利用Python爬取《囧妈》豆瓣短评数据,并进行snownlp情感分析

python snownlp情感分析_SnowNLP情感分析+生成词云 本帖最后由 missy 于 2017-12-9 00:12 编辑因为最近看了一下《致我们单纯的小美好》,虽然情节是有点“二”吧,但是看了觉得真的很怀念初高中的日子,一时玩心大发,于是就想搞点有意思的东西。。。首先去爬了豆瓣上面的短评,然后就是用SnowNLP做了一个比较粗糙的情感分析,结果可能不是很准确,因为这个python库本来是用来分析购物评论一类的,最后还做了一个简单的词云,因为觉得比较好玩... 阅读详情

利用Python爬取《囧妈》豆瓣短评数据,并进行snownlp情感分析

一、电影评论爬取
今年的贺岁片《囧妈》上映前后,在豆瓣评论上就有不少网友发表了自己的观点,到底是好评的声音多还是差评的声音多,评价的情感又是怎样的呢,我们通过Python进行数据爬取,然后用snownlp进行情感分析。

使用游客身份进行数据爬取时,只能爬取11页共220条。这数据量太少了,玩起来没什么代表性,还得想办法爬更多的数据,办法就是注册账号,用cookie进行登录,把cookie添加到headers里面去,具体操作看程序

import requests
from bs4 import BeautifulSoup
from fake_useragent import UserAgent
from lxml import etree
import time
import pandas as pd

ua = UserAgent()
"""  #headers模板
headers = {'User-Agent': 'Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.117 Mobile Safari/537.36',
 'cookie': '将复制的cookie信息贴在此处'}
"""

cookie='XXXXX '
headers = {'User-Agent': ua.chrome,'cookie':cookie}
start=time.clock()

comment_word=[]
for ii in range(820):
    ss=ii*20
    url='https://movie.douban.com/subject/30306570/comments?start=%s'%ss+'&limit=20&sort=new_score&status=P'
    req= requests.get(url,headers=headers)
    soup=BeautifulSoup(req.text,'lxml')#生成一个BeautifulSoup 对象,用以后面的查找工作,lxml 字典
    xml_word=soup.find_all('span',class_='short')  #评论内容位置
    xml_zan=soup.find_all('span',class_='votes')  #点赞数位置
    xml_time=soup.find_all('span',class_='comment-time')  #点赞数位置
  
    time.sleep(1)
    for i in range(len(xml_word)):
        msg__word=xml_word[i].text
        msg_zan=int(xml_zan[i].text)
        msg_time=xml_time[i].text.split('\n')[1].split(' ')[-1]
        comment_word.append([msg_time, msg_zan,msg__word])
                
comentv=pd.DataFrame(comment_word,columns=['评论时间','点赞数量','评论内容'])
comentv.to_csv('C:/Users/lenovo/Desktop/muvieos.csv',encoding='utf_8_sig', index=False)         

end=time.clock()
print('time is:',end-start)

我的程序中抓取了评论时间、评论内容、觉得有用的数量,同时记录一下程序运行时耗费的时间。经过漫长的等待,结果发现一次只能爬500条数据,然后IP就被限制了,需要输入验证码,网上有破解的办法,具体也不想去研究了,就先拿500条数据来玩吧。
在这里插入图片描述
电影是在2020/1/25上映,看一看评论在电影上映前后的热度,显然上映前讨论得比较热闹,点击有用的个数还是比较高的,随着时间的推移,受关注度就越来越低。

import matplotlib.pyplot as plt

plt.figure(figsize=[40,12])
plt.plot(DATAS.评论时间,DATAS.点赞数量,'*')

在这里插入图片描述
二、情分分析
接下来就是利用snownlp来做情感分析了,但是这个包原来是用来做购物评价分析的,直接用来做电影情感分析,得到的答案不是很准确,打开snownlp安装所在目录,可以看到中文本积极评论pos.txt和消极评论neg.txt所在的位置,打开这两个文件夹可以看到里面很多中文
在这里插入图片描述
例如neg.txt里面的内容是:
在这里插入图片描述
训练是更好地完善现有的语料库,官方提供的教程提供训练的包括分词,词性标注,情感分析。以分词为例 ,在snownlp/seg目录下:

# 分词训练
from snownlp import seg
seg.train('data.txt')
seg.save('seg.marshal')
# 词性标注训练
# from snownlp import tag
# tag.train('199801.txt')
# tag.save('tag.marshal')
# 情感分析训练
# from snownlp import sentiment
# sentiment.train('neg.txt', 'pos.txt')
# sentiment.save('sentiment.marshal')

这样训练好的文件就存储为seg.marshal了,之后修改snownlp/seg/init.py里的data_path指向刚训练好的文件即可

为了建立训练素材,我打开已经爬取并保存好的CSV文件夹,根据自己的主观判断进行正反面分类,把标记好的两个素材文件pos.txt,neg.txt放到原包的位置。

我直接运行情感分析训练程序的时候出现两个地方报错:
1、FileNotFoundError: [Errno 2] No such file or directory: ‘pos.txt’
解决办法:建立绝对路径,‘C:/Users/lenovo/Desktop/orial/pos.txt’,pos.txt 和neg.txt同样建立绝对路径
2、建立绝对路径后,报错:‘utf-8’ codec can’t decode byte 0xc6 in position 0: invalid continuation byte,
解决办法:我们在新建并保存txt文件的时候默认是ANSI格式,再另存为utf-8并覆盖源文件就行了
在这里插入图片描述

from snownlp import sentiment
sentiment.train('C:/Users/lenovo/Desktop/orial/neg.txt','C:/Users/lenovo/Desktop/orial/pos.txt')
sentiment.save('sentiment.marshal')

训练完后,就可以拿来检验训练效果了

from snownlp import SnowNLP
s='我讨厌这部电影,甚至作呕,强行灌鸡汤,强行要把所谓的黑暗面撕出来,然后结尾强行煽情和解。没有人没和解,只是徐峥自己没和解吧!'
ss=SnowNLP(s)
ss.sentiments

在我没训练之前,直接运用原生态的包,得到的分数是0.6+,这个分数虽然不是很高,但是明显跟我们主观判断相差太远,训练后得到的分数数1.0683347495765716e-05,效果还不错。

如果还想恢复原生态安装包的pos.txt,neg.txt,sentiment.marshal这三个文件,可以通过先关闭程序运行,卸载这个包再安装

pip  uninstall snownlp
pip install snownlp

由于我差不多使用了前200+的评论作为训练样本了,为了不混淆,我从300开始检测评论结果

from snownlp import SnowNLP
taidu=[]
taidutime=[]
for i in range(300,len(DATAS)):
    ss=SnowNLP(DATAS.评论内容[i])
    taidu.append(ss.sentiments)
    taidutime.append(DATAS.评论时间[i])
    
plt.figure(figsize=[40,12])
plt.plot(taidutime,taidu,'*')

在这里插入图片描述
如果以0.5作为分界点,统计一下图中点的个数,具体数好评的多还是差评的多,我想数据已经说明了一切。

三、用jieba进行分析,做词频统计
通过词频统计,想知道评论中出现次数最多的词有哪些,是褒义词还是贬义词

import re 
import jieba    #分词包
import pandas as pd  
import numpy    #numpy计算包

#提取评论内容
comments = '  '
for k in range(len(DATAS)):
    comments = comments + (str(DATAS.评论内容[k])).strip()
    
#进行正则化处理,去除标点符号等
pattern = re.compile(r'[\u4e00-\u9fa5]+')
filterdata = re.findall(pattern,comments)
cleaned_comments = ''.join(filterdata)

#分词
segment = jieba.lcut(cleaned_comments)
words_df=pd.DataFrame({'segment':segment})

#去除停用词
stopwords=pd.read_csv("C:/Users/lenovo/Desktop/chineseStopWords.txt",index_col=False,quoting=3,sep="\t",names=['stopword'], encoding='gb18030')#quoting=3全不引用
words_df=words_df[~words_df.segment.isin(stopwords.stopword)]

#统计词出现的次数
words_stat=words_df.groupby(by=['segment'])['segment'].agg({"计数":numpy.size})
words_stat=words_stat.reset_index().sort_values(by=["计数"],ascending=False)
words_stat

分词后得到的结果如下:
在这里插入图片描述
得到这个词频统计后,可以进行词云制作,这部分就不打算做了,网上很多教程,随便找一个贴上来就可以画了,这里就不想画了。

这个项目的目的是针对网络爬虫练习,至此项目基本完成了。

Python爬取《流浪地球》豆瓣影评与数据分析可视化 大年初一《流浪地球》全国上映。在豆瓣评分上,首日开分站稳8分以上,延续了之前点映的高口碑。微博上跟着出现吴京客串31天与投资6000万的热搜。知乎上关于“如何评价刘慈欣小说改编的同名电影《流浪地球》”的回答引起了众多人关注,包括该片导演郭帆的最高赞回答。 本篇文章爬取了豆瓣网上《流浪地球》的部分影评,并进行数据分析及可视化处理。下面是爬取分析的整个过程,让我们愉快开始吧! 一、网页分析 豆瓣网从2017年10月开始全面禁止爬取数据。在非登录状态下仅仅可以爬取200条短评,登录状态下仅可以爬取500条数据。. 阅读详情

相关推荐

Python 爬虫实战:爬取豆瓣电影短评,实现情感分析可视化

本文实现了豆瓣电影短评的情感分析全流程,包括数据爬取、情感计算和可视化展示。通过Python爬虫突破豆瓣反爬机制,获取指定电影的短评内容及评分等信息;利用SnowNLP工具将文本情感量化为0-1之间的得分;最后通过直方图、散点图和词云图直观呈现情感分布特征。结果显示用户评分与情感得分高度相关(皮尔逊系数0.8765),验证了分析方法的有效性。项目不仅提供了完整的代码实现,还探讨了反爬应对策略和扩展方向,为文本情感分析提供了实用参考。

2503_91057718的博客 2452

利用TFIDF进行实时微博情感分类

一、思路分析先来分析一下思路:本项目所用的语料库是pos.txt和neg.txt两个文件,分别代表pos(积极)和neg(消极)类别,文件中有很多条已经分好类的微博,一整行为一条。                                1、计算tftf应该分类别计算。分别计算某个词在每个类别中的tf。这是什么意思呢?我们往下看。某一个词在某种类别的tf=这类文件中这个词出现的次数/这类文件...

sofuzi的博客 3713

Python爬虫实战:爬取豆瓣电影短评做情感分析可视化,我用这招搞定反爬+数据解读(附完整代码)

这套流程的核心价值不是“爬取数据”,而是“解读数据”——从豆瓣短评的原始文本,到情感标签,再到可视化图表,把杂乱的文本转换成直观的结论。对程序员来说,这不仅是爬虫练手,更是“数据获取→数据处理→数据解读”的完整实战。最后想说:技术的价值在于解决实际问题,用Python搞定豆瓣短评的情感分析,既能练技术,又能直观看到观众对电影的真实反馈,这才是学习爬虫的真正意义。希望这篇分享能帮到有需要的小伙伴,也欢迎在评论区交流豆瓣爬虫和情感分析的更多技巧!

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。 2300

pyshon根据id更换爬取网页_【数据科学】Python爬取流浪地球豆瓣影评与数据分析...

↑↑↑↑↑点击上方蓝色字关注我们!『运筹OR帷幄』转载作者:小本聪编者按猪年春节的贺岁档电影火爆异常,尤其是口碑爆棚的《流浪地球》更是收获的无数影迷和国人的赞誉。事实胜于雄辩,数据是最有力度的事实。我们用python爬取了豆瓣的影评,客观的分析一下这部国产的划时代的科幻电影。事实证明,《流浪地球》是非常值得观看的电影,并且这部电影正在带领中国的科幻产业走向成熟。(文中有代码福利)本文经授...

weixin_39969028的博客 1701

【Python爬虫系列教程 24-100】小姐姐教大家豆瓣影评分析,模拟登陆爬取五百条短评、利用Snownlp和pyplot对短评进行情感分析并展示

【Python爬虫系列教程 24-100】小姐姐教大家豆瓣影评分析,模拟登陆爬取五百条短评、利用Snownlp和pyplot对短评进行情感分析并展示

weixin_54707168的博客 1027

Python 爬虫实战:豆瓣影评数据爬取与情感分析

本文介绍了一个完整的豆瓣影评爬取与情感分析系统,涵盖反爬应对、数据清洗、情感分析和可视化展示。系统采用Python技术栈,包括requests爬取数据、BeautifulSoup解析页面、SnowNLP/BERT进行情感分析,以及wordcloud和pyecharts实现可视化。针对豆瓣的反爬机制,设计了请求频率控制、Cookie鉴权、随机UA和IP代理等策略。核心功能包括短评/长评爬取、评论文本清洗、情感倾向分析(正面/负面/中性),以及生成词云图和评分分布等可视化图表。项目结构清晰,包含爬虫、数据处理、

u014481728的博客 90

用 Python 爬取 500 条豆瓣影评,看看《蚁人2》是否有看点?

作者 |量化小白H责编|郭芮“不以大小论英雄。”《蚁人2》已热映多天,本文就来看看豆瓣电影上的这部片子评分如何,从代码和数据层面给出最客观的解读。作为练手,笔者本来...

优快云资讯 3565

国产化软件设计:遵循信创要求,助力信息技术自主创新

支持国产操作系统、CPU、数据库和中间件。确保网络通信的身份鉴别、数据传输机密性和完整性。实现应用和数据层的身份鉴别、数据传输机密性完整性、数据存储机密性完整性。依托法院密码服务平台提供的商用密码能力。

qq_41186565的博客 3373

python实现豆瓣电影评价感情分析

先上图:(资源链接蓝奏云:https://zyjblogs.lanzous.com/iGjjfe2jyaj) 1.词云图 2.评价星级饼图 3.简报(好评率,最好评价,最差评价) 最好评价:很好看的!剧情有倒叙说看不懂的往下看就行!任嘉伦演技很厉害了,那岚岳林敬两个人很容易分开,演可爱也是一点不尴尬就是很不错!张慧雯长的也挺可爱的~关于剧情倒叙很多伏笔很多,作为一个原创剧本我个人很满意!每个人都有自己的小心思小秘密,需要观众一点一点揣摩~没有绝对坏人,对于明尊我也不是很讨厌,可能因为演技太

逝水无痕博客 8487

【可不卸载重装】VS2019新建项目里没有CUDA选项

问题:VS2019 新建项目里没有CUDA选项,vs也属性没有cuda。这是因为你在Visual Studio 2019安装之前,先安装了CUDA Toolkit。

qq_62844901的博客 1323

Unity UGUI高斯模糊背景效果 简易解决方案

UnityUI背景模糊效果简易解决方案1.功能描述简易界面框架搭建合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 1.功能描述 在我们玩游戏的时候,经常会看到一些游戏会对UI做这样的处理: 可以看到,新开的上层UI界面会以下层UI界面的模糊

SaberZG的博客 1万+

爬虫7_《隐秘的角落》豆瓣影评爬取及可视化分析

爬取链接:隐藏的角落豆瓣影评 本文源码:百度云 提取码 影评爬取 豆瓣网有限制,各种类型的评论只可以爬取220条,所以我爬取了好评、一般、差评各220条,过滤解析错误的影评后,累计爬取630条。爬取维度为评论类型、点赞数、评分、发布日期、评论。 分析url start:从第几条开始展示,豆瓣影评每一页都是20条评论,所以start应该是20的倍数。 limit:这个限制了每页显示多少评论,但修改数值也没用。 sort:根据热门/最新/好友进行排序, 这里我选择了热门。 status:P/F代表看过和想看,

Lin_Xiao_Dai的博客 2431

《【一看就会】Autoware.universe的“规划”部分源码梳理》系列文章目录(持续更新中)

第零章:Planning综述 第一章:【一】全局路径生成模块——mission_planner 第二章:【二】路径行为规划模块——behavior_path_planner第一部分——behavior_path_planner模块 第三章:【二】路径行为规划模块——behavior_path_planner第二部分——behavior_path_planner_common模块(1) 第四章:【二】路径行为规划模块——behavior_path_planner第三部分——behavior_path_plan

weixin_48386130的博客 2340

Python爬取《你好李焕英》豆瓣短评并基于SnowNLP做情感分析

爬取过程在这里: Python爬取你好李焕英豆瓣短评并利用stylecloud制作更酷炫的词云图 本文基于前文爬取生成的douban.txt,基于SnowNLP做情感分析。 依赖库: 豆瓣镜像比较快: pip install snownlp -i http://pypi.douban.com/simple/ --trusted-host=pypi.douban.com/simple 初识SnowNLP: SnowNLP是一个常用的Python文本分析库,是受到TextBlob启发而发明的。由于当前

一个超会写Bug的程序猿的博客 1万+

游戏开发中的CV:实时动作捕捉与虚拟交互

游戏开发中的CV:实时动作捕捉与虚拟交互​ ,人工智能,计算机视觉,大模型,AI,在当今游戏产业中,玩家对游戏体验的要求日益提高,追求更加真实、沉浸的交互感受。计算机视觉(Computer Vision,CV)技术的飞速发展,为游戏开发带来了革命性的突破,其中实时动作捕捉与虚拟交互技术更是成为提升游戏品质的核心驱动力。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 16万+

MFC实现图书管理系统(附完整源码)

MFC实现图书管理系统(附完整源码)

希望我的博客,能帮上你解决学习中工作中所遇到的问题 804

《蚁人2》豆瓣影评爬虫+简单情感分析+词云

打算把豆瓣上的短评爬下来作为分析的素材。 然而并没有成功爬到所有的短评,一波三折,最终只爬到了500条,当然这也是豆瓣目前可见的最大数量,本文将细致分析爬虫的整个过程,并对爬到的数据加以分析,蚁小见大。 整篇文章共包含爬和文本分析两部分,因为爬到的数据包含信息较少,所以分析过程相对简单,包含描述统计分析、情感分析和分词词云,主要代码在各部分给出,需要完整代码和爬到的数据请在后台回复"...

zhusongziye的博客 5342

Python爬招聘网站:Selenium+ActionChains破解滑动验证码,批量采集岗位数据(新手可跑)

通过本文实战,你不仅学会了用Selenium+ActionChains破解滑动验证码,还掌握了爬虫的核心优化思路——“模拟人类行为”是突破反爬的关键。这套逻辑不仅适用于招聘网站,还能迁移到其他有滑动验证码的平台(如电商、资讯网站)。

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。 1188

python snownlp_SnowNLP情感分析+生成词云

本帖最后由 missy 于 2017-12-9 00:12 编辑因为最近看了一下《致我们单纯的小美好》,虽然情节是有点“二”吧,但是看了觉得真的很怀念初高中的日子,一时玩心大发,于是就想搞点有意思的东西。。。首先去爬了豆瓣上面的短评,然后就是用SnowNLP做了一个比较粗糙的情感分析,结果可能不是很准确,因为这个python库本来是用来分析购物评论一类的,最后还做了一个简单的词云,因为觉得比较好玩...

weixin_39878247的博客 1239

Agent Harness Engineering: AI Agent 执行管控与安全沙箱 原理与最佳实践

我们正站在计算范式转移的历史节点上。2024-2026 年间,AI 系统从被动的内容生成器(Generative AI)演变为主动的行动执行者(Agentic AI)。这一转变的根本特征是:根据 2026 年初的行业数据:然而,能力的提升伴随着风险的指数级增长。2024-2026 年间发生的多起标志性安全事件揭示了 Agent 系统的脆弱性:案例 1:Slack AI 数据外泄事件(2024 年 8 月)案例 2:制造业供应链攻击(2026 年 Q3)案例 3:Arup 深度诈骗案(2026 年 9 月)这

AI天才研究院 1673

Statistics and Machine Learning Toolbox

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

数据分析小项目01 __《少年的你》豆瓣短评__V1.0

数据分析小项目01 __《少年的你》豆瓣短评__V1.0 目录 豆瓣短评数据抓取: 1 1.1 网页分析 : 审查网页元素,获取目标网站树状结构 1 1.2 数据爬取 : 用request +xpath 爬取前25页数据 4 1.3 数据保存 : 创建DataFrame并将数据导出为.csv 9 数据分析 10 2.1 制作词云 : WordCloud+jieba 10 2.2 统计词频 : j...

aqi_shao的博客 564

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Python迷你爬虫实战:12行代码抓取豆瓣短评

网络爬虫是一种自动化获取网页数据的技术,其核心原理是通过HTTP请求模拟浏览器行为,再解析HTML文档提取目标信息。在Python生态中,requests库提供了简洁的HTTP客户端功能,配合正则表达式可以实现轻量级数据采集。这种技术组合特别适合快速验证场景,比如舆情监控、竞品分析等需要临时获取公开数据的业务需求。以豆瓣电影短评抓取为例,仅需12行代码即可完成从发送请求到数据清洗的全流程,其中关键点包括User-Agent伪装、非贪婪正则匹配以及基础反爬策略。通过控制请求频率和遵守robots.txt规则,

weixin_33552698的博客 1498

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

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。

《小美好》短评文本情感分析+生成词云

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号: datadw因为最近看了一下《致我们单纯的小美好》,虽然情节是有点“二”吧,但是看了觉得真的很怀念初高中的日子,一时玩心大发,于是就想搞点有意思的东西。。。首先去爬了豆瓣上面的短评,然后就是用SnowNLP做了一个比较粗糙的情感分析,结果可能不是很准确,因为这个python库本来是用来分析购物评论一类的,最后还做了一个简单的

大数据挖掘DT数据分析 2338

Python情感分析实战:从影视评论挖掘观众情绪的技术实现

情感分析作为自然语言处理的核心分支,通过算法自动识别和量化文本中的主观情绪信息,其原理主要基于词典匹配、机器学习或深度学习模型对文本情感极性进行分类。这项技术的工程价值在于能够将非结构化的用户反馈转化为可量化的数据指标,广泛应用于智能客服、内容推荐、舆情监控和产品优化等场景。本文以热播剧集《心跳漏一拍》的观众评论为分析对象,结合Python中的snownlp库和jieba分词工具,演示了从数据爬取、文本预处理到情感得分计算与可视化的完整流程,并针对中文文本处理中的常见问题提供了解决方案。通过构建情感分布图和

weixin_29040367的博客 311

【python 自然语言处理】对胡歌【猎场】电视剧评论进行情感值分析

主要内容 1、什么是SnowNLP? 2、SnowNLP可以干哪些事儿? 3、如何进行情绪判断? 4、猎场豆瓣热门短评抓取。 5、猎场热门短评情感分析。 6、附录(python 画词云图) 什么是SnowNLP? snowNLP,可以分词,标注,还可以进行情绪分析。 SnowNLP是一个python写的类库,可以方便的处理中文文本内容,是受到了TextBlob的启发而写的,由于现在大部...

赖德发的博客 5485

差评近一半,用 Python 分析胡歌的《猎场》到底值不值得看?

《猎场》到底好不好看?我们还是想通过以 11 月 8 日为界,看看人们短评人的情绪,是积极,还是消息。利用词云看看大家都说了什么,希望能大家就是否建议观看给出建议。

优快云资讯 3万+
上一篇: Apache软件安装资源
下一篇: postgres常用语句和错误处理办法
quantam
博客等级 码龄9年 78粉丝 36原创
评论 3
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