们将通过实际案例和代码示例展示如何实现有效的版本管理,最后讨论未来发展趋势和最佳实践。分布式计算:在多台计算机上并行执行计算任务的计算模式版本管理:跟踪和管理代码、数据和模型变更的过程数据版本控制。 阅读详情

背景

最近在调研时发现了Pachyderm这个项目,感觉他们做的工作挺有意思的。Pachyderm将Docker和Hadoop联合起来,旨在使得大数据分析的过程更加便捷,众多非Java语言的工具也可以方便的使用到大数据的分析中来,并在HDFS的基础上增加了版本控制,使得数据可以进行增量分析。我在Medium上看到一篇相关介绍,讲的比较详细,原文是英文的,因此翻译下来分享一下,也方便自己之后的查阅。 原文链接 Let’s Build a modern Hadoop
我的个人博客 http://www.wangjialong.cc

翻译正文

让我们建造一个现代的Hadoop

我承诺,这不仅仅是另一个Hadoop的激情演说

如果你做过大数据的相关工作,那么你很可能已经感受到Hadoop带来的烦恼。但我们仍然坚持使用它,因为我们告诉自己:“这就是Hadoop作为基础设施软件必须工作的方式”。然而,在过去的十年内,像NoSQL数据库,分布式部署工具,云计算等工具,都随着量级的由小到大产生了很大的改进。为什么大数据分析软件就要被远远甩在身后?是什么让Redis,Docker和CoreOS看起来那么年轻和酷炫而Hadoop却如此老迈?

Hadoop是一个不可挽回的分裂的生态

现代开源项目信奉Unix的哲理——“做一件事,把它做到极致,并能和其他相关的工具结合使用”。上面提到的每一个项目,从创建伊始,就有一个清晰的创建者,培养着一个健康的生态并给予项目正确的方向和目标。在一个蓬勃的生态中,每个部分都流畅的集成在一起以给开发者提供弹性的可结合的技术栈。

Hadoop从来没有考虑过这些。它像是一匹野马,被释放在一片旷野之上,没有缰绳也没有方向。每一个主要的Hadoop用户都必须自己增加丢失的功能。有一些被回馈给了社区,但很多并没有。Facebook大概是Hadoop世界中最大的使用者。他们六年前(根据文章的时间,推算为2009年)fork出Hadoop并将他们的改进版本闭源。

这不是一个现代开源项目应当工作的方式。我认为是时候创造一个现代的Hadoop了,那也是我们对于Pachyderm的期许。Pachyderm是一个架构在现代工具上的全新的存储和计算引擎。最大的好处就是我们得以使用开源基础设施中令人惊叹的功能,比如Docker和Kubernetes。

这也是为什么我们在数量级上比Hadoop好的原因。Pachyderm只关注数据分析平台而对于其他部分,我们使用强大的成品工具。当Hadoop出来的时候,他们需要自己建造每一个轮子,但我们不需要。文章接下来我们对于现在数据分析技术栈的设计蓝图。Pachyderm现在还很年轻,开源项目需要健康的讨论以不断的提高。请分享你的观点并帮助我们建造Pachyderm

注意: Hadoop生态已经形成十多年了,因此是很成熟的。Pachyderm要拥有每一个相应的替代品(如Hive,Pig)之后,才能完美使用。上图仅仅比较两者都有的功能,像分布式文件系统,计算框架等。

分布式计算

在Hadoop中,MapReduce的任务只能是Java的。这对于Java专家来说OK,但不适用与任何人。现在有很多解决方法使用的不是Java,比如Hadoop Streaming。但是通常来说,如果你要广泛的使用Hadoop,那么你最好使用Java或者Scala。

任务管道在分布式计算中经常是一个挑战。当Hadoop MapReduce显示正在运行的Jobs时,它原生不支持任何Job pipeline的标识(DAG).有很多的任务调度工具在解决这个问题上获得了不同程度的成功(比如 Chronos, Oozie, Luigi, Airflow),但最终,公司选择整合第三方工具并自己添加功能。整合自己的代码和外部工具的任务成为一件让人头疼的事情。

Pachyderm Pipelines与此正好相反。在Pachyderm中为了处理数据,你只需要简单的创建一个容器化的应用将其读写到本地文件系统上即可。你可以使用任何你想要的工具因为它是跑在一个容器中的。Pachyderm将会使用一个FUSE存储卷把数据注入到你的容器中,之后自动的复制这个容器,并展示给每个容器不同的数据块。通过这项技术,Pachyderm可以并行的扩展任何你写的代码来处理大量的数据集。再也没有Java和JVM的什么事了,只要使用你最爱的编程语言写数据处理逻辑就可以了。如果你的代码可以跑在Docker上,你就可以使用它来做数据分析。

Pachyderm也会为所有的任务和他们的依赖创建一个DAG。DAG自动的调度pipeline使得每个任务等待他们的依赖完成之后运行。Pachyderm中的每个部分互相通知不同之处,因此它们准确的知道哪些数据改变了以及pipeline中的哪个子集需要重启。

Job执行平台

将Docker和JVM进行比较是有一点难度的,我们将它们分类为“job platform”,因为他们定义了job的输入格式。

JVM是Hadoop生态的骨干,如果你想要在Hadoop之上建造点什么,你要么需要用Java写要么需要一个特定的工具来将你原来的代码转换过去。Hive是一个HDFS的SQL_like接口,是目前为止最受欢迎且支持度最高的。也有常用的第三方库,比如图像处理,但是他们通常很不标准且不经常维护。如果你尝试做一些复杂的事情,比如说分析象棋比赛,通常你需要结合很多第三方工具,统一使用。

Docker则大不一样,它完全不依赖任何的语言和库。你不用局限于JVM指定的工具,只需要使用那些库并把他们打包进Docker即可。比如,你可以使用npm install opencv来做PB级的计算机视觉任务!工具可以使用任何语言来编写,它非常容易被整合进Pachyderm的技术栈里。

最后,Pachyderm数据分析管道是可插拔和共享的。因为每个部分都是在容器里,它可以保证在不同的集群和数据集上运行一个可预测的环境。就像某人可以从Docker Hub上pull下来镜像,并立即使用在生产环境中,也可以通过镜像创建一个自然语言处理的容器。它的工作不依赖任何基础设施。那就是我们通过Pachyderm pipeline想要做的事。

分布式存储

HDFS是Hadoop生态中最稳定和鲁棒的一个了。它非常适用于分布式的存储大量的数据集,但是缺乏协作。大规模的数据分析和流水线是一个天然的合作结果,但是HDFS从来不是被设计成用于并发的。相反,它防止用户之间产生任何影响。如果有人改变了管道的输入流,很容易导致一个任务失败或者改变。每个公司使用不同的方式解决这个问题。有时候的方法是单纯的使得每个用户得到数据的一份拷贝,而这需要大量的额外存储空间。

Pachyderm File System(PFS)是一个分布式文件系统,它受git的启发。在一个空间中,Pfs给予你数据的完全版本控制。整个文件系统是基于commit的,这意味着你拥有数据的每一个版本。就像git那样,Pachyderm提供了分支功能,允许每个用户有他自己的完全独立的数据分支。用户可以无所顾忌的使用自己的文件,而不需考虑会影响到其他的用户。

Pfs使用对象存储你的数据(S3, GCS, Ceph)。你不需要担心把数据交给全新的技术是否安全。相反,你得到所有你之前习惯的冗余和一致性保证,但使用的是Pachyderm的数据管理特性。

数据的版本控制也是和管道系统高度协作的。Pachyderm了解你的数据怎样变化,因此,当新的数据进来时,你可以仅仅在变化的那部分数据上运行你的任务,而不需要读取整个文件。这不仅使得集群性能大幅提高,而且使得Pachyderm的批处理和流处理没有任何区别,相同的代码可以支持两种操作。

集群管理

集群管理层帮助你管理存储数据和执行任务的机器。

在Hadoop中,两个主要的工具是YARN和Zookeeper。YARN用于任务调度和资源管理,Zookeeper则提供了配置信息的强一致性。在Hadoop概念中,没有太好的其他工具解决这些问题,所以Hadoop是强烈依赖YARN和Zookeeper的。这两个工具早期促成了Hadoop的成功,但现在却成为了新特性的重要障碍。模块化的缺失,毫无疑问是Hadoop最大的缺点。

Pachyderm遵循了Docker的哲学——“包含电池,但可以移除”。我们聚焦于把大数据分析做到最好,其他的部分全部使用现成的组件。我们选择Kubernetes用于集群管理,选择Docker用于容器化,但他们都可以使用其他的组件替换。

在Pachyderm技术栈中,集群管理使用Kubernetes和CoreOS的工具etcd。他们的功能是类似于YARN和Zookeeper的。Kubernetes是一个调度者,根据资源的可用性来调度服务。Etcd是一个容错的分布式数据库用于存放配置信息并在网络分裂后进行节点的管理。如果一个节点挂掉了,Etcd注册这个信息并使得Kubernetes重新手机节点的进程。其他的集群管理工具如Mesos,可以用于替代CoreOS和Kubernetes,但没有被正式的支持。

使用现成的工具有两大好处。第一,它节省了我们“重复造轮子”的时间并且给了我们很好的抽象和剥离。第二,Etcd和Kubernetes本身就是模块化的,因此它们也支持其他的部署方案。

操作系统

两个技术栈都是运行在Linux之上的。

结束语

可扩展,分布式是数据分析软件的重要基本特性。现代的Web公司收集持续不断的数据用于制定面向数据的决策。世界需要一个现代的开源软件,Hadoop的过时已经成为数据驱动时代的负担,是时候让我们的数据分析工具来拥抱未来了。

我的感想

通读下来后,原作者对于Hadoop的一些弊端的论述我是很难理解的(我就觉得Zookeeper挺优秀的啊,为什么要换~~~),毕竟我的水平太低o(╥﹏╥)o,但作者的一些观点还是很新颖的,比如借鉴Git来改进文件系统,使用数据的增量进行数据分析等。Docker和Hadoop都是很牛的项目,期待他们的碰撞会迸发怎样的火花 ^_^

翻译不易,转载请注明出处 Thanks♪(・ω・)ノ

AI项目管理与MLOps实战:数据-模型-代码三位一体 AI项目本质是实验性、数据驱动且持续演进的系统工程,其核心挑战源于No Free Lunch定理揭示的算法无普适性,以及真实场景中普遍存在的数据漂移与训练-推理不一致。区别于传统软件开发的确定性交付,AI需构建以数据版本化、模型可追溯、代码可复现为基础的MLOps闭环,支撑从特征存储、代价敏感评估到影子部署的全链路可靠性。本文聚焦工业级AI落地中的关键实践,涵盖DVC/MLflow数据与模型版本控制、Feast特征存储的时间旅行机制、基于PSI/KS的数据漂移监控,以及面向业务指标(如Recall@24h) 阅读详情

相关推荐

数据契约驱动的机器学习Pipeline:重构数据科学家与工程师的协作范式

机器学习Pipeline本质上是数据在系统中流动与转化的工程化表达。其核心原理在于通过明确定义输入输出的数据结构、计算行为与血缘关系,保障端到端的可复现性与可维护性。这种数据契约(Data Contract)机制显著提升MLOps工程可靠性,支撑模型迭代、AB测试、故障归因等关键场景。相比传统任务编排工具,它将schema校验、行为约束和血缘追踪内化为执行前提,真正实现reproducible ML与data scientist–engineer handoff的自动化对齐。

weixin_30730053的博客 415

(翻译)Pachyderm介绍-建造一个现代的Hadoop

背景最近在调研时发现了Pachyderm这个项目,感觉他们做的工作挺有意思的。Pachyderm将Docker和Hadoop联合起来,旨在使得大数据分析的过程更加便捷,众多非Java语言的工具也可以方便的使用到大数据的分析中来,并在HDFS的基础上增加了版本控制,使得数据可以进行增量分析。我在Medium上看到一篇相关介绍,讲的比较详细,原文是英文的,因此翻译下来分享一下,也方便自己之后的查阅。 原

程序小白的探索空间 2614

Pachyderm: 数据管道的未来

1.背景介绍 Pachyderm 是一种开源的数据管道平台,它可以帮助数据科学家和工程师更有效地管理和处理大规模数据。Pachyderm 的核心功能是提供一个可扩展的数据管道系统,可以轻松地构建、部署和管理数据处理流程。 Pachyderm 的设计灵感来自于 Apache Hadoop 和 Docker 等开源技术。它将 Hadoop 的

AI天才研究院 1031

探索 Pachyderm:实时数据流处理的未来

1.背景介绍 Pachyderm 是一种开源的数据管道平台,它可以帮助数据科学家和工程师在大规模数据集上构建、部署和管理数据管道。Pachyderm 的设计目标是提供一个可扩展的、可靠的和易于使用的数据处理平台,同时保持高性能和低延迟。 Pachyderm 的核心概念是数据管道和数据集。数据管道是一系列数据处理步骤的有序集合,这些步骤可以包括数据清洗、转换、聚合和分析。数据集是数据管道中使用的...

AI天才研究院 1384

ANSYS Sherlock新手避坑:从ODB++文件导入到属性匹配的完整流程(附官方教程路径)

本文详细解析了ANSYS Sherlock从ODB++文件导入到属性匹配的完整流程,帮助新手避开常见陷阱。内容包括环境准备、官方教程使用技巧、ODB++导入关键检查点、属性验证策略及常见报错解决方案,特别强调了路径设置和材料匹配的重要性,提升仿真效率。

weixin_42519781的博客 457

Frida实战:高效dump Android内存中的so文件与修复技巧

本文详细介绍了使用Frida工具dump Android内存中已解密so文件的实战技巧。针对加固应用静态分析失效的痛点,文章提供了从环境搭建、使用frida_dump脚本自动化抓取内存数据,到利用SoFixer工具修复ELF文件结构的完整流程,帮助逆向分析人员高效获取可分析的so文件。

tt34567的博客 529

pachyderm 自动标注实验

部署 环境 操作系统:centos 7.7 kubernetes版本:1.14.2 kubernetes集群环境: 1 master(192.168.236.66) + 2 node (192.168.236.67\192.168.236.68) 安装 step 1: 创建命名空间 kubectl create namespace ht # 查询命名空间 kubectl get...

burger1221的博客 932

别再被骚扰了!手把手教你彻底卸载阿里云盾(安骑士)并封禁其IP段

本文详细指导如何彻底卸载阿里云盾(安骑士)并封禁其IP段,帮助用户夺回服务器控制权。从识别监控组件到执行官方卸载脚本,再到手动清理残留文件和配置iptables规则,确保完全阻断云盾通信。适用于追求极致性能或需要完全自主控制的环境。

weixin_42525551的博客 456

使用 Pachyderm 构建高可用性数据管理系统

1.背景介绍 Pachyderm 是一个开源的数据管理系统,它可以帮助我们构建高可用性的数据管理系统。Pachyderm 的设计思想是将数据管道和容器化的应用程序一起管理,以确保数据的完整性和可靠性。在本文中,我们将讨论 Pachyderm 的核心概念、核心算法原理、具体操作步骤以及数学模型公式。我们还将通过一个实际的代码示例来展示如何使用 Pachyderm 来构建高可用性数据管理系统。 2...

AI天才研究院 1167

Akamai-3.0补环境逆向-DHL快递查询

那么我们的请求过程就是:1.请求首页的html文件,通过re或xpath,提取到这个url,拼接官网地址,得到这个js文件的地址。返回的_abck为0,表示环境正确,请求搜索接口返回200,说明返回的_abck正确,如果过程错误或环境补的有问题会返回403或428这两个状态码。那么,就是这个包返回的,而且这个包需要请求两次,第一次get请求,返回的这个-1的cookie,第二次请求,带上一个sensor_data的参数,进行post请求,最终返回这个0的cookie,代表你过了akamai这个盾。

2302_76420666的博客 2858

万字数据仓库面试题及参考答案

星型模型由一个中心的事实表和多个外围的维度表组成,事实表存储度量值和事实,维度表存储描述性属性和维度。星型模型和雪花模型的区别在于雪花模型将维度表进一步细化,形成多层次的结构,而星型模型由一个中心事实表和多个维度表组成,适用于查询较为简单的情况。维度建模通常采用星型模型或雪花模型,将数据分为事实表和维度表,其中事实表存储度量值和事实,维度表存储描述事实的属性。三者之间的关系可以这样理解:数据仓库主要关注历史数据的存储和分析,数据中台则关注数据的服务化和资产化,而数据湖则关注原始数据的存储和多样性。

大模型大数据攻城狮的专栏 560

Pachyderm 可复现的数据科学(一)

Pachyderm 是一个分布式版本控制平台,用于构建端到端的数据科学工作流。自 2016 年创建以来,Pachyderm 已经成为大小组织的首选解决方案。Pachyderm 的核心功能是开源的,并且围绕它有一个活跃的工程师社区。本书带你走过 Pachyderm 使用的基础和高级示例,帮助你快速上手并将可靠的数据科学解决方案集成到你的基础设施中。使用 Pachyderm 实现可重复的数据科学 提供了对 Pachyderm 的清晰概述,以及如何在云中安装和运行 Pachyderm 的说明,还介绍了如何使用 P

龙哥盟 1892

鸿蒙系统开发工程师:核心技术解析与深度面试指南

摘要: 鸿蒙系统开发工程师需具备底层驱动开发、系统移植优化及分布式架构能力。核心职责包括硬件适配(Bootloader、内核移植、HDF驱动开发)、性能调优(启动加速、功耗管理)及稳定性保障。技术要求涵盖C/C++编程、Linux内核机制、鸿蒙架构(HDF、分布式服务)及ArkTS/ArkUI基础。面试重点考察系统移植流程(如ARM板适配)、驱动开发(I2C/Display)、性能优化手段及内存/同步机制的应用。

郑伟强dev的专栏 432

GoTime#34期 Pachyderm, Provenance, Data Lakes

本篇内容是根据2017年2月份#34 Pachyderm, Provenance, Data Lakes音频录制内容的整理与翻译 Joe Doliner 加入了节目,谈论使用 Pachyderm 管理数据湖、数据容器、溯源(provenance) 以及其他有趣的 Go 项目和新闻。 Erik St. Martin: 大家好,欢迎收听新一期的 GoTime 播客。今天是第34集,本期节目由 Toptal 和 Backtrace 赞助。今天的主持人有我,Erik St. Martin,还有 Carlis

techdashen的博客 774

开源GIS -- 笔记

基础开发库 数据读写:GDAL/OGR(C/C++) ArcGIS和GE都是使用此工具 投影转换:Proj.4(C/C++) 拓扑计算:JTS(Java),GEOS(C++),Shapely(python) 组件式开发库 GeoTools(Java),DotSpatial(.NET) 空间分析: Scipy(通用科学计算、方程求解), numpy,NextworkX, rPy(统计分析), Scikit-learn,pysal(空间分析) 深度学习: Keras、 tensorflow、 pytor

DZ Space 4521

Ubuntu上通过FinalShell或Asbru访问CentOS虚拟机

使用FinalShell或Asbru远程连接虚拟机

howard2005的专栏 2280

Pachyderm与Kubernetes集成:实现高效的数据管理

1.背景介绍 在当今的大数据时代,数据管理已经成为企业和组织中最关键的环节。随着数据量的增加,传统的数据管理方法已经不能满足需求,因此需要更高效、可扩展的数据管理解决方案。Pachyderm是一个开源的数据管理平台,它可以帮助企业和组织更有效地管理和处理大量数据。Pachyderm与Kubernetes集成,可以实现更高效的数据管理,提高数据处理的速度和效率。 本文将介绍Pachyderm与K...

AI天才研究院 791

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Pachyderm在互联网公司中的实践案例分享

1.背景介绍 Pachyderm是一种开源的数据管道和数据版本控制工具,它可以帮助数据科学家和工程师更好地管理和处理大规模数据。在互联网公司中,Pachyderm已经被广泛应用,这篇文章将分享一些实际案例,以帮助读者更好地了解Pachyderm的应用场景和优势。 1.1 Pachyderm的应用场景 Pachyderm在互联网公司中的应用场景非常广泛,包括但不限于以下几个方面: 1.数据管...

AI天才研究院 725

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Hadoop生态系统未来趋势:Hadoop Ecosystem Table揭示的5大技术方向

Hadoop生态系统作为大数据技术的核心,正持续演进以应对日益复杂的数据处理需求。Hadoop Ecosystem Table项目通过汇总分布式文件系统、NoSQL数据库、SQL-on-Hadoop等多类工具,为我们揭示了Hadoop技术栈的发展脉络和未来趋势。本文将基于该项目数据,深入分析Hadoop生态系统的5大关键技术方向,帮助读者把握行业发展动态。 ## 1. 内存计算框架:从批处理到实

gitblog_00764的博客 1032

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

「大数据」Hadoop生态系统:分布式计算系统

Apache IgniteApache Ignite In-Memory Data Fabric是一个分布式内存平台,用于实时计算和处理大规模数据集。它包括分布式键值内存存储,SQL功能,map-reduce和其他计算,分布式数据结构,连续查询,消息和事件子系统,Hadoop和Spark集成。 Ignite是用Java构建的,提供.NET和C ++ API。Apache ...

全网:架构师研究会 541

Docker将会改变Hadoop,变的更快更容易

本文讲的是Docker将会改变Hadoop,变的更快更容易,【编者的话】 最近在San Jose,Clif开幕的hadoop峰会上会有关于Docker和Hadoop的话题讨论,越来越多的创业公司致力于使用Docker技术来简化hadoop应用开发部署的速度。目前有两个方向:1)使用Docker容纳Hadoop stack;2)通过YARN来部署基于Do...

weixin_34010566的博客 240

终极机器学习平台awesome-bigdata:零基础掌握AI大数据分析实战指南

awesome-bigdata是一个精心策划的开源项目,汇集了最全面的大数据框架、资源和实用工具,为机器学习和AI数据分析提供一站式解决方案。无论是数据处理新手还是有经验的开发者,都能在这里找到适合的工具和学习路径,轻松应对从数据存储到模型部署的全流程挑战。 ## 为什么选择awesome-bigdata进行AI大数据分析? 在当今数据驱动的时代,选择合适的工具栈直接决定了项目的效率和成功率。

gitblog_01075的博客 513

如何使用 DVC 提高数据管理效率

1.背景介绍 数据科学和人工智能领域的发展取决于如何有效地管理、存储和处理数据。随着数据规模的增加,传统的数据管理方法已经不能满足需求。这就是数据版本控制(Data Version Control,简称 DVC)的诞生。DVC 是一个开源的数据管理工具,可以帮助数据科学家和工程师更有效地管理数据和模型。 在本文中,我们将深入探讨 DVC 的核心概念、算法原理、具体操作步骤以及数学模型公式。我们...

AI天才研究院 547

zookeeper与etcd

背景最近在看到Pachyderm的介绍时,看到作者拿YARN和Kubernetes做类比,拿Zookeeper和etcd做对比。YARN和Kubernetes的类比还相对比较好理解,毕竟他们都有资源管理和调度的职能,只不过YARN上运行的对象是JVM,而Kubernetes上运行的是容器。但是拿Zookeeper和etcd来类比我就有些不懂了,在我之前的概念里zookeeper并不是一个存储组件啊,

程序小白的探索空间 1267

Kubecon第一天都说了什么?

本文讲的是Kubecon第一天都说了什么,【编者的话】本文David O'Dwyer为Kubecon 2015而写,重点介绍了Kubernetes v1.1版本最新的一些功能特性,同时对第一天的各个演讲做了汇总分析,让我们得以对Kubernetes的发展、生态有更一步的了解。 @Container容器技术大会将于2016年1月24日在北京举行,来自...

weixin_33939380的博客 215
上一篇: 我花了一个五一终于搞懂了OpenLDAP
下一篇: Phabricator 入门教程
hxpjava1
博客等级 码龄19年 1365粉丝 511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