Doris整合Iceberg+Spark联邦查询实战

最新推荐文章于 2026-06-12 16:56:58 发布
原创 最新推荐文章于 2026-06-12 16:56:58 发布 · 2.4k 阅读 · 5 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
标签
#hadoop #spark #hdfs
本文档详述了如何在Hadoop 3.3、Hive 3.1.3、Doris 1.1-pr2、Spark 3.1.2和Iceberg 0.13.2环境下配置和使用Doris进行Iceberg表的联邦查询。步骤包括Hadoop、Hive、Doris和Spark的安装、配置，以及Hive元数据的初始化，最后展示了Doris如何读取Iceberg数据。

Doris整合Iceberg+Spark联邦查询实战

环境介绍：
SoftVerison
Hadoop3.3
Hive3.1.3
Doris1.1-pr2
Spark3.1.2
Iceberg0.13.2
Hadoop HDFS 环境安装

  1. Hadoop3.3 下载

    wget https://dlcdn.apache.org/hadoop/common/hadoop-3.3.3/hadoop-3.3.3.tar.gz

  2. Lacalhost SSH 免密登录

      ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
  cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys
  chmod 0600 ~/.ssh/authorized_keys
  ssh localhost

    执行 ssh localhost，会弹出安全提示，填写yes即可。

    如果是docker环境下，需要手动启动sshd服务。

     /usr/sbin/sshd

  3. core-site.xml配置

    [root@17a5da45700b hadoop]# cat core-site.xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!--
  Licensed under the Apache License, Version 2.0 (the "License");
  you may not use this file except in compliance with the License.
  You may obtain a copy of the License at

    http://www.apache.org/licenses/LICENSE-2.0

  Unless required by applicable law or agreed to in writing, software
  distributed under the License is distributed on an "AS IS" BASIS,
  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  See the License for the specific language governing permissions and
  limitations under the License. See accompanying LICENSE file.
-->

<!-- Put site-specific property overrides in this file. -->

<configuration>
    <property>
        <name>fs.defaultFS</name>
        <value>hdfs://localhost:9000</value>
    </property>

<property>
  <name>hadoop.proxyuser.root.hosts</name>
  <value>*</value>
</property>

<property>
  <name>hadoop.proxyuser.root.groups</name>
  <value>*</value>
</property>

</configuration>

  4. hdfs-site.xml配置

    [root@17a5da45700b hadoop]# cat  hdfs-site.xml
<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!--
  Licensed under the Apache License, Version 2.0 (the "License");
  you may not use this file except in compliance with the License.
  You may obtain a copy of the License at

    http://www.apache.org/licenses/LICENSE-2.0

  Unless required by applicable law or agreed to in writing, software
  distributed under the License is distributed on an "AS IS" BASIS,
  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  See the License for the specific language governing permissions and
  limitations under the License. See accompanying LICENSE file.
-->

<!-- Put site-specific property overrides in this file. -->

<configuration>
    <property>
        <name>dfs.replication</name>
        <value>1</value>
    </property>
</configuration>

  5. hadoop-env.sh配置：添加如下配置到hadoop-env.sh。

    export JAVA_HOME=/opt/software/jdk8
export HDFS_NAMENODE_USER=root
export HDFS_DATANODE_USER=root
export HDFS_SECONDARYNAMENODE_USER=root
export YARN_RESOURCEMANAGER_USER=root
export YARN_NODEMANAGER_USER=root

  6. 格式化hdfs文件系统

    bin/hdfs namenode -format

  7. 启动hdfs

    sbin/start-dfs.sh

  8. 创建HDFS目录

     bin/hdfs dfs -mkdir /user
 bin/hdfs dfs -mkdir /user/root

  9. 查看HDFS目录，确保HDFS服务正常。

    [root@17a5da45700b hadoop-3.3.3]#  bin/hdfs dfs -ls /user
Found 2 items
drwxr-xr-x   - root supergroup          0 2022-06-21 03:00 /user/hive
drwxr-xr-x   - root supergroup          0 2022-06-15 09:38 /user/root

  10. Hadoop环境变量配置。

    export HADOOP_HOME=/opt/software/hadoop/hadoop-3.3.3
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export HADOOP_HDFS_HOME=$HADOOP_HOME
export PATH=$PATH:$HADOOP_HOME/sbin:$HADOOP_HOME/bin
Hive环境安装

  1. 下载并安装Hive

    wgt https://dlcdn.apache.org/hive/hive-3.1.3/apache-hive-3.1.3-bin.tar.gz
tar -xzvf apache-hive-3.1.3-bin.tar.gz
cd apache-hive-3.1.3-bin

  2. Hive环境配置

    export HIVE_HOME=/opt/software/hive/apache-hive-3.1.3-bin
export PATH=$HIVE_HOME/bin:$PATH

  3. 在Hdfs上创建Hive目录并赋权。

    $HADOOP_HOME/bin/hadoop fs -mkdir       /tmp
$HADOOP_HOME/bin/hadoop fs -mkdir       /user/hive/warehouse
$HADOOP_HOME/bin/hadoop fs -chmod g+w   /tmp
$HADOOP_HOME/bin/hadoop fs -chmod g+w   /user/hive/warehouse

  4. hive-env.sh添加HADOOP_HOME配置

    #创建hive-env.sh文件
mv hive-env.sh.template hive-env.sh
#添加HADOOP_HOME配置
HADOOP_HOME=/opt/software/hadoop/hadoop-3.3.3

  5. hive-site.xml配置：这里新建hive-site.xml配置文件

    vim hive-site.xml
[root@17a5da45700b conf]# cat hive-site.xml
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
        <property>
            <name>javax.jdo.option.ConnectionURL</name>
            <value>jdbc:mysql://localhost:3306/hive?
createDatabaseIfNotExist=true</value>
        </property>
        <property>
            <name>javax.jdo.option.ConnectionDriverName</name>
            <value>com.mysql.jdbc.Driver</value>
        </property>
        <property>
            <name>javax.jdo.option.ConnectionUserName</name>
            <value>root</value>
</property>
<property>
            <name>javax.jdo.option.ConnectionPassword</name>
            <value>root</value>
        </property>
        <property>
                <name>hive.metastore.warehouse.dir</name>
                <value>/user/hive/warehouse</value>
                <description>location of default database for the
warehouse</description>
        </property>
        <property>
                <name>hive.metastore.uris</name>
                 <value>thrift://127.0.0.1:9083</value>  
                <description>Thrift URI for the remote metastore. Used by metastore
client to connect to remote metastore.</description>
        </property>
        <property>
                <name>javax.jdo.PersistenceManagerFactoryClass</name>
                <value>org.datanucleus.api.jdo.JDOPersistenceManagerFactory</value>
        </property>
        <property>
                <name>hive.metastore.schema.verification</name>
                <value>false</value>
        </property>
        <property>
                <name>datanucleus.schema.autoCreateAll</name>
                <value>true</value>
        </property>
</configuration>

  6. 在MySQL侧创建hive数据库，用户存储Hive元数据信息。

mysql --host=localhost --user=root --password=root
create database hive;
use hive;
  1. 添加MySQL连接到apache-hive-3.1.3-bin/lib
cd /opt/software/hive/apache-hive-3.1.3-bin/lib
wegt https://repo1.maven.org/maven2/mysql/mysql-connector-java/5.1.49/mysql-connector-java-5.1.49.jar

📢：注意mysql-connector-java-5.1.49.jar的版本要和MySQL的大版本匹配，如mysql-connector版本大于MySQL很可能会报错。

我这里MySQL版本为5.7.38：

mysql> show variables like '%version%'
    -> ;
+-------------------------+------------------------------+
| Variable_name           | Value                        |
+-------------------------+------------------------------+
| innodb_version          | 5.7.38                       |
| protocol_version        | 10                           |
| slave_type_conversions  |                              |
| tls_version             | TLSv1,TLSv1.1,TLSv1.2        |
| version                 | 5.7.38                       |
| version_comment         | MySQL Community Server (GPL) |
| version_compile_machine | x86_64                       |
| version_compile_os      | Linux                        |
+-------------------------+------------------------------+
8 rows in set (0.00 sec)

mysql>
  1. Hive元数据初始化。
schematool -initSchema -dbType mysql
  1. 在MySQL中查看Hive元数据
mysql> show tables;
+-------------------------------+
| Tables_in_hive                |
+-------------------------------+
| AUX_TABLE                     |
| BUCKETING_COLS                |
| CDS                           |
| COLUMNS_V2                    |
| COMPACTION_QUEUE              |
| COMPLETED_COMPACTIONS         |
| COMPLETED_TXN_COMPONENTS      |
| CTLGS                         |
| DATABASE_PARAMS               |
| DBS                           |
| DB_PRIVS                      |
| DELEGATION_TOKENS             |
| FUNCS                         |
| FUNC_RU                       |
| GLOBAL_PRIVS                  |
| HIVE_LOCKS                    |
| IDXS                          |
| INDEX_PARAMS                  |
| I_SCHEMA                      |
| KEY_CONSTRAINTS               |
| MASTER_KEYS                   |
| MATERIALIZATION_REBUILD_LOCKS |
| METASTORE_DB_PROPERTIES       |
| MIN_HISTORY_LEVEL             |
| MV_CREATION_METADATA          |
| MV_TABLES_USED                |
| NEXT_COMPACTION_QUEUE_ID      |
| NEXT_LOCK_ID                  |
| NEXT_TXN_ID                   |
| NEXT_WRITE_ID                 |
| NOTIFICATION_LOG              |
| NOTIFICATION_SEQUENCE         |
| NUCLEUS_TABLES                |
| PARTITIONS                    |
| PARTITION_EVENTS              |
| PARTITION_KEYS                |
| PARTITION_KEY_VALS            |
| PARTITION_PARAMS              |
| PART_COL_PRIVS                |
| PART_COL_STATS                |
| PART_PRIVS                    |
| REPL_TXN_MAP                  |
| ROLES                         |
| ROLE_MAP                      |
| RUNTIME_STATS                 |
| SCHEMA_VERSION                |
| SDS                           |
| SD_PARAMS                     |
| SEQUENCE_TABLE                |
| SERDES                        |
| SERDE_PARAMS                  |
| SKEWED_COL_NAMES              |
| SKEWED_COL_VALUE_LOC_MAP      |
| SKEWED_STRING_LIST            |
| SKEWED_STRING_LIST_VALUES     |
| SKEWED_VALUES                 |
| SORT_COLS                     |
| TABLE_PARAMS                  |
| TAB_COL_STATS                 |
| TBLS                          |
| TBL_COL_PRIVS                 |
| TBL_PRIVS                     |
| TXNS                          |
| TXN_COMPONENTS                |
| TXN_TO_WRITE_ID               |
| TYPES                         |
| TYPE_FIELDS                   |
| VERSION                       |
| WM_MAPPING                    |
| WM_POOL                       |
| WM_POOL_TO_TRIGGER            |
| WM_RESOURCEPLAN               |
| WM_TRIGGER                    |
| WRITE_SET                     |
+-------------------------------+
74 rows in set (0.00 sec)

  1. 启动HiveServer2和Metastore

    hive --service hiveserver2  >/dev/null 2>/dev/null &
hive --service metastore  1>/dev/null  2>&1  &

  2. 查看进程

    [root@17a5da45700b lib ~]# jobs
[1]-  Running                 hive --service hiveserver2 > /dev/null 2> /dev/null &
[2]+  Running                 hive --service metastore > /dev/null 2>&1 &

  3. 查看metastore端口：

    [root@17a5da45700b lib]# netstat -ano |grep 9083
tcp        0      0 0.0.0.0:9083            0.0.0.0:*               LISTEN      off (0.00/0/0)
Doris环境安装

  1. Doris安装参照官网：https://doris.apache.org/zh-CN/docs/get-starting/get-starting.html#%E5%8D%95%E6%9C%BA%E9%83%A8%E7%BD%B2

  2. Doris和Hadoop有一些端口冲突，需要对Doirs默认端口进行修改。

    vim be/conf/be.conf

    将webserver_port = 8040修改为webserver_port = 18040

    vim fe/conf/fe.conf

    将http_port = 8030修改为http_port = 18030

Spark环境安装

  1. Spark下载：

    wget https://dlcdn.apache.org/spark/spark-3.1.2/spark-3.1.2-bin-hadoop3.2.tgz
tar -xzvf spark-3.1.2-bin-hadoop3.2.tgz

  2. 配置Spark环境变量

    export SPARK_HOME=/opt/software/spark-3.1.2-bin-hadoop3.2
export PATH=$PATH:$SPARK_HOME/bin

  3. 将hive-site.xml复制到Spark conf目录

    cp /opt/software/hive/apache-hive-3.1.3-bin/conf/hive-site.xml /opt/software/spark-3.1.2-bin-hadoop3.2/conf

  4. 添加MySQL驱动、hive依赖、Iceberg依赖到Spark

    cd /opt/software/spark-3.1.2-bin-hadoop3.2/jars/
wegt https://repo1.maven.org/maven2/mysql/mysql-connector-java/5.1.49/mysql-connector-java-5.1.49.jar
wget https://search.maven.org/remotecontent?filepath=org/apache/iceberg/iceberg-spark-runtime-3.1_2.12/0.13.2/iceberg-spark-runtime-3.1_2.12-0.13.2.jar
wget https://search.maven.org/remotecontent?filepath=org/apache/iceberg/iceberg-hive-runtime/0.13.2/iceberg-hive-runtime-0.13.2.jar

    注意：这里下载完可能出现如下的文件名，需要我们使用mv命令将其修改为正确的Jar包名称：

    remotecontent?filepath=org%2Fapache%2Ficeberg%2Ficeberg-spark-runtime-3.1_2.12%2F0.13.2%2Ficeberg-spark-runtime-3.1_2.12-0.13.2.jar
Iceberg On Spark建库建表
  1. 连接Spark-sql

spark-sql  --conf spark.sql.extensions=org.apache.iceberg.spark.extensions.IcebergSparkSessionExtensions \
    --conf spark.sql.catalog.spark_catalog=org.apache.iceberg.spark.SparkSessionCatalog \
    --conf spark.sql.catalog.spark_catalog.type=hive \
    --conf spark.sql.catalog.hive_prod=org.apache.iceberg.spark.SparkCatalog \
    --conf spark.sql.catalog.hive_prod.type=hive \
    --conf spark.sql.catalog.hive_prod.uri=thrift://127.0.0.1:9083
  1. 启用Iceberg hive支持
SET iceberg.engine.hive.enabled=true;
  1. 创建数据库和表：
ADD JAR /opt/software/hive/apache-hive-3.1.3-bin/lib/iceberg-hive-runtime-0.13.2.jar;
ADD JAR /opt/software/hive/apache-hive-3.1.3-bin/lib/iceberg-spark-runtime-3.1_2.12-0.13.2.jar;
create database hive_prod.testdb;
use hive_prod.testdb;
CREATE TABLE hive_prod.testdb.test_table (id bigint, data string) USING iceberg;
  1. 插入数据：
INSERT INTO hive_prod.testdb.test_table  VALUES (1, 'a'), (2, 'b'), (3, 'c');
Doris创建Iceberg外表和读取Iceberg数据
  1. 登录Doris
mysql -h 127.0.0.1 -P 9030 -uroot
  1. 创建数据库和表：
CREATE DATABASE test_iceberg_db PROPERTIES ( "iceberg.database" = "testdb", "iceberg.hive.metastore.uris" = "thrift://127.0.0.1:9083", "iceberg.catalog.type" = "HIVE_CATALOG" )

  1. Doris数据查询。

    use test_iceberg_db
mysql> show tables;
+----------------------------+
| Tables_in_test_iceberg_db |
+----------------------------+
| test_table                 |
+----------------------------+
1 row in set (0.00 sec)

mysql> select * from test_table;
+------+------+
| id   | data |
+------+------+
|    1 | a    |
|    2 | b    |
|    3 | c    |
+------+------+
3 rows in set (0.40 sec)
Apache Doris整合Iceberg + Flink CDC构建实时湖仓体的联邦查询分析架构
MfvShell的博客
09-20 840
希望本文对您有所帮助！在这篇文章中，我们将探讨如何利用Apache Doris整合Iceberg和Flink CDC来构建这样一个架构，并提供相应的源代码示例。我们将使用Apache Doris作为主查询引擎，Iceberg作为存储格式，Flink CDC作为数据捕获和变更处理工具。Apache Doris支持SQL查询，可以直接查询Iceberg存储层中的数据，并提供高性能和实时的分析能力。我们可以使用Iceberg将Flink CDC输出的变更数据写入表中，并管理表的元数据和版本。
使用 Doris 和 Iceberg
qq_36070104的博客
03-14 1257
使用 Doris 和 Iceberg
Doris + Iceberg 冷热数据分层实战：从零搭建企业级数据湖（附完整配置代码）
weixin_30399821的博客
03-21 52
本文详细介绍了如何利用Doris和Iceberg构建企业级冷热数据分层架构，实现数据湖的高效管理。通过实战演示，从环境搭建、表设计到查询优化，提供完整配置代码和运维要点，帮助企业平衡实时查询性能与存储成本，显著提升数据处理效率。
Doris 整合 Iceberg+Flink CDC 构建实时湖仓一体的联邦查询分析架构
.
04-17 4712
这里Doris On Iceberg我们只演示了Iceberg单表的查询，你还可以联合Doris的表，或者其他的ODBC外表，Hive外表，ES外表等进行联合查询分析，通过Doris对外提供统一的查询分析入口。自此我们完整从搭建Hadoop，hive、flink 、Mysql、Doris 及Doris On Iceberg的使用全部介绍完了，Doris朝着数据仓库和数据融合的架构演进，支持湖仓一体的联邦查询，给我们的开发带来更多的便利，更高效的开发，省去了很多数据同步的繁琐工作，快快来体验吧。
当Doris遇上Iceberg：一个数据工程师の自我救赎
yzData的博客
12-23 1590
当Doris遇上Iceberg：一个数据工程师の自我救赎
Apache Doris生态系统与集成方案
gitblog_00045的博客
08-25 951
Apache Doris生态系统与集成方案 Apache Doris作为高性能的MPP分析型数据库，提供了与大数据生态系统的深度集成能力，包括Spark/Flink连接器、数据湖联邦查询、多种数据导入方式以及丰富的外部系统集成能力。这些组件共同构成了Doris强大的数据处理和分析生态系统，支持实时数据同步、批量处理、联邦查询和跨系统数据整合等多种场景。 Spark/Flink连接器深度解析 Apa...
Apache Gravitino元数据湖实战指南：从零构建统一数据治理平台
gitblog_00929的博客
06-09 408
在数据驱动的现代企业中，元数据管理已成为数据治理的核心挑战。随着数据源多样化、云原生架构普及，传统的元数据管理方案难以应对跨平台、跨地域的数据整合需求。Apache Gravitino作为新一代高性能元数据湖解决方案，通过统一元数据管理、地理分布式架构和联邦化设计，为企业提供了一站式的数据资产管理平台。 ## 元数据碎片化挑战与Gravitino解决方案 数据湖、数据仓库、关系型数据库和消息队
多维聚合前的数据变形：构建可信分析坐标系的四层逻辑
最新发布
anzheng6118的博客
06-12 323
多维聚合并非简单SQL GROUP BY，而是面向分析可信度的数据准备工程。其核心在于解决原始数据与业务语义之间的鸿沟——从结构不一致、术语不统一、时间基准漂移到动态标签缺失。通过结构对齐、语义标准化、时间锚定和维度衍生四层变形逻辑，可系统性规避维度漂移、基数膨胀与静默错误等致命风险。该过程直接决定SUM/AVG等聚合结果的准确性与性能，是宽表建设、数仓分层及特征工厂落地的前提。本文聚焦数据变形的技术本质与工程实践，覆盖dbt、Spark、Flink、Doris等主流工具在不同量级下的选型逻辑与避坑要点。
Apache Doris 整合 FLINK 、 Hudi 构建湖仓一体的联邦查询入门
锋哥聊DORIS数仓
11-27 2579
是不是使用非常简单，快快体验Doris 湖仓一体，联邦查询的能力，来加速你的数据分析性能。
河北幸福消费金融基于 Apache Doris 构建实时数仓，查询提速 400 倍！
SelectDB
07-19 1271
-Apache Doris 在河北幸福消费金融的实时数仓应用，数据导入提速 50 %， MySQL 数据快速同步！
实时数仓新选择——Doris构建实时数仓落地方案详解
qq_15138049的博客
07-13 4620
doris 构建实时数仓落地方案
iceberg对比hive优势
bitcarmanlee的博客
08-02 5344
在传统的实时数仓中，由于列式存储相对行式存储有较高的查询性能，我们一般采用parquet，orc等列存储数据格式。传统的流式数据入库的过程中对小文件进行合并会产生很多问题，比如流式数据不断的往hive表进行写入，如果同时有一个合并程序进行小文件的合并，那么这时候对同一份数据进行读写。当有实时指标计算的需求时，可以使用 flink 实时计算框架，来构建近实时数仓，而且iceberg 存储全量数据，且仍然有批计算能力，可以在流式计算作业运行的同时，跑一个批作业来进行数据回溯或者数据纠正。
Doris + Iceberg 构建冷热分层数据湖架构：架构设计与实战指南
晴天彩虹雨的博客
04-20 1864
组件优势Doris高并发、低延迟 OLAP 引擎，适合热数据实时查询Iceberg高度可扩展的表格式，支持 ACID、分区演进、批量存储优化，适合冷数据管理热数据（近1天）存于 Doris，支撑秒级查询、实时报表冷数据（1天+）存于 Iceberg，支持归档、批量分析两者统一接入 BI、Presto、Trino 等查询引擎Doris + Iceberg 的组合实现了：热数据高频访问，快速响应实时查询需求冷数据低成本归档，支持大规模批量分析数据生命周期管理清晰，查询层透明。
doris：Iceberg
qq_36070104的博客
03-04 1219
doris：Iceberg
活动回顾｜ 基于 Iceberg 拓展 Doris 数据湖能力的实践
ucanuup_的博客
07-21 1366
...
FlinkCDC读取mysql的表写入kafka/doris/iceberg
qq_38151907的博客
04-04 1404
FlinkCDC读取mysql的表写入kafka/doris/iceberg
天翼云：Apache Doris + Iceberg 超大规模湖仓一体实践
m0_59235699的博客
03-25 1207
天翼云是中国电信旗下一家科技型、平台型、服务型公司，以“云网融合、安全可信、绿色低碳、生态开放”四大优势向客户提供公有云、私有云、专属云、混合云、边缘云全栈云服务。。天翼云基于 Apache Doris 和 Apache Iceberg 构建的湖仓一体方案，兼具灵活性、高性能和低成本优势，同时满足了报表和 BI 分析、湖仓融合分析、日志存储分析、高并发实时分析、MPPDB 国产化替代等多种场景需求。天翼云数据来源众多，在数据整合和共享方面面临挑战。
如何用Spark SQL实现多Catalog联邦查询
None
03-18 2495
目前对多Catalog的支持俨然成为计算引擎的标配，因为在OLAP场景，跨数据源的联合查询是一大刚需。但是，传统的计算引擎如Hive、Spark2对多Catalog支持能力很弱，也许是受Flink、Presto（Trino）的步步紧逼，Hive3也开始支持多Catalog，但是仅限于存储层面和API层面，还没有推进到SQL层。Spark相比Hive要进展好得多，在多Catalog的实现方式上甚至成...
【大数据】Doris 构建实时数仓落地方案详解（二）：Doris 核心功能解读
Code · Cloud · Think · Repeat
09-18 4444
Apache Doris 是由百度研发并开源的数据库项目。 Doris 2008 年开始在百度内部立项，经历了五个大版本的迭代后于 2017 年开源，2018 年进入 Apache 基金会孵化项目。2022 年 4 月 18 日正式发布 Doris 1.0，2022 年 6 月 16 日正式毕业，成为 Apache 软件基金会的顶级项目。
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