pig Explain详解

最新推荐文章于 2021-08-13 17:50:24 发布
原创 最新推荐文章于 2021-08-13 17:50:24 发布 · 1.7k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文详细解析了使用Pig脚本执行数据处理任务时，从加载数据到逻辑计划、物理计划再到MapReduce计划的过程，包括样本抽取、排序等操作的详细解释。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

有如下代码:

<pre name="code" class="java"> b = load '/in_off/tree/20140101/*' as (date,uid);
 c = sample  b 0.01;
 d = limit c 10 ;

分别explain下。 




<pre name="code" class="php">explain b;

2014-06-10 10:09:50,697 [main] INFO  org.apache.pig.newplan.logical.optimizer.LogicalPlanOptimizer - {RULES_ENABLED=[AddForEach, ColumnMapKeyPrune, DuplicateForEachColumnRewrite, GroupByConstParallelSetter, ImplicitSplitInserter, LimitOptimizer, LoadTypeCastInserter, MergeFilter, MergeForEach, NewPartitionFilterOptimizer, PartitionFilterOptimizer, PushDownForEachFlatten, PushUpFilter, SplitFilter, StreamTypeCastInserter], RULES_DISABLED=[FilterLogicExpressionSimplifier]}
#-----------------------------------------------
# New Logical Plan:
#-----------------------------------------------
b: (Name: LOStore Schema: date#3:bytearray,uid#4:bytearray)
|
|---b: (Name: LOLoad Schema: date#3:bytearray,uid#4:bytearray)RequiredFields:[0, 1]

#-----------------------------------------------
# Physical Plan:
#-----------------------------------------------
b: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-1
|
|---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-0

2014-06-10 10:09:50,859 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MRCompiler - File concatenation threshold: 100 optimistic? false
2014-06-10 10:09:50,930 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size before optimization: 1
2014-06-10 10:09:50,930 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size after optimization: 1
#--------------------------------------------------
# Map Reduce Plan                                  
#--------------------------------------------------
MapReduce node scope-2
Map Plan
b: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-1
|
|---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-0--------
Global sort: false
----------------



首先
#-----------------------------------------------
# New Logical Plan:



逻辑执行如何生成b?


b: (Name: LOStore Schema: date#3:bytearray,uid#4:bytearray)
|
|---b: (Name: LOLoad Schema: date#3:bytearray,uid#4:bytearray)RequiredFields:[0, 1]



然后







#-----------------------------------------------
# Physical Plan:
#-----------------------------------------------
b: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-1
|
|---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-0





最后MR如何?







2014-06-10 10:09:50,859 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MRCompiler - File concatenation threshold: 100 optimistic? false
2014-06-10 10:09:50,930 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size before optimization: 1
2014-06-10 10:09:50,930 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size after optimization: 1
#--------------------------------------------------
# Map Reduce Plan                                  
#--------------------------------------------------
MapReduce node scope-2
Map Plan
b: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-1
|
|---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-0--------
Global sort: false
----------------
看到每没有，load只有map,没有reduce.


再来继续。对b做抽样，去0.001%出来。


<pre name="code" class="java">grunt> c  = sample b 0.001;
2014-06-10 10:10:42,092 [main] WARN  org.apache.pig.PigServer - Encountered Warning IMPLICIT_CAST_TO_DOUBLE 1 time(s).
grunt> explain c;          
2014-06-10 10:10:46,421 [main] INFO  org.apache.pig.newplan.logical.optimizer.LogicalPlanOptimizer - {RULES_ENABLED=[AddForEach, ColumnMapKeyPrune, DuplicateForEachColumnRewrite, GroupByConstParallelSetter, ImplicitSplitInserter, LimitOptimizer, LoadTypeCastInserter, MergeFilter, MergeForEach, NewPartitionFilterOptimizer, PartitionFilterOptimizer, PushDownForEachFlatten, PushUpFilter, SplitFilter, StreamTypeCastInserter], RULES_DISABLED=[FilterLogicExpressionSimplifier]}
看logic plan里，由底到高，看到最下面是b,然后经过操作，最后生成c.


#-----------------------------------------------
# New Logical Plan:
#-----------------------------------------------
c: (Name: LOStore Schema: date#36:bytearray,uid#37:bytearray)
|
|---c: (Name: LOFilter Schema: date#36:bytearray,uid#37:bytearray)
    |   |
    |   (Name: LessThan Type: boolean Uid: 43)
    |   |
    |   |---(Name: UserFunc(org.apache.pig.builtin.RANDOM) Type: double Uid: 41)
    |   |
    |   |---(Name: Constant Type: double Uid: 42)
    |
    |---b: (Name: LOLoad Schema: date#36:bytearray,uid#37:bytearray)RequiredFields:[0, 1]


Physical plan里注意到RANDOM.
#-----------------------------------------------
# Physical Plan:
#-----------------------------------------------
c: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-8
|
|---c: Filter[bag] - scope-4
    |   |
    |   Less Than[boolean] - scope-7
    |   |
    |   |---POUserFunc(org.apache.pig.builtin.RANDOM)[double] - scope-5
    |   |
    |   |---Constant(0.0010) - scope-6
    |
    |---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-3

2014-06-10 10:10:46,477 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MRCompiler - File concatenation threshold: 100 optimistic? false
2014-06-10 10:10:46,481 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size before optimization: 1
2014-06-10 10:10:46,481 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size after optimization: 1


还是没有用到reduce.
#--------------------------------------------------
# Map Reduce Plan                                  
#--------------------------------------------------
MapReduce node scope-9
Map Plan
c: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-8
|
|---c: Filter[bag] - scope-4
    |   |
    |   Less Than[boolean] - scope-7
    |   |
    |   |---POUserFunc(org.apache.pig.builtin.RANDOM)[double] - scope-5
    |   |
    |   |---Constant(0.0010) - scope-6
    |
    |---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-3--------
Global sort: false
----------------


让我们用下reduce.order 一个。



<span style="font-family: Arial, Helvetica, sans-serif;">
</span>
<span style="font-family: Arial, Helvetica, sans-serif;"></span><pre name="code" class="java">runt> d = order c by uid;
2014-06-10 10:13:12,689 [main] WARN  org.apache.pig.PigServer - Encountered Warning IMPLICIT_CAST_TO_DOUBLE 1 time(s).
grunt> explain d;
2014-06-10 10:13:17,037 [main] INFO  org.apache.pig.newplan.logical.optimizer.LogicalPlanOptimizer - {RULES_ENABLED=[AddForEach, ColumnMapKeyPrune, DuplicateForEachColumnRewrite, GroupByConstParallelSetter, ImplicitSplitInserter, LimitOptimizer, LoadTypeCastInserter, MergeFilter, MergeForEach, NewPartitionFilterOptimizer, PartitionFilterOptimizer, PushDownForEachFlatten, PushUpFilter, SplitFilter, StreamTypeCastInserter], RULES_DISABLED=[FilterLogicExpressionSimplifier]}
#-----------------------------------------------
# New Logical Plan:
#-----------------------------------------------
d: (Name: LOStore Schema: date#64:bytearray,uid#65:bytearray)
|
|---d: (Name: LOSort Schema: date#64:bytearray,uid#65:bytearray)
    |   |
    |   uid:(Name: Project Type: bytearray Uid: 65 Input: 0 Column: 1)
    |
    |---c: (Name: LOFilter Schema: date#64:bytearray,uid#65:bytearray)
        |   |
        |   (Name: LessThan Type: boolean Uid: 71)
        |   |
        |   |---(Name: UserFunc(org.apache.pig.builtin.RANDOM) Type: double Uid: 69)
        |   |
        |   |---(Name: Constant Type: double Uid: 70)
        |
        |---b: (Name: LOLoad Schema: date#64:bytearray,uid#65:bytearray)RequiredFields:[0, 1]

#-----------------------------------------------
# Physical Plan:
#-----------------------------------------------
d: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-17
|
|---d: POSort[bag]() - scope-16
    |   |
    |   Project[bytearray][1] - scope-15
    |
    |---c: Filter[bag] - scope-11
        |   |
        |   Less Than[boolean] - scope-14
        |   |
        |   |---POUserFunc(org.apache.pig.builtin.RANDOM)[double] - scope-12
        |   |
        |   |---Constant(0.0010) - scope-13
        |
        |---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-10

2014-06-10 10:13:17,052 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MRCompiler - File concatenation threshold: 100 optimistic? false
2014-06-10 10:13:17,089 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size before optimization: 3
2014-06-10 10:13:17,089 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MultiQueryOptimizer - MR plan size after optimization: 3
#--------------------------------------------------
# Map Reduce Plan                                  
#--------------------------------------------------
MapReduce node scope-18
Map Plan
Store(hdfs://namenode:9000/tmp/temp-1458176514/tmp-990933258:org.apache.pig.impl.io.InterStorage) - scope-19
|
|---c: Filter[bag] - scope-11
    |   |
    |   Less Than[boolean] - scope-14
    |   |
    |   |---POUserFunc(org.apache.pig.builtin.RANDOM)[double] - scope-12
    |   |
    |   |---Constant(0.0010) - scope-13
    |
    |---b: Load(/in_off/tree/20140101/*:org.apache.pig.builtin.PigStorage) - scope-10--------
Global sort: false
----------------

MapReduce node scope-21
Map Plan
d: Local Rearrange[tuple]{tuple}(false) - scope-25
|   |
|   Constant(all) - scope-24
|
|---New For Each(false)[tuple] - scope-23
    |   |
    |   Project[bytearray][1] - scope-22
    |
    |---Load(hdfs://namenode:9000/tmp/temp-1458176514/tmp-990933258:org.apache.pig.impl.builtin.RandomSampleLoader('org.apache.pig.impl.io.InterStorage','100')) - scope-20--------
Reduce Plan
Store(hdfs://namenode:9000/tmp/temp-1458176514/tmp-67539995:org.apache.pig.impl.io.InterStorage) - scope-34
|
|---New For Each(false)[tuple] - scope-33
    |   |
    |   POUserFunc(org.apache.pig.impl.builtin.FindQuantiles)[tuple] - scope-32
    |   |
    |   |---Project[tuple][*] - scope-31
    |
    |---New For Each(false,false)[tuple] - scope-30
        |   |
        |   Constant(-1) - scope-29
        |   |
        |   Project[bag][1] - scope-27
        |
        |---Package[tuple]{chararray} - scope-26--------
Global sort: false
Secondary sort: true
----------------

MapReduce node scope-36
Map Plan
d: Local Rearrange[tuple]{bytearray}(false) - scope-37
|   |
|   Project[bytearray][1] - scope-15
|
|---Load(hdfs://namenode:9000/tmp/temp-1458176514/tmp-990933258:org.apache.pig.impl.io.InterStorage) - scope-35--------
Reduce Plan
d: Store(fakefile:org.apache.pig.builtin.PigStorage) - scope-17
|
|---New For Each(true)[tuple] - scope-40
    |   |
    |   Project[bag][1] - scope-39
    |
    |---PackageLite[tuple]{bytearray} - scope-38--------
Global sort: true


看到没，reduce用到了。

























                

        

    

    
  



    



                



	

		

			

				
					
ApacheHive的SQL优化及HiveSQL语法详解

				
			

			

				

					AI天才研究院
				

				

					07-30
					
					1829
					
				

			

		

		

			
				
Apache Hive 是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射到一张表上，并提供简单的数据查询功能。Hive提供了一个类似SQL语言的查询语句用来定义数据的运算逻辑，通过MapReduce实现数据的离线计算和分析。由于Hadoop自身的特点导致Hive存在性能问题，因此出现了Hive on Spark项目，它允许在Spark集群上运行HiveQL命令。Hive支持的语法包括HiveQL、HPL(Hadoop Pig Latin)等。

			
		

	



                

            
              



	

		

			

				
					
详解Spark SQL 底层实现原理(parser、analyzer、optimizer、physical plan)

				
			

			

				

					cjl的博客
				

				

					10-22
					
					4156
					
				

			

		

		

			
				
Spark SQL 底层实现原理1. Spark SQL架构设计2. sparkSQL执行过程3. SQL举例4. Catalyst执行过程4.1 sql解析阶段Parser4.2 绑定逻辑计划Analyzer4.3 逻辑优化阶段Optimizer4.3.1 谓词下推4.3.2 列裁剪4.3.3 常量替换4.3.4 常量累加4.4 生成可执行的物理计划阶段Physical Plan4.5 代码生成阶段4.5.1 生成代码与sql解析引擎的区别5. Spark SQL 执行过程总结
1. Spark SQL架

			
		

	



              


  
              

                


	

		

			

				
					
pig 调试（explain&illerstrate）

				
			

			

				

					weixin_34096182的博客
				

				

					05-30
					
					172
					
				

			

		

		

			
				


grunt&gt; cat t.txt
kw1     2
kw3     1
kw2     4
kw1     5
kw2     2

cat test.pig 
A = LOAD '/user/input/t.txt' as (k:chararray,c:int);
B = group A BY k;
C = foreach B generate group,SUM(A.c);
-...

			
		

	





	

		

			

				
					
pig 调试（explain&illerstrate）

				
			

			

				

					
				

				

					05-03
					
					1463
					
				

			

		

		

			
				
pig 调试（explain&illerstrate）

			
		

	



		

			
		



	

		

			

				
					
Pig基础

					
热门推荐

				
			

			

				

					zythy的专栏
				

				

					01-13
					
					1万+
					
				

			

		

		

			
				
Pig Latin常用命令，基本语法，数据类型，模式定义。

			
		

	





	

		

			

				
					
pig安装应用

				
			

			

				

					Above the cloud
				

				

					08-13
					
					244
					
				

			

		

		

			
				
pig安装
1、客户端主机安装软件并解压

hadoop@ddai-desktop:~$ cd /opt/
hadoop@ddai-desktop:/opt$ sudo tar xvzf /home/hadoop/pig-0.17.0.tar.gz 
hadoop@ddai-desktop:/opt$ sudo chown -R hadoop:hadoop pig-0.17.0/

2、修改参数
hadoop@ddai-desktop:~$ cd /opt/pig-0.17.0/
hadoop@ddai-d

			
		

	





	

		

			

				
					
Pig详解

				
			

			

				

					crazzy_lp的博客
				

				

					11-19
					
					4027
					
				

			

		

		

			
				

1.   整体描述
Pig包括两部分：①用于描述数据流的语言，称为Pig Latin；②用于运行Pig Latin程序的执行环境，当前有两个环境：单JVM中的本地执行环境和hadoop集群上的分布式执行环境。
一个Pig Latin程序有一系列的操作和变换组成。每个操作或变换对输入进行数据处理，然后产生输出结果。这些操作整体上描述了一个数据流。Pig执行环境把数据流翻译为可执行的内部表示，...

			
		

	





	

		

			

				
					
使用PIG Latin 进行编程，Pig Latin语言详解

				
			

			

				

					奔向新世界
				

				

					09-02
					
					6968
					
				

			

		

		

			
				
使用PIG Latin 进行编程
在这篇文章中，我们将介绍以下几点：

安装、配置PIG LatinPIG Latin关键字及数据类型上载及下载数据至HDFS载入文本数据存储数据排序逐行排序过滤分组剔除重复项Cross JoinJoin其他

安装、配置PIG Latin
PIG 并不依赖安装路径，换句话说你可以将 PIG 安装在任意路径。但需要注意一点，正如 Apache 的项目是运

			
		

	





	

		

			

				
					
Pig学习详解：从入门到精通

				
			

			

				

					
				

			

		

		

			
				
18. `EXPLAIN`：解释Pig Latin语句的执行计划，帮助理解数据处理流程。 19. `ILLUSTRATE`：可视化数据处理流程，便于调试和理解。  Pig的一个显著优势是其灵活性，它允许用户混合和匹配这些操作以构建复杂的数据处理...

			
		

	





	

		

			

				
					
大数据处理与分析：Hadoop生态系统详解，挖掘大数据的金矿

				
			

			

				

					
				

			

		

		

			
				
![大数据处理与分析：Hadoop生态系统详解，挖掘大数据的金矿]...接着，文章扩展到Hadoop生态系统组件，包括Hive、HBase和Pig，阐述了它们在大数据仓库、NoSQL数据库和数据流语言中的应用及其优化策略。

			
		

	





	

		

			

				
					
MapReduce与Hadoop生态无缝集成：Hive和Pig高级应用技巧

				
			

			

				

					
				

			

		

		

			
				
!...# 1. MapReduce核心概念与原理  ## 1.1 MapReduce模型简介 MapReduce是一种编程模型，用于处理和生成大数据集。模型中主要包含两个阶段：Map阶段和Reduce阶段。Map阶段处理输入数据，生成中间键值对；...

			
		

	





	

		

			

				
					
Apache Pig的一些基础概念及用法总结（5）

				
			

			

				

					chupikt95032的博客
				

				

					03-09
					
					255
					
				

			

		

		

			
				
（41）不能对同一个关系（relation）进行JOIN假设有如下文件： 
 
  
   
    
    
      1 
     
    
      2 
     
    
      3 
     
    
      4 
     
    
      5 
 ...

			
		

	





	

		

			

				
					
pig基础实例运算

				
			

			

				

					幸运小侯子
				

				

					09-26
					
					268
					
				

			

		

		

			
				
基础运算
加减乘除（+ 、-、*、/、bincond）
查看一下简单的文本内容
grunt&gt; cat A;
0,1,2
1,3,4
grunt&gt; a = load 'A' usingPigStorage(',')as(c1:int,c2:double,c3:float);
grunt&gt; b = foreach a generate $0+$1 asc1_c2;
g...

			
		

	





	

		

			

				
					
组合pig和hive来进行数据分析

				
			

			

				

					joomlaer的专栏
				

				

					03-31
					
					4506
					
				

			

		

		

			
				
接到产品一个任务，需要对使用产品的用户操作系统来个分析。对清洗后的hive数据进行分析，发现，数据恰恰把操作系统数据
进行了过滤，只有到rawlog里去进行数据分析了。但由于rawlog没有和数据库进行关联，就只有先对rawlog进行初步手工清洗，
不清洗掉操作系统数据，再建hive临时表来解决了。
第一步，用pig进行数据初步清洗，上代码
REGISTER 'elephant-bird-

			
		

	





	

		

			

				
					
hadoop eyes开发进度

				
			

			

				

					joomlaer的专栏
				

				

					09-06
					
					2418
					
				

			

		

		

			
				
有了hadoop集群后，对集群的作业指标进行统计，很多时候只能凭借jobtracker的日志界面进行查看。但日志界面没有历史趋势等统计功能。给
数据平台的管理计费，和作业情况，会造成很大的困扰。特别是历史作业趋势和实时作业运行情况，对于拥有大数据计算集群的公司来说，非常
重要。为解决这个问题，我们结合本公司内部的数据集群使用，采用python+flume+pig+mysql+php对集群情况做

			
		

	





	

		

			

				
					
Pig优化之路之巧用Macro

				
			

			

				

					joomlaer的专栏
				

				

					01-09
					
					1919
					
				

			

		

		

			
				
问题：
   去年用Pig进行了一系列报表和ETL的开发，感觉Pig很不错，没有Hive的娇贵，又比粗糙的MapReduce来的精巧，很称手。新年正好涉及以前的程序调整，借此之机，对Pig写的脚本进行了优化。毕竟，越用越熟，越能发现Pig的魅力。
    在整理以前的Pig程序里，发现了一个问题，就是pig没有提取数据集大小的功能，所以每次要取数据集条数的工作，总会遗留下如下代码：
curr

			
		

	





	

		

			

				
					
Pig年末数据失败之谜

				
			

			

				

					joomlaer的专栏
				

				

					11-04
					
					840
					
				

			

		

		

			
				
Pig年末数据失败之谜.有个好好的作业，每月都

			
		

	





	

		

			

				
					
oracle explain详解

					
最新发布

				
			

			

				

					01-04
				

			

		

		

			
				
### Oracle 数据库中 EXPLAIN PLAN 命令详解

#### 一、EXPLAIN PLAN 的基本概念
`EXPLAIN PLAN` 是一种用于显示 SQL 查询执行计划的工具。通过该命令可以查看优化器如何处理查询，包括访问路径的选择以及表连接顺序等重要信息[^1]。

#### 二、创建并使用 PLANTABLE
为了能够存储和展示执行计划，在运行 `EXPLAIN PLAN`之前通常需要先建立一个名为 `PLAN_TABLE` 的表来保存这些数据。如果尚未创建此表格，则可以通过如下方式完成：

```sql
@?/rdbms/admin/utlxplan.sql;
```

这条语句会调用脚本来自动构建所需的结构化查询语言（SQL）表单[^2]。

#### 三、获取当前缓存中的执行计划
对于已经存在于共享池内的SQL语句, 可以直接利用DBMS_XPLAN包下的DISPLAY函数来提取其对应的执行方案:

```sql
SELECT plan_table_output FROM TABLE(DBMS_XPLAN.DISPLAY('PLAN_TABLE'));
```

上述代码片段展示了从默认位置读取最近一次分析的结果，并将其格式化输出给用户查阅。

#### 四、刷新共享池注意事项
需要注意的是，在某些情况下可能希望清除内存里的旧有定义以便重新评估新的查询效率。此时可考虑采用以下指令：

```sql
ALTER SYSTEM FLUSH SHARED_POOL;
```

但是请注意这一步骤仅限于测试环境中操作，切勿轻易应用于实际业务场景以免造成不必要的影响。

#### 五、基于 AWR 报告获取历史执行计划
除了即时性的诊断外，管理员也可以借助自动化工作负载资料库(Automated Workload Repository,AWR) 来回顾过往一段时间内特定ID关联起来的历史记录：

```sql
select * from table(dbms_xplan.display_awr('${SQL_ID}'));
```

这里 `${SQL_ID}` 应替换为目标查询的实际编号，从而精确检索到相应的档案详情[^3]。

#### 六、理解常见访问方法
当涉及到具有唯一约束条件的数据列时——无论是作为主键还是设置了UNIQUE索引的情况之下——Oracle倾向于采取高效能的独特扫描策略来进行匹配查找作业[^4]。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		评论	
	

  
	




  

    

      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