centos7:mysql数据库(基本SQL语句---记录操作)

MySQL 简介及SQL 语句 二、部署 MySQL 数据库2.优化调整 MySQL 程序3.初始化 MySQL 数据库服务4.登录验证三、SQL 语句操作——增删改查2.数据记录类型3.表相关 SQL4.简单操作一、数据库概述==========================================================================数据库就是存储数据的仓库,其本质是一个文件系统,数据按照特定的格式将数据存储起来,用户可以对数据库中的数据进行增加,修改,删除及查询操作。1.数据库的分类关系型数据库: 阅读详情

记录操作:
    增
        # 添加记录
            insert into 表明 set 字段=值; #(值是字符时需要加"")
                eg. insert into t1 set id=1,name='xiaoming';
            insert into 表名 values(值1,值2,....); #顺序按照表头的顺序(字符需要加引号)
                eg. insert into t2 values(2,'male','zhao',88);
                        insert into t2 (id,name,linux) values(3,'qian',90);
                        insert into t2 (id,name,linux) values(4,'sun',93),(5,'li',76);

    删
        # 删除记录,一定要有定位
            delete from t1 where name='haha';
        # 删除没有值的记录,即null
            delete from t1 where name is null;
            delete from t1 where name<=>null;
        # 清空表
            delete from t2;

    改
        # 修改记录,一定要有定位
            update 表名 set 修改字段=值 where 条件字段=值;
            eg. update t1 set sex='female' where id=3;

    查
        # 查看所有的记录
            select * from tb_name;
        # 查看指定字段的记录
            select id,name from t1;
        # 子查询
            select name,english from t1 where english=(select max(english) from t1);
        # 分组统计
            select sex,count(sex) from t2 group by sex;
        # 只显示前2条记录
            select name,chi from t2 order by chi desc limit 2;

    聚合函数
        sum() # 求和
            # 求指定字段的和
                select sum(linux) from t2;
            # 求指定字段的平均数
                select avg(linux) from t2;
            # 求和,并且给和设置字段名
                select name,chinese+math+english as total from t1;

    排序:
        # 升序:按照指定字段从小到大的顺序排列
            select name,linux from t2 order by linux;
        # 降序:按照指定字段从大到小的顺序排列,显示前3名
            select name,linux from t2 order by linux desc limit 3;

    通配符
        # % 匹配任意
            select * from t2 where name like '%an';
        # _ 匹配单个字符le
            select * from t2 where name like 'q_an';

    正则表达式:regexp
        # 匹配正则表达式
            select * from t2 where name regexp 'an$';

    运算符:
        # 多条件定位(and <---> && or <---> || != =)
            update t1 set sex='male' where id=1 and name='huang';
        # 多条件匹配 &&<=>and ||<=>or

            delete from t1 where id=1 && name='zhao';

 

 

 

CentOS 7上MySQL数据库主从配置与主从切换技术详解 从服务器通过SQL线程读取中继日志中的事件,并执行这些事件,从而保持与主服务器的数据同步。文章首先阐述了主从配置的架构和原理,然后提供了具体的配置案例,包括安装MySQL、配置主服务器、配置从服务器、测试主从同步等步骤。在主从配置中,当主服务器出现故障或需要维护时,需要进行主从切换,将从服务器提升为新的主服务器,以保证数据库的高可用性和数据的一致性。本文将在CentOS 7操作系统上搭建MySQL数据库,并进行主从配置以及主从切换的详细步骤进行介绍,帮助读者更好地理解和掌握MySQL的主从复制技术。 阅读详情

相关推荐

CentOS 7 安装 MySQL 8.0 部署文档

使用相应的验证 SQL 语句来确认配置的修改。文件获取自动生成的临时 root 密码。使用记录的临时密码登录。

u011197085的博客 1685

在centos中执行SQL文件

在服务器中创建单体的 nacos, 需要使用到其中的 mysql 文件 要不然起不起来 找对应的 nacos 解压路径 我的路径为 /home/nacos_01/nacos/conf/nacos-mysql.sql 进入到 服务器中 mysql mysql -u root -p password 先要创建对应的数据库, 并使用 create database nacos; use nacos; 在mysql中执行导入.sql文件 source /home/nacos_01/nacos/conf/n

树暖 1908

centos7离线安装mysql5

为了这次面试,也收集了很多的面试题!以下是部分面试题截图。

2401_83816794的博客 737

Centos7常用命令以及MySQL的常用命令

2022 Centos7常用命令+MySQL常用命令大全+Java打包操作

qq_59567619的博客 5435

CentOS7 部署 MySQL 主从复制,读写分离

本人面试腾讯,阿里,百度等企业总结下来的面试经历,都是真实的,分享给大家!本人面试腾讯,阿里,百度等企业总结下来的面试经历,都是真实的,分享给大家![外链图片转存中…(img-CaHKp5G5-1713311450304)][外链图片转存中…(img-XZx8JdkY-1713311450305)][外链图片转存中…(img-hcqUqN3x-1713311450305)][外链图片转存中…(img-FCoH2vQp-1713311450305)]

2401_84408437的博客 1124

BEVFusion(mit)最强环境安装,部署复现

BEVFusion作为一项经典的工作,值得深入探索。然而由于配置环境比较麻烦,耽误了一些时间。经过几次成功配置之后,有了一些总结,在这里记录下来,供大家参考避坑,也方便自己下次查阅。

qq_45783225的博客 1万+

CentOS7 MySQL 数据库基本使用

MySQL 数据库基本使用,查看数据库结构,创建及删除库和表,管理表中的数据记录,以及数据库用户授权介绍。

愿许浪尽天涯的博客 3432

从Live2D到Unreal Engine:2D与3D虚拟数字人核心技术实现路径解析

本文深入解析了从Live2D到Unreal Engine的2D与3D虚拟数字人核心技术实现路径,涵盖技术选型、制作流程与优化技巧。通过对比2D骨骼动画与3D建模渲染的差异,结合实战案例,帮助开发者根据项目需求选择合适方案,提升虚拟数字人的交互体验与视觉效果。

weixin_30379531的博客 149

centos7下查看mysql数据库_centOS7安装MySQL数据库

1、先检测系统是否自带原有版本mysql安装包,如果有要先卸载删除,不然不能成功安装和启动;# rpm -qa|grep mysql 查看有哪些安装包,如果直接跳过,说明没有安装包,记忆可以直接进入第2、3# yum remove mysql mysql-server mysql-libs compat-mysql51 注意这个代码,卸载不干净# rm -rf /var/lib/m...

weixin_39653622的博客 2009

Frida实战:如何用adb快速连接网易mumu模拟器进行参数Hook(附常见CPU架构问题排查)

本文详细介绍了如何使用Frida和adb快速连接网易MuMu模拟器进行参数Hook,包括环境配置、架构适配、Frida-server部署及常见问题排查。特别针对CPU架构兼容性问题提供了实用解决方案,帮助开发者高效完成逆向调试任务。

weixin_29274969的博客 289

别再死磕NFP了!用Python+遗传算法搞定异形件自动排版(附完整代码)

本文介绍了如何利用Python和遗传算法实现异形件智能排版,解决传统NFP方法计算复杂的问题。通过Shapely库处理几何运算和DEAP库搭建遗传算法框架,结合模拟退火策略避免局部最优,显著提升材料利用率。附完整代码和优化技巧,适用于服装裁剪、金属加工等行业。

weixin_26965807的博客 236

mysql更新linux_MySQL更新语句UPDATE深入探索

以下的文章主要介绍的是MySQL update 语句的实际用法,我们首先是以单表的UPDATE语句来引出实现MySQL update 语句的实际方案,以下就是文章的详细内容描述,望你看完之后会有收获。单表的MySQL UPDATE语句:UPDATE [LOW_PRIORITY] [IGNORE] tbl_nameSET col_name1=expr1 [, col_name2=expr2 ...]...

weixin_35490309的博客 1084

【YOLOv11工业级实战】15. YOLOv11海洋监测实战:珊瑚礁健康评估(水下图像增强|机器人搭载)

摘要:本文针对珊瑚礁健康评估的海洋监测需求,基于YOLOv11提出解决方案,聚焦水下色偏、悬浮物干扰、珊瑚形态复杂三大难题。引用全球珊瑚礁监测网络(GCRMN)标准,采用CoralNet数据集,通过Jaffe-McGlamery物理模型引导增强与悬浮物去除算法,在浑浊水域(能见度<5m)实现87.3%的健康珊瑚识别率,藻类误判率低至7.2%。介绍了以BlueROV2水下机器人和Jetson AGX Orin为核心的部署方案,结合水下SLAM定位技术,实现珊瑚健康的实时评估与三维覆盖率计算。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1644

MySQL安装配置及基本操作

MySQL安装配置及基本操作 之前做过几个项目都用过 MySQL,使用体验不错,但容易忘记一些基本配置流程和命令,这里简单记录一下在 CentOS 7 下的安装配置及一些基本操作。 安装配置 1. CentOS 7 安装 MySQL5.7 如果要安装在 root 用户下,请使用 sudo。 $ yum install mysql-community-server 2. 启动 MySQL 服务 M...

Wonderful_sky的博客 819

AI Agent开发第85课-DeepSeek-OCR 安装全指南:从 Transformers 到 vLLM,手把手教你跑通企业级 OCR

本文系统讲解 DeepSeek-OCR 的两种部署方式——基于 Hugging Face Transformers 的标准推理与基于 vLLM 的高性能加速推理。详细说明 CUDA 与 PyTorch 版本匹配、环境验证、依赖安装等关键细节,并提供可直接运行的完整代码示例。无论你是单卡调试还是高并发服务部署,都能在这里找到清晰路径。

打造全国最全的AI Agent开发知识领域的博客 2542

数学之美:欣赏超越数e

文章目录一、e为何物?二、利息与e的关系1、利息问题2、计算利息3、欣赏螺旋线(1)螺旋线概述(2)绘制螺旋线三、e和π 一、e为何物? e是一个无限不循环小数,其值约等于2.718281828…,它是一个超越数,有时也称为欧拉数(Euler’s Number)。 以e为底的对数称为自然对数(Natural Logarithm),数学中使用自然这个词的还有自然数(Natural Number)。 这里的“自然”并不是现代人所习惯的“大自然”,而是有点儿“天然存在,非人为”的意思。 二、利息与e的关系

howard2005的专栏 1717

CentOS7 Mysql表操作——增删改查(CRUD)

CentOS7 Mysql表操作——增删改查(CRUD) 一、增加操作 #[]内可以省略,但是如果省略字段的话,后面对应的值就要按字段顺序全部填写 INSERT [INTO] 表名称 [(字段1,...)] {VALUE|VALUES} (值1...); #添加记录的语法(只可添加一条记录) INSERT 表名称 SET 字段名称=字段值,...; 二、删除操作 DELETE FROM 表名称 [WHERE 条件]; 三、修改操作 UPDATE 表名称 SET 字段名=字段值,...[WHERE 条件

Icarus2019的博客 948

基于 STM32 的智慧农业温室控制系统设计与实现

本文提出一种基于 STM32 微控制器的智慧农业温室控制系统设计方案,通过集成多类型环境传感器、执行机构及无线通信模块,实现对温室内温湿度、光照、土壤湿度等参数的实时监测与自动调控。文中详细阐述硬件选型、电路连接及软件实现流程,并附关键代码示例,为智慧农业领域提供低成本、高可靠性的温室控制解决方案。

weixin_42300449的博客 1923

CentOS7下C语言针对MySQL的blob类型数据插入操作(mysql_stmt_prepare、mysql_stmt_execute)

前言 操作系统:CentOS7 MySQL版本:5.7 数据库:test 建库语句参考: create DATABASE test; 表:test 建表语句参考: create table test( username char(20) not null, password blob not null, age int not null ); 代码 编译:gcc mysql.c -lmysqlclient -L/usr/lib64/mysql/ #include <stdio.h>

Love丶伊卡洛斯 1000

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

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")

在 Centos7 上安装 Mysql 8.0 的方式以及一些 Mysql 的基本操作

用 Docker 安装 MySQL 8.0 因为数据库老师要求在 Linux 环境下运行 MySQL,虚拟机又太卡,所以干脆装在云服务器上了,操作系统是 Centos7。按照官网的教程一步步走下来,没遇到什么问题,所以这篇博客并没有什么技术含量,只是记录一下主要步骤。包管理工具用的是 docker。 1. 下载 MySQL Server 的 Docker 镜像 docker pull my...

Iulia 235

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

【MySql】CentOS7下的Mysql基础操作

centos7下mysql的卸载与安装卸载:https://blog.youkuaiyun.com/Xiayebuliang/article/details/128133207安装:https://blog.youkuaiyun.com/korry24/article/details/118079490。

qq_30130205的博客 762

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

Centos7 安装配置MySQL5.7

MySQL 简介 MySQL是一个关系型数据库管理系统,由瑞典MySQL AB(创始人Michael Widenius)公司开发,2008被Sun收购(10亿美金),2009年Sun被Oracle收购。 MySQL是一种关联数据库管理系统,将数据保存在不同的表中,而不是将所有数据放在一个大仓库内,这样就增加了速度并提高了灵活性。 MySQL是开源的,所以你不需要支付额外的费用。 MySQL是可以定制的,采用了GPL(GNU General Public License)协议,你可以修改源码来开发自己的M

。。。。 1万+

CentOS7 下 C++ 连接 Mysql 数据库的环境配置以及常用API测试

CentOS7 下 C++ 连接 Mysql 数据库的环境配置以及常用API测试

玛卡巴卡的博客 1549

基于CentOS 7.9操作系统安装MySQL 5.7.36数据库(使用tar命令方式)

记录:302 场景:使用tar命令解压.tar.gz压缩包方式,在CentOS 7.9操作系统安装MySQL 5.7.36数据库。内容包括MySQL的安装、启动、登录以及基础应用。

zhangbeizhen18的博客 3140

MySQL数据库原理与实践(一):MySQL安装与基础操作

本文详细介绍了在CentOS系统下安装MySQL数据库的完整步骤,包括获取官方yum源、版本匹配、安装配置及服务启动等关键环节。同时讲解了数据库的核心概念,通过对比文件存储方式,突出数据库在查询速度、安全性、存储效率和并发控制方面的优势。文章还系统梳理了数据库基础操作,涵盖库表创建、修改、删除以及字符集设置等实用技能,并提供了可视化操作示意图,帮助读者快速掌握MySQL的基本使用方法。从环境搭建到实际操作,形成了一套完整的MySQL入门指南。

2502_93841997的博客 575

CentOS7安装和使用Workbench

本文详细介绍在CentOS 7系统中安装和使用MySQL Workbench的步骤

Quantum-Clock 1309
上一篇: centos7:mysql数据库(基本SQL语句---库操作)
下一篇: centos7:搭建部署confluence(6.3.1)
coisini_覔
博客等级 码龄11年 120粉丝 146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