使用xargs与awk联合使用批量杀进程

Colmap与3DGS联合环境配置实战指南 三维重建中的SfM(运动恢复结构)与神经渲染是当前计算机视觉的核心技术路径。Colmap作为工业级SfM引擎,依赖C++底层库与精确的编译工具链;3DGS则代表新一代实时高斯溅射渲染范式,强耦合PyTorch CUDA生态。二者协同并非简单环境安装,而是涉及CUDA版本兼容性、GCC/C++17标准对齐、GPU驱动约束及数据流闭环验证的系统性工程。掌握其配置逻辑,意味着具备处理真实场景三维重建任务的硬件适配能力、编译调试素养与数据规范意识,广泛应用于AR内容生成、数字孪生建模与智能扫描质检等前沿领域。 阅读详情
 

ps -ef|grep monitor_psr.sh|grep iboss2|grep ismp|grep -v grep|awk '{print $2}'|xargs kill -9

 

注*
A.  $2表示第2列,即进程号PID; awk很强大,这里不再详细介绍;
B.  grep -v grep是列出除开grep命令本身的进程,grep iboss2确认进程关键字
C.  kill -9 强杀进程;

D.  xargs 使用上一个操作的结果作为下一个命令的参数使用

本来就是针对字符的操作,无需使用XAGRS,直接管道即可.对于不是对字符进行操作的才需要用xargs
例如:

ps -ef|grep mm|xargs wc -l  (WRONG)
ps -ef|grep mm|wc -l        (RIGHT)

E.  grep ismp加这个为了更加保险,确实此进程是ismp这个UNIX USER建立的进程,避免误杀进程;
对打开这个进程的用户ismp再进行一次搜索过滤,避免把别的用户的进程杀掉了

护网蓝队面试核心要点与应急响应实战指南 网络安全应急响应是构建企业安全防护体系的核心环节,其本质是通过标准化的处置流程快速遏制攻击蔓延。从技术原理看,完整的应急响应包含信息收集、事件定性、影响控制、取证分析、系统恢复和报告输出六大阶段,涉及日志分析、进程排查、网络取证等关键技术。在工程实践中,Windows/Linux系统的账户安全核查、异常进程检测、文件系统排查是入侵分析的基础操作,而WAF、EDR等安全设备的联动使用能有效提升防御效率。对于护网行动这类国家级攻防演练,蓝队需要重点掌握挖矿病毒清除、Webshell处置等典型攻击场景的应对方案, 阅读详情

相关推荐

网易2023校招运维笔试复盘:题型、考点与踩坑指南

系统运维是互联网技术体系的基石,涵盖Linux、网络、数据库、容器、监控告警等众多领域。校招笔试往往以真实故障场景为依托,考察候选人从现象定位根因的排查能力,而非单纯记忆命令。理解TCP/IP、DNS、进程状态、负载分析等核心原理,掌握容器与K8s的隔离和调度机制,是应对大厂笔试的关键。同时,Shell与Python脚本的实战能力,以及面对接口变慢、CPU飙升等典型问题的排查方法论,也直接反映了日常运维工作的基本功。从笔试反推,互联网运维已从命令操作转向稳定性保障,自动化、监控与故障应急成为核心价值。本文以

weixin_30239339的博客 465

linux中awk命令和xargs命令的详解使用

2023-01-04 15:04:40.001 [scheduling-1] INFO GlDeviceStopTotalTaskLog - m:30 开始进行休眠。2023-01-04 15:04:40.001 [scheduling-1] INFO GlDeviceStopTotalTaskLog - m:30 开始进行休眠。awk为行命令处理器,对每一行的文本数据,进行格式化文本信息。找到制定目录下,删除修改日期为两天前的文件。获取某一行文本数据,提取不同字段的值。是一个非常强大的命令,它。

健康平安的活着的专栏 2875

【FLINK+Kerberos+kafka】在华为云上 bootstrap.server使用IP的GSS initiate failed 问题处理

目前互联网上所有的资料显示都是说没有正确设置KDC之类的,但本博主实际通过java代码低版本 如使用kafka-client 0.11.0 ,2.4.0等版本手动创建kafkaconfig 或者使用华为云的LoginUtils类 都能够正常链接,所以应该是高版本添加了相关配置,或者flink在subtask 创建kafkaAdminClient时 丢弃或使用了默认的一些配置行为,导致了客户端和kdc验证之间出现了principal 不一致导致验证失败。client.dns.lookup配置项作用。

honghanyue1791的博客 576

awk , xargs 批量杀进程

linux 系统中,使用awk 和xargs 两者组合使用,可实现批量杀进程 ps -u $USER 查找出当前用户下的所有进程, 通过管道 查找python进程 awk {‘print $1’} 输出查找出来的python进程的PID xargs kill -9 执行强杀进程 组合使用的命令: ps -u $USER | grep python | awk {‘print $1’} | xa...

gavinclc的博客 1116

SIMPLIS仿真软件2.2-SIMPLIS快速入门2

SIMPLIS仿真软件2.2-SIMPLIS快速入门2导读 导读 本文承接上一篇文章。开始介绍SIMPLIS仿真部分。正如上一篇所讲的快速入门的定位,该文对SIMPLIS的三种分析模式不会很深入的讲解,只会记录下一些重要的设置和操作。对于SIMPLIS的三种分析模式的详细讲解,后面会专门撰写。如果读者还没有搭建上一篇文章中讲述的电路,那你可以点击这个链接免费下载所需的电路SIMPLIS_tutorial_buck_converter ,然后在这个电路的基础上继续进行以下操作。 ...

qq_44677482的博客 2万+

数字化转型是什么?核心又是什么呢?

01到底什么是数字化转型? 这时候你或许要问笔者了,既然你说使用新兴技术不是数字化转型,那使用新的商业模式总该是数字化转型了吧?你比如阿里巴巴,作为我们中国人最熟悉的开展电子商务的公司,它可以说是新的商业模式最大的开创者了:阿里巴巴是世界上最大的零售商,却没有任何一家实体店和任何库存;再比如优步(Uber),我们非常熟悉的一个线上打车平台,它可以算是世界上最大的出租车公司了,但是它不拥有一辆出租车。还有近些年来,我们经常使用的的旅游房屋租赁社区爱彼迎(Airbnb),它可以为消费者提供多样的住宿信息..

weixin_58342023的博客 4043

linux步步为营(7)--awk--xargs

参考http://www.cnblogs.com/ggjucheng/archive/2013/01/13/2858470.html   awk是一个强大的文本分析工具,有3个不同版本: awk、nawk和gawk,未作特别说明,一般指gawk,gawk 是 AWK 的 GNU 版本。 三种使用方式:1.命令行方式,2.shell脚本方式(略), 命令行语法1:         aw...

wnjok的专栏 322

webrtc获取IceCandidate流程

foundation:用于唯一标识候选者的基础信息,通常是基于候选者的类型、IP地址、协议和replay协议计算出的字符串。component:标识候选者所属的传输组件。对于RTP流,通常使用1;对于RTCP流,通常使用2。protocol:候选者使用的传输协议,通常是UDP,但也可以是TCP(尽管在WebRTC中UDP更为常见)。priority:候选者的优先级,用于在选择最佳候选对时进行比较。优先级的计算公式考虑了候选类型优先级、本地优先级和组件ID。address:候选者的IP地址。port。

qq_42805085的博客 1901

【Linux】(16)文本处理命令:管道+awk+xargs+tr+sort+uniq+cut

目录 一、管道 | 1.1 管道的用处 1.2 【拓展】进程与进程之间的通信方式 1.2.1 管道 pipe 1.2.2 socket文件 1.3 【拓展】awk 截取 1.4 ; 命令连接符、 1.5 插入两个小练习 1.5.1 1.5.2 1.5.3 【知识补充】如何判断一个目录是否存在 1.5.4 在python中如何判断文件夹是否存在 ...

qq_51275515的博客 5233

STM32H750VBT6在Keil5下载报错?三步搞定Flash Download Failed Cortex-M7问题

本文针对STM32H750VBT6在Keil5开发环境中常见的“Flash Download Failed Cortex-M7”下载报错问题,提供了系统性的三步解决方案。核心在于理解该芯片128KB内部Flash的特殊性,并详细指导用户检查更新Device Pack、精确配置Flash下载算法地址(0x08000000, 0x20000)以及进行硬件连接验证,从而快速修复调试器与芯片间的Flash操作协议问题。

weixin_29274969的博客 481

【点云概述】什么是点云、来源、种类、特点、处理?

【点云概述】什么是点云、来源、种类、特点、处理?点云(point cloud)是空间中点的数据集,可以表示三维形状或对象,通常由三维扫描仪获取。点云中每个点的位置都由一组笛卡尔坐标 ( X , Y , Z ) (X, Y, Z) (X,Y,Z)描述,有些可能含有色彩信息 ( R , G , B ) (R, G, B) (R,G,B)或物体反射面强度(Intensity)信。

智慧空间实验室 9822

linux sed命令 awk命令 xargs命令

动作说明 号 意义 示例 a 新增 c 取代 d 删除 nl /etc/passwd | sed ‘/root/d’ (删除/etc/passwd所有包含root的行,其他行输出) i 插入 p 打印 nl /etc/passwd | sed -n ‘5,7p’ ( /etc/passwd 文件内的第 5-7 行 ) s 取代 直...

qq_30923243的博客 590

【机器人学】常用的小车底盘运动学模型推导(附C++代码)

认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长!本文先对小车底盘运动学模型介绍做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章提示:以下是本篇文章正文内容对于小车的分析,仅仅考虑XY轴的线速度和Z轴的角速度,不考虑和横滚和俯仰的速度,【防盗标记–盒子君hzj】也不考虑Z轴的高度变化【即:车底盘的运动可以用三个独立变量来描述:x轴平动、y轴平动、yaw轴转动】

qq_35635374的博客 1932

使用xargs与awk联合使用批量杀进程,很方便

使用xargs与awk联合使用批量杀进程,很方便 - foxliucong的专栏 - 博客频道 - youkuaiyun.com  使用xargs与awk联合使用批量杀进程,很方便 分类: UNIX 2009-05-29 23:10 332人阅读 评论(0) 收藏 举报 ps -ef|grep monitor_psr.sh|grep iboss2|grep ismp|grep -v grep|awk '{...

weixin_34032827的博客 83

第二节:Vben Admin 最新 v5.0 (vben5) + Python Flask 快速入门 - Python Flask 后端开发详解(附源码)

大家好,我是cuiwin!本节内容,我们从零开始开发基于Python(Flask)的后端项目,对接Vue Vben Admin(vben5)。登录mysql数据库执行: 创建数据库。

cuiwin的专栏 2270

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Linux VI联合杀进程得命令。

例如要杀掉hello这个进程,使用下面这个命令就能直接实现。 ps -ef |grep hello |awk ‘{print $2}’|xargs kill -9 这里是输出ps -ef |grep hello 结果的第二列的内容然后通过xargs传递给kill -9,其实第二列内容就是hello的进程号! 附录: 1,awk是一种编程语言,用于在linux/unix下对文本和数据进行处理。数据可...

a443299122的博客 281

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。

批量kill进程

实例5:杀死指定用户所有进程 命令: kill -9 $(ps -ef | grep peidalinux) kill -u peidalinux 输出: [root@localhost ~]# kill -9 $(ps -ef | grep peidalinux)  [root@localhost ~]# kill -u peidalinux 说明:

txl910514的专栏 1098

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")

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

ps、grep和kill联合使用杀掉进程

例如要杀掉hello这个进程,使用下面这个命令就能直接实现。 ps -ef |grep hello |awk '{print $2}'|xargs kill -9 这里是输出ps -ef |grep hello 结果的第二列的内容然后通过xargs传递给kill -9,其实第二列内容就是hello的进程号! 附录: 1,awk是一种编程语言,用于在linux/unix下对文本和数据进...

weixin_30628801的博客 68

利用ps,grep,kill联合杀掉相关进程

#!/bin/sh . "./set-server-env.sh" ps -ef | grep $EAS_HOME | grep java | awk {'print $2'} | xargs kill -9 这里是输出ps -ef |grep java 结果的第二列的内容然后通过xargs传递给kill -9,其实第二列内容就是java的进程号! 附录: 1,awk是...

diuluoshuai2303的博客 188

Linux运维必备:grep与ps命令的深度解析与实战组合应用

在Linux系统管理与运维中,文本处理和进程监控是两大核心基础技能。文本搜索工具允许用户在海量日志和配置文件中快速定位关键信息,其原理是基于模式匹配,尤其是正则表达式,实现对内容的精准过滤。进程状态查看工具则为系统管理员提供了实时洞察系统运行状态的窗口,通过获取进程的详细元数据,如资源占用和父子关系,来评估系统健康度。这两项技术的工程价值在于,它们能以极低的资源开销,完成日常运维中最高频的查询与诊断任务,是自动化脚本和问题排查的基石。其应用场景广泛覆盖日志分析、异常监控、性能调优和故障定位。本文将聚焦于Li

weixin_33696106的博客 319

KimiK2.5+OpenClaw:免费主力模型如何重构AI开发范式

主力模型是大模型落地的核心基础设施,其本质是具备高稳定性、强中文理解与长上下文处理能力的生产级推理服务。传统方案受限于API黑盒、成本不可控与生态割裂,而KimiK2.5作为首个通过七项工业级硬指标验证的开源模型,在128K上下文稳定性、中文语义保真度和低延迟响应上实现突破;OpenClaw则以模型抽象层(MAL)和动态调度架构,将模型调用降维为标准化接口操作。这种‘免费即生产级’的供给模式,正推动AI开发从依赖商业API转向自主可控的工程实践,广泛适用于金融合规审查、制造业故障推理、教育RAG实验及边缘轻

cuanjingyue4687的博客 465

【Linux】必掌握的七大命令:awk、sed、xargs、grep、find、cut、split 及文本文件查找并替换实战操作

我们在学习Linux的时候,必须要掌握的五大命令:awk、sed、xargs、grep、find、cut,每个命令如何使用,最常用用法。和在处理文本文件内容查找,并替换实战操作

meidongyan的博客 1318
上一篇: 常用Oracle数据库调优工具介绍[转]
下一篇: 指令引用的内存不能为written怎么解决
networkangle
博客等级 码龄20年 6粉丝 14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