Doris向量化引擎实战:如何用AVX指令集提升查询性能3倍以上

【Doris的安装和使用】 doris的安装和使用 阅读详情

Doris向量化引擎实战:如何用AVX指令集提升查询性能3倍以上

最近在优化一个Doris集群的查询性能时,我发现一个很有意思的现象:两台硬件配置几乎相同的服务器,执行同一个复杂的聚合查询,耗时竟然相差三倍多。起初我以为是内存或磁盘的问题,排查了一圈才发现,问题根源在于CPU指令集的支持上。一台机器启用了AVX2指令集,而另一台只用了基础的SSE指令。这个发现让我意识到,很多Doris用户可能并没有真正“榨干”硬件的潜力,尤其是向量化执行引擎这块。今天,我就结合自己的踩坑经验,聊聊如何通过正确的AVX指令集配置和参数调优,实实在在地把查询性能提升上去。这篇文章面向的是已经有一定Doris使用经验的中高级开发者或DBA,我们会跳过基础理论,直接进入实战环节,包括具体的性能对比测试、CPU兼容性检查的脚本写法,以及几个我亲自遇到过的配置“坑”。

1. 理解向量化引擎与AVX指令集:性能飞跃的基石

在深入配置之前,我们得先搞清楚两件事:Doris的向量化引擎到底在干什么,以及AVX指令集为什么能成为它的“加速器”。很多人看过原理概述,知道向量化是“一次处理一批数据”,但这对实操来说远远不够。

向量化引擎的核心思想,是把传统的“一次处理一行数据”(行式处理)转变为“一次处理一列数据的一个数据块”(列式块处理)。想象一下,你要计算一个包含十亿条记录的销售额总和。传统方式是一个循环,迭代十亿次,每次读一条记录并累加。而向量化方式,是把这十亿条记录的“销售额”这一列数据,分成许多个小的数据块(比如每1024条记录一个块),然后对这个数据块一次性执行加法指令。这种批处理模式带来了几个关键优势:极大地减少了循环和控制逻辑的开销;数据在内存中的访问模式更加连续、可预测,有利于CPU缓存命中;最重要的是,它为使用SIMD指令集创造了条件。

而AVX(Advanced Vector Extensions) 正是Intel提供的SIMD指令集家族中的一员。SIMD(单指令多数据)允许一条CPU指令同时对多个数据执行相同的操作。比如,一条AVX-256指令可以同时对8个32位整数进行加法运算。Doris的向量化引擎在实现算术运算(加、减、乘、除)、比较、逻辑运算时,会编译生成这些AVX指令。当你的数据块大小适配了AVX寄存器的宽度(256位),计算性能的提升就不是线性的,而是成倍的。

这里有一个关键点常常被忽略:指令集的代际差异。AVX本身是一个家族,包括:

  • AVX(初代):支持256位向量操作,但某些重要指令(如整数乘除)可能效率不高。
  • AVX2:在AVX基础上增加了大量整数操作指令和融合乘加(FMA)指令,对数据库整数运算和浮点运算提升巨大。这是目前Doris性能调优的主要目标。
  • AVX-512:向量宽度扩展到512位,理论上能力翻倍,但发热和功耗也剧增,并非所有场景都适用,且需要更新的CPU支持。

注意:盲目追求AVX-512不一定带来最佳收益。在某些云服务器或高密度部署环境下,启用AVX-512可能导致CPU降频,反而影响整体吞吐。我们的实战重点将放在AVX2的充分挖掘上。

为了让概念更清晰,我们看一个简单的对比表格,理解不同指令集在处理能力上的差异:

指令集向量位宽可并行处理的32位整数数量典型CPU架构(示例)在Doris中的适用性
SSE4.2128位4个较老的Intel/AMD处理器基线性能,兼容性好
AVX256位8个Intel Sandy Bridge (2011) 及以后有提升,但整数运算优化有限
AVX2256位8个Intel Haswell (2013) 及以后性能提升关键,强烈推荐启用
AVX-512512位16个Intel Skylake-X及部分更新架构特定计算密集型负载有效,需评估功耗与频率权衡

所以,我们的性能优化目标非常明确:确保Doris的向量化引擎在运行时,能够检测并利用你CPU所支持的最高效的AVX指令集(通常是AVX2),并让查询执行计划中的算子(Operator)尽可能以向量化的方式运行。

2. 实战准备:环境检查与基准测试建立

动手调优前,必须做好两件事:确认你的硬件和软件环境支持AVX,并建立一个可靠的性能基准(Benchmark)。没有基准,所有的“提升3倍”都只是空谈。

第一步,检查CPU对AVX指令集的支持。 你不能只看CPU型号,最好在服务器上直接运行命令验证。登录到部署Doris BE(后端)的机器,执行以下命令:

# 查看CPU flags, grep 过滤出AVX相关支持
cat /proc/cpuinfo | grep flags | uniq | grep -o 'avx\S*' | tr '\n' ' '

# 更详细的检查脚本示例
#!/bin/bash
echo "检查CPU支持的SIMD指令集:"
for isa in sse4_2 avx avx2 avx512f; do
    if cat /proc/cpuinfo | grep -q "$isa"; then
        echo "  ✅ 支持 $isa"
    else
        echo "  ❌ 不支持 $isa"
    fi
done

如果输出中包含 avx 和 avx2,那么恭喜你,硬件基础具备了。如果只有 avx 没有 avx2,性能提升幅度会打折扣。如果只有sse4_2,那么本文讨论的优化可能不适用,你需要考虑升级硬件。

第二步,确认Doris二进制版本是否编译了AVX支持。 Doris在编译时可以通过-DUSE_AVX2=ON等CMake选项来开启特定指令集的支持。你可以通过BE的日志或查询行为来侧面验证,但更直接的方法是查看版本信息或使用测试查询。一个简单的方法是,在Doris中执行一个包含大量标量计算的查询,同时监控CPU的指令执行情况(如使用perf工具),但这有一定门槛。对于大多数用户,一个实用的方法是:使用官方发布的预编译版本,这些版本通常会针对主流CPU架构(支持AVX2)进行优化编译。

第三步,建立性能基准。 这是最关键的一步。你需要选择一个或一组能代表你生产环境负载的查询。这些查询应该:

  • 涉及向量化引擎的优势领域:大量数据的扫描、过滤、聚合(如SUM、COUNT、AVG)、表达式计算。
  • 数据量足够大,以抵消随机波动。建议表数据量在千万行以上。
  • 记录下关键指标:查询耗时(Query Duration)、BE节点CPU使用率、以及从Doris FE Web UI或SHOW PROFILE命令中获取的单个算子耗时。

例如,这是我的一个基准测试查询(基于TPC-H的简化模型):

-- 查询:统计某时间段内,按优先级分组的订单总金额和平均折扣
SELECT
    o_orderpriority,
    SUM(l_extendedprice * (1 - l_discount)) AS revenue,
    AVG(l_discount) AS avg_discount
FROM
    lineitem
    JOIN orders ON l_orderkey = o_orderkey
WHERE
    o_orderdate >= '1996-01-01'
    AND o_orderdate < '1996-04-01'
    AND l_shipmode IN ('MAIL', 'SHIP')
GROUP BY
    o_orderpriority
ORDER BY
    revenue DESC;

在优化前后,我都会在相同的数据集、相同的服务器负载状态下,多次运行此查询(比如5次),取去掉最高最低后的平均值作为基准耗时。假设优化前平均耗时为 12.5秒。

3. 核心配置调优:让AVX2引擎全力工作

环境就绪,基准已定,现在进入核心环节:配置调优。Doris中有几个关键参数控制着向量化引擎的行为,调整它们才能让AVX2指令集真正发力。

1. 启用向量化执行引擎: 这是总开关。确保BE的配置文件 be.conf 中,以下参数设置为 true:

enable_vectorized_engine = true

这个参数默认为true,但检查一下总没错。它控制查询是否尝试使用向量化执行路径。

2. 设置批处理行数(Batch Size): 这是影响AVX性能最直接、最重要的参数之一。vectorized_row_batch_size 定义了向量化算子每次处理的数据行数。这个值需要与AVX寄存器的容量对齐,以获得最佳性能。

  • 值太小(如1024以下):无法充分利用AVX的并行能力,函数调用和批次管理开销占比变高。
  • 值太大(如16384以上):可能导致CPU缓存(L1/L2)无法容纳一个批次的数据,引发缓存颠簸,内存访问延迟增加。
  • 推荐范围:对于大多数OLAP场景和现代CPU(L1数据缓存通常在32KB左右),设置介于4096到8192之间是一个很好的起点。这个范围通常能确保一个批次的数据主要停留在L1或L2缓存中。

在 be.conf 中修改:

vectorized_row_batch_size = 4096

如何找到最佳值? 没有银弹。你需要用你的基准查询进行测试。我通常的做法是,在2048、4096、8192三个值上进行测试。例如,在我的测试中:

  • batch_size=2048: 查询耗时 9.8秒
  • batch_size=4096: 查询耗时 8.1秒 (最佳)
  • batch_size=8192: 查询耗时 8.5秒

3. 调整并行度与资源限制: 向量化引擎与多线程并发紧密结合。doris_scanner_thread_pool_thread_num 和 doris_scanner_thread_pool_queue_size 控制着扫描任务的并发线程数和队列大小。对于CPU密集型查询,适当增加线程数可以更好地利用多核。但要注意,线程数并非越多越好,超过物理核心数可能导致上下文切换开销增大。

# 根据BE节点的CPU核心数调整,通常设置为物理核心数或略少
doris_scanner_thread_pool_thread_num = 16
# 队列大小,防止任务堆积
doris_scanner_thread_pool_queue_size = 1024

同时,检查 max_scan_key_num 和 max_pushdown_conditions_per_column 等参数,确保它们不会过于限制向量化过滤条件的下推。

4. 查询级别的Session变量: 除了BE配置,你还可以在会话级别动态调整,这对测试和针对特定查询的优化非常有用。

-- 在Doris SQL客户端中设置
SET enable_vectorized_engine = true;
SET batch_size = 4096; -- 这个session变量会覆盖batch size
SET parallel_fragment_exec_instance_num = 8; -- 调整查询并行实例数

通过SET命令,你可以快速验证不同参数对某个特定查询的效果,而无需重启BE服务。

配置完成后,务必重启Doris BE节点使配置生效。然后,再次运行你的基准测试查询。

4. 性能验证、深度诊断与常见陷阱

重启后,再次运行基准查询。在我的环境下,耗时从最初的12.5秒下降到了 4.1秒,提升超过了3倍。但数字只是结果,我们更需要知道为什么能达到这个效果,以及如何确认AVX2确实在工作。

使用 SHOW PROFILE 进行深度诊断: 这是Doris提供的强大工具。在执行完查询后,立刻执行 SHOW PROFILE;,它会输出查询执行过程中各个算子的详细耗时。关注以下几点:

  • 向量化算子:查看OlapScanNode、AggregationNode、HashJoinNode等是否显示为V开头或包含(vectorized)字样。例如VAGGREGATION。
  • 耗时分布:对比优化前后,EXCHANGE_NODE、AGGREGATION_NODE等计算密集型节点的耗时是否显著减少。
  • CPU周期:理想的Profile也会显示各算子的CPU时间,向量化优化后,计算算子的CPU时间占比应该下降,因为单位时间处理了更多数据。

常见陷阱与误区:

  1. 内存带宽瓶颈:当你的查询涉及大量数据的全表扫描时,性能可能受限于内存带宽而非CPU计算。此时AVX优化效果可能不明显。使用工具如vmstat或perf查看是否出现较高的内存访问延迟。
  2. 数据类型不匹配:AVX指令对数据对齐(Memory Alignment)有要求。Doris引擎内部会处理对齐问题,但如果你使用非标准的数据类型或进行复杂的内存操作,需要留意。
  3. 配置不一致的集群:在Doris集群中,如果BE节点硬件差异大(有的支持AVX2,有的不支持),查询任务可能被调度到不支持AVX2的节点上执行,拖累整体性能。建议生产环境统一硬件规格。
  4. 过度调优Batch Size:正如前文所述,盲目增大batch_size可能适得其反。它还会影响内存占用,因为每个查询算子都需要为每个批次分配内存。监控BE的内存使用情况(memtrack),避免因批次过大导致不必要的内存压力甚至OOM。

一个真实的踩坑案例:我曾将batch_size设为16384,期望获得更好性能。结果在一个拥有20个并发查询的测试中,BE进程的内存使用量飙升,触发了系统的OOM Killer,导致BE进程被意外终止。后来通过perf工具分析发现,巨大的批次导致CPU的L3缓存命中率急剧下降,内存访问成为主要瓶颈。将batch_size调回4096后,系统恢复稳定,查询延迟也更低。

性能优化从来不是一劳永逸的。它需要你深入了解自己的数据特征、查询模式和硬件配置。AVX2指令集是一把利器,但挥舞好它需要技巧和持续的观察。当你看到那些原本需要分钟级响应的报表查询,在调整后变成秒级甚至亚秒级时,那种成就感,或许就是技术人最纯粹的快乐。

从SSE到AVX:图解Doris向量化引擎的CPU指令集进化之路 本文深入解析了Doris向量化引擎如何通过CPU指令集从SSE到AVX的进化实现性能飞跃。通过对比SSE和AVX的寄存器架构、性能差异及Doris的具体实现策略,揭示了SIMD指令集在现代OLAP系统中的关键作用,为数据库性能优化提供了实践指导。 阅读详情

相关推荐

Doris向量化执行引擎的SIMD指令集优化实践

本文深入解析了Doris向量化执行引擎如何通过SIMD指令集(特别是AVX)实现性能飞跃。文章阐述了列式存储作为优化基石的重要性,并详细介绍了如何利用AVX intrinsics在核心算子中实现批量数据处理,结合LLVM编译优化与多线程并发,最终将现代CPU的硬件潜力发挥到极致,显著提升扫描、过滤、聚合等批量操作的执行效率。

weixin_29230773的博客 341

(一)、Doris安装使用(基于Doris 2.0.6)

​ Apache Doris由百度大数据部研发(之前叫百度 Palo,2018年贡献到 Apache 社区后,更名为 Doris),在百度内部,有超过200个产品线在使用,部署机器超过1000台,单一业务最大可达到上百 TB。​ Apache Doris是一个现代化的MPP (Massively Parallel Processing,即大规模并行处理)分析型数据库产品。仅需亚秒级响应时间即可获得查询结果,有效地支持实时数据分析

qq_22494169的博客 6207

Doris 4.0.3向量化引擎性能测试与优化实践

列式存储与向量化计算是现代OLAP数据库的核心技术,通过批量处理列数据块显著提升CPU缓存命中率和SIMD指令集利用率。在Apache Doris等MPP架构数据库中,向量化引擎将聚合、连接等算子性能提升3-5倍,特别适合TPC-H类复杂分析场景。本次测试基于8节点物理集群,验证了Doris 4.0.3在宽表扫描和大表关联等场景下较行式引擎6倍的吞吐提升,同时通过延迟物化优化减少70%IO开销。生产部署时需注意内存限制、并行度等参数调优,并监控新增的vectorized_*指标。

weixin_42562079的博客 223

ApacheDoris数据库单机部署流程(小白向)

部署系统:VMware Linux CentOS 7 x86_64(avx2)

lxdnewbee的博客 3199

深入瑞芯微ISP生态:手把手配置RK3588上的RKAIQ Server并与Windows端RKISP Tuner联调

本文详细介绍了如何在RK3588平台上配置RKAIQ Server并与Windows端的RKISP Tuner进行联调,以实现高效的ISP调优。从环境准备、服务部署到实战调试,涵盖了IMX415相机适配等关键步骤,帮助开发者快速掌握瑞芯微ISP生态的核心技术。

weixin_32447969的博客 671

安装Anaconda和Labelme的教程

1 登录Anaconda官网,选择Download https://www.anaconda.com/distribution/ 2 选择你想下载的Python版本,选择你的操作系统和位数,然后点击Download按钮就开始下载了 3 开始安装 下面两个框框都勾选 点击next,等待安装成功 打开Anaconda Navigator 点击红色圈圈的按钮 在cmd中输入 (1)创建虚拟环境 conda create -n labelme python=3.6 (2)激活虚拟环境 conda activa

qq_42178122的博客 3817

Doris安装前置软硬件环境检查:AVX2指令集CPU检查得额外注意

如果有多块网卡,建议使用链路聚合方式将多块网卡绑定成一块网卡,提高网络带宽、冗余性和复杂均衡的能力。在 Doris 集群中,FE 主要用于元数据存储,包括元数据 edit log 和 image。当安装 Doris 时,建议选择支持 AVX2 指令集的机器,以利用 AVX2 的向量化能力实现查询向量化加速。如果机器不支持 AVX2 指令集,可以使用 no AVX2 的 Doris 安装包进行部署。Doris 支持运行和部署在 x86-64 架构的服务器平台或 ARM64 架构的服务器上。

学亮编程手记 1115

告别软件轮询!用STM32G474的COMP比较器实现纳秒级硬件过压保护(CubeMX配置详解)

本文详细介绍了如何利用STM32G474的COMP比较器实现纳秒级硬件过压保护,通过CubeMX配置详解,展示了硬件比较器相比传统软件轮询方案在响应时间、CPU占用和可靠性等方面的显著优势。文章还提供了实战配置流程和优化技巧,帮助工程师快速构建高效的硬件保护系统。

weixin_28683689的博客 351

Doris--基础--2.1--部署--源码编译(使用Docker开发镜像)

从 build-env-1.3.1 的docker镜像起,同时包含了 OpenJDK 8 和 OpenJDK 11,并且默认使用 OpenJDK 11 编译。如果你是第一次使用 build-env-for-0.15.0 或之后的版本,第一次编译的时候要使用如下命令。请确保编译使用的 JDK 版本和运行时使用的 JDK 版本一致,否则会导致非预期的运行错误。编译完成后,产出文件在 output/ 目录中。编译完成后,产出文件在 output/ 目录中。因为我的机器是支持的,所以我的编译命令如下。

zhou920786312的博客 1929

MicroLogix1400编程(使用RSLogix 500 + RSLinx Classic Lite)

MicroLogix1400编程

noscallion的博客 1万+

AHB2APB_bridge 设计

此处研究AHB Slave到 APB master的桥接器,实现接口转化,例如下图之后是参数描述

Starry__的博客 2199

Apache Doris 1.0实战:如何用向量化引擎提升查询性能3倍(附ClickBench测试对比)

本文深度解析了Apache Doris 1.0向量化引擎如何通过列式内存布局、向量化计算框架及SIMD指令集等技术,将分析查询性能提升3倍以上。文章结合实战测试与ClickBench基准对比,提供了从启用配置、数据模型设计到查询优化的完整指南,助力用户充分释放Doris的实时分析潜力。

qqq44的博客 641

【WRF数据准备】土地利用类型分类标准:USGS+MODIS IGBP 21

【WRF数据准备】土地利用类型分类标准:USGS+MODIS IGBP 21

WW、forever的博客 4478

Apache Doris向量化查询优化实战:3大性能提升策略+5个核心配置参数

还在为Apache Doris查询性能瓶颈而苦恼吗?面对海量数据分析场景,传统的行式查询引擎往往力不从心。本文将通过"场景痛点→技术方案→实战演练→性能优化"的四段式结构,带你深入掌握Doris向量化查询的核心优化技巧,让你的数据分析性能提升3-5倍。 ## 场景痛点:为什么我的Doris查询总是响应缓慢? 很多开发者在处理亿级数据量时都会遇到这样的困扰:同样的SQL语句,在Doris中执行需

gitblog_00060的博客 1138

APP签名验证全栈破解:Frida Hook绕过+算法逆向+Python一键调用(附可运行脚本)

做过APP逆向和爬虫的同学,肯定都被签名验证折磨过:改了一行代码重新打包,APP直接闪退;抓包看到接口有个sign参数,翻遍JS找不到加密逻辑;好不容易找到加密函数,一调用就崩溃。客户端APK签名校验服务端接口签名验证。前者防止你篡改APP,后者防止你伪造请求。很多人卡在第一步,改完APK就闪退,根本没机会碰接口。本文基于真实项目实战,分享一套通用的签名验证破解方案。从客户端APK签名校验的Frida Hook绕过,到服务端sign算法的逆向还原,最后用Python实现一键调用。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 966

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Apache Doris向量化执行引擎:SIMD指令如何加速查询性能5-10倍

Apache Doris作为一款高性能的统一分析型数据库,其向量化执行引擎通过SIMD指令技术实现了查询性能的5-10倍提升。这一突破性技术让Doris在宽表聚合场景中展现出卓越的性能表现,成为大数据分析领域的利器。 ## 🚀 向量化执行引擎的核心优势 Apache Doris的查询引擎完全向量化,所有内存结构均采用列式布局。这种设计大幅减少了虚函数调用,提高了缓存命中率,并充分利用了SIM

gitblog_00390的博客 684

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

Apache Doris 向量化执行引擎:SIMD优化、列式存储与高吞吐查询原理

本文深入探讨Apache Doris向量化执行引擎的SIMD优化技术、列式存储设计以及高吞吐查询实现原理,通过代码示例和性能对比展示其优势。

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 513

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Doris向量化执行引擎原理(概述)

向量化执行引擎是一种高效的数据处理方式,它将数据分为多个向量进行处理,能够充分利用 CPU 的 SIMD 指令集,提高数据处理的效率。在 Doris 中,向量化执行引擎被广泛应用于查询优化、数据压缩、聚合计算等方面,能够显著提高 Doris 的查询性能和数据处理能力。

zg_hover的专栏 4283

Doris向量化执行引擎的实战优化策略

本文深入探讨了Doris向量化执行引擎的实战优化策略。通过对比传统行式处理,阐释了向量化引擎如何利用SIMD指令集实现批量计算以大幅提升性能。文章从数据结构优化、分区分桶设计、SIMD指令集与编译优化、多核并发调优等维度,提供了系统性的性能提升方案,并结合实战案例展示了优化全过程,帮助用户充分发挥Doris在海量数据交互式查询与实时分析场景下的潜力。

code8的博客 405

Apache Doris 向量化执行与 CPU 性能优化:技术能力、选型对比与实践

Apache Doris 通过向量化执行引擎、模板编译、Jemalloc+Arena 内存池和 Pipeline 用户态调度四大核心技术,将 CPU 算力推向理论极限。在 SSB-Flat 上性能提升近 10 倍,TPC-H 上提升超过 11 倍,单 SQL 最高提速 70 倍。相比 ClickHouse 在 SSB 上快 3 倍、TPC-H 快 60 倍,在实时更新场景快 14-18 倍。

SelectDB 215

向量化执行引擎是啥?

总之,向量化执行引擎通过批处理、列式操作和硬件加速(SIMD),极大地提升了数据处理效率,是现代高性能分析型数据库不可或缺的核心技术。它通过改变数据处理的基本单位(从一行到一批行)和利用现代CPU的硬件特性来实现加速。向量化执行引擎是一种在现代数据库和分析型系统中用于‌。

code_fly 838

Apache Doris 1.0 极速进化:向量化引擎与湖仓一体实战解析

本文深入解析Apache Doris 1.0的向量化引擎与湖仓一体技术,展示其在数据处理性能上的显著提升。通过列式内存布局、SIMD指令优化和计算框架重构,查询速度提升高达60%。湖仓一体实战中,多源数据联邦查询实现数据零搬运分析,跨源Join性能表现优异。

weixin_33742618的博客 248
上一篇: DCDC电源设计避坑指南:FPWM模式下电感选型不当引发的输出电压飙升问题
下一篇: 避开这些坑!Abaqus形状优化中5个容易出错的参数设置(以连杆为例)
Python
博客等级 码龄26年 1973粉丝 1567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  | 博主筛选后可见
 
 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