千亿级数仓>商品维度数据装载

最新推荐文章于 2024-04-06 22:20:19 发布
原创 最新推荐文章于 2024-04-06 22:20:19 发布 · 352 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#项目

本文详述了在数仓项目中，针对商品维度数据的拉链表构建过程，包括全量导入和增量导入两个阶段。在全量导入时，将2019年09月08日前的所有ODS数据导入拉链历史记录表；增量导入时，以2019年09月09日为例，介绍如何通过Kettle抽取、Spark SQL更新历史数据并合并加载到临时表，最后导入到历史拉链表中。测试环节确保数据正确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

5 数仓项目 - 商品维度数据装载

使用拉链表解决商品SCD问题

5.1 dw层建表

-- dw层建表
DROP TABLE IF EXISTS `itcast_dw`.`dim_goods`;
CREATE TABLE `itcast_dw`.`dim_goods`(
  goodsId bigint,
  goodsSn string,
  productNo string,
  goodsName string,
  goodsImg string,
  shopId bigint,
  goodsType bigint,
  marketPrice double,
  shopPrice double,
  warnStock bigint,
  goodsStock bigint,
  goodsUnit string,
  goodsTips string,
  isSale bigint,
  isBest bigint,
  isHot bigint,
  isNew bigint,
  isRecom bigint,
  goodsCatIdPath string,
  goodsCatId bigint,
  shopCatId1 bigint,
  shopCatId2 bigint,
  brandId bigint,
  goodsDesc string,
  goodsStatus bigint,
  saleNum bigint,
  saleTime string,
  visitNum bigint,
  appraiseNum bigint,
  isSpec bigint,
  gallery string,
  goodsSeoKeywords string,
  illegalRemarks string,
  dataFlag bigint,
  createTime string,
  isFreeShipping bigint,
  goodsSerachKeywords string,
  modifyTime string,
  dw_start_date string,
  dw_end_date string
)
STORED AS PARQUET;

5.2 具体步骤

拉链表设计一共分为以下几个步骤：

  • 1、第一次全量导入
    所有的ODS数据全部导入到拉链历史记录表中
  • 2、增量导入（某天，举例：2018-09-09）
    增量导入某天的数据到ODS分区
    合并历史数据
    通过连接查询方式更新

1全量导入

  • 将所有 2019年09月08日以前创建的商品以及修改的数据全部导入到拉链历史记录表中
    操作步骤：
  • 1、使用Kettle将20190908以前的数据抽取到ods
SELECT *
FROM itcast_ods.itcast_goods
WHERE DATE_FORMAT(createtime, '%Y%m%d') <= '20190908' OR DATE_FORMAT(modifyTime, '%Y%m%d') <= '20190908';
  • 2、使用spark sql将全量数据导入到dw层维度表
set spark.sql.shuffle.partitions=1; --shuffle时的分区数，默认是200个
-- 使用spark sql将全量数据导入到dw层维度表
insert overwrite table `itcast_dw`.`dim_goods`
select
  goodsId,
  goodsSn,
  productNo,
  goodsName,
  goodsImg,
  shopId,
  goodsType,
  marketPrice,
  shopPrice,
  warnStock,
  goodsStock,
  goodsUnit,
  goodsTips,
  isSale,
  isBest,
  isHot,
  isNew,
  isRecom,
  goodsCatIdPath,
  goodsCatId,
  shopCatId1,
  shopCatId2,
  brandId,
  goodsDesc,
  goodsStatus,
  saleNum,
  saleTime,
  visitNum,
  appraiseNum,
  isSpec,
  gallery,
  goodsSeoKeywords,
  illegalRemarks,
  dataFlag,
  createTime,
  isFreeShipping,
  goodsSerachKeywords,
  modifyTime,
    case when modifyTime is not null
      then from_unixtime(unix_timestamp(modifyTime, 'yyyy-MM-dd HH:mm:ss'),'yyyy-MM-dd')
      else from_unixtime(unix_timestamp(createTime, 'yyyy-MM-dd HH:mm:ss'), 'yyyy-MM-dd') 
      end as dw_start_date,
   '9999-12-31' as dw_end_date
from
  `itcast_ods`.`itcast_goods` t
where dt='20190908';

2增量导入

  • 将2019年09月09日创建的、修改的数据全部导入到历史拉链表中
    操作步骤：
  • 1、使用Kettle将20190909创建的、或者修改的数据抽取到ods
SELECT *
FROM itcast_goods
WHERE DATE_FORMAT(createtime, '%Y%m%d') = '${dt}' OR DATE_FORMAT(modifyTime, '%Y%m%d') = '${dt}';
  • 2、编写spark-sql更新历史数据
-- 更新历史数据
select
  dw.goodsId,
  dw.goodsSn,
  dw.productNo,
  dw.goodsName,
  dw.goodsImg,
  dw.shopId,
  dw.goodsType,
  dw.marketPrice,
  dw.shopPrice,
  dw.warnStock,
  dw.goodsStock,
  dw.goodsUnit,
  dw.goodsTips,
  dw.isSale,
  dw.isBest,
  dw.isHot,
  dw.isNew,
  dw.isRecom,
  dw.goodsCatIdPath,
  dw.goodsCatId,
  dw.shopCatId1,
  dw.shopCatId2,
  dw.brandId,
  dw.goodsDesc,
  dw.goodsStatus,
  dw.saleNum,
  dw.saleTime,
  dw.visitNum,
  dw.appraiseNum,
  dw.isSpec,
  dw.gallery,
  dw.goodsSeoKeywords,
  dw.illegalRemarks,
  dw.dataFlag,
  dw.createTime,
  dw.isFreeShipping,
  dw.goodsSerachKeywords,
  dw.modifyTime,
  dw.dw_start_date,
  case when dw.dw_end_date = '9999-12-31' and ods.goodsId is not null
      then '2019-09-08'
      else dw.dw_end_date
      end as dw_end_date
from
  `itcast_dw`.`dim_goods` dw
  left join 
  (select * from `itcast_ods`.`itcast_goods` where dt='20190909') ods
   on dw.goodsId = ods.goodsId;
  • 3、编写spark-sql获取当日数据
-- 今日数据
select
  goodsId,
  goodsSn,
  productNo,
  goodsName,
  goodsImg,
  shopId,
  goodsType,
  marketPrice,
  shopPrice,
  warnStock,
  goodsStock,
  goodsUnit,
  goodsTips,
  isSale,
  isBest,
  isHot,
  isNew,
  isRecom,
  goodsCatIdPath,
  goodsCatId,
  shopCatId1,
  shopCatId2,
  brandId,
  goodsDesc,
  goodsStatus,
  saleNum,
  saleTime,
  visitNum,
  appraiseNum,
  isSpec,
  gallery,
  goodsSeoKeywords,
  illegalRemarks,
  dataFlag,
  createTime,
  isFreeShipping,
  goodsSerachKeywords,
  modifyTime,
  case when modifyTime is not null
      then from_unixtime(unix_timestamp(modifyTime, 'yyyy-MM-dd HH:mm:ss'),'yyyy-MM-dd')
      else from_unixtime(unix_timestamp(createTime, 'yyyy-MM-dd HH:mm:ss'), 'yyyy-MM-dd') 
      end as dw_start_date,
   '9999-12-31' as dw_end_date
from
  `itcast_ods`.`itcast_goods`
where dt = '20190909';
  • 4、将历史数据、当日数据合并加载到临时表
-- 将历史数据、当日数据合并加载到临时表
drop table if exists `itcast_dw`.`tmp_dim_goods_history`;
create table `itcast_dw`.`tmp_dim_goods_history`
as
select
  dw.goodsId,
  dw.goodsSn,
  dw.productNo,
  dw.goodsName,
  dw.goodsImg,
  dw.shopId,
  dw.goodsType,
  dw.marketPrice,
  dw.shopPrice,
  dw.warnStock,
  dw.goodsStock,
  dw.goodsUnit,
  dw.goodsTips,
  dw.isSale,
  dw.isBest,
  dw.isHot,
  dw.isNew,
  dw.isRecom,
  dw.goodsCatIdPath,
  dw.goodsCatId,
  dw.shopCatId1,
  dw.shopCatId2,
  dw.brandId,
  dw.goodsDesc,
  dw.goodsStatus,
  dw.saleNum,
  dw.saleTime,
  dw.visitNum,
  dw.appraiseNum,
  dw.isSpec,
  dw.gallery,
  dw.goodsSeoKeywords,
  dw.illegalRemarks,
  dw.dataFlag,
  dw.createTime,
  dw.isFreeShipping,
  dw.goodsSerachKeywords,
  dw.modifyTime,
  dw.dw_start_date,
  case when dw.dw_end_date >= '2019-09-09' and ods.goodsId is not null
      then '2019-09-08'
      else dw.dw_end_date
      end as dw_end_date
from
  `itcast_dw`.`dim_goods` dw
  left join 
  (select * from `itcast_ods`.`itcast_goods` where dt='20190909') ods
   on dw.goodsId = ods.goodsId
union all
select
  goodsId,
  goodsSn,
  productNo,
  goodsName,
  goodsImg,
  shopId,
  goodsType,
  marketPrice,
  shopPrice,
  warnStock,
  goodsStock,
  goodsUnit,
  goodsTips,
  isSale,
  isBest,
  isHot,
  isNew,
  isRecom,
  goodsCatIdPath,
  goodsCatId,
  shopCatId1,
  shopCatId2,
  brandId,
  goodsDesc,
  goodsStatus,
  saleNum,
  saleTime,
  visitNum,
  appraiseNum,
  isSpec,
  gallery,
  goodsSeoKeywords,
  illegalRemarks,
  dataFlag,
  createTime,
  isFreeShipping,
  goodsSerachKeywords,
  modifyTime,
  case when modifyTime is not null
      then from_unixtime(unix_timestamp(modifyTime, 'yyyy-MM-dd HH:mm:ss'),'yyyy-MM-dd')
      else from_unixtime(unix_timestamp(createTime, 'yyyy-MM-dd HH:mm:ss'), 'yyyy-MM-dd') 
      end as dw_start_date,
   '9999-12-31' as dw_end_date
from
  `itcast_ods`.`itcast_goods`
where dt = '20190909';
  • 5、将历史数据、当日数据导入到历史拉链表
-- 将历史数据、当日数据导入到历史拉链表
insert overwrite table `itcast_dw`.`dim_goods`
select * from `itcast_dw`.`tmp_dim_goods_history`;
​
-- 获取2019-09-09日的商品数据
select * from `itcast_dw`.`dim_goods` where dw_start_date <= '2019-09-09' and dw_end_date >= '2019-09-09' limit 10;

3 测试

操作步骤：

  • 1、将mysql中的一条数据的修改日期 改为 2019-09-10
  • 2、设置kettle命名参数，重新抽取数据这一条数据到 20190910 分区
  • 3、重新执行 spark-sql脚本加载数据到临时表
-- 导入2019-09-10的历史拉链数据
-- 将历史数据、当日数据合并加载到临时表
drop table if exists `itcast_dw`.`tmp_dim_goods_history`;
create table `itcast_dw`.`tmp_dim_goods_history`
as
select
  dw.goodsId,
  dw.goodsSn,
  dw.productNo,
  dw.goodsName,
  dw.goodsImg,
  dw.shopId,
  dw.goodsType,
  dw.marketPrice,
  dw.shopPrice,
  dw.warnStock,
  dw.goodsStock,
  dw.goodsUnit,
  dw.goodsTips,
  dw.isSale,
  dw.isBest,
  dw.isHot,
  dw.isNew,
  dw.isRecom,
  dw.goodsCatIdPath,
  dw.goodsCatId,
  dw.shopCatId1,
  dw.shopCatId2,
  dw.brandId,
  dw.goodsDesc,
  dw.goodsStatus,
  dw.saleNum,
  dw.saleTime,
  dw.visitNum,
  dw.appraiseNum,
  dw.isSpec,
  dw.gallery,
  dw.goodsSeoKeywords,
  dw.illegalRemarks,
  dw.dataFlag,
  dw.createTime,
  dw.isFreeShipping,
  dw.goodsSerachKeywords,
  dw.modifyTime,
  dw.dw_start_date,
  case when dw.dw_end_date >= '2019-09-10' and ods.goodsId is not null
      then '2019-09-09'
      else dw.dw_end_date
      end as dw_end_date
from
  `itcast_dw`.`dim_goods` dw
  left join 
  (select * from `itcast_ods`.`itcast_goods` where dt='20190910') ods
   on dw.goodsId = ods.goodsId
union all
select
  goodsId,
  goodsSn,
  productNo,
  goodsName,
  goodsImg,
  shopId,
  goodsType,
  marketPrice,
  shopPrice,
  warnStock,
  goodsStock,
  goodsUnit,
  goodsTips,
  isSale,
  isBest,
  isHot,
  isNew,
  isRecom,
  goodsCatIdPath,
  goodsCatId,
  shopCatId1,
  shopCatId2,
  brandId,
  goodsDesc,
  goodsStatus,
  saleNum,
  saleTime,
  visitNum,
  appraiseNum,
  isSpec,
  gallery,
  goodsSeoKeywords,
  illegalRemarks,
  dataFlag,
  createTime,
  isFreeShipping,
  goodsSerachKeywords,
  modifyTime,
  case when modifyTime is not null
      then from_unixtime(unix_timestamp(modifyTime, 'yyyy-MM-dd HH:mm:ss'),'yyyy-MM-dd')
      else from_unixtime(unix_timestamp(createTime, 'yyyy-MM-dd HH:mm:ss'), 'yyyy-MM-dd') 
      end as dw_start_date,
   '9999-12-31' as dw_end_date
from
  `itcast_ods`.`itcast_goods`
where dt = '20190910';
  • 4、重新导入数据到历史拉链表
-- 将历史数据、当日数据导入到历史拉链表
insert overwrite table `itcast_dw`.`dim_goods`
select * from `itcast_dw`.`tmp_dim_goods_history`;
  • 5、查看对应商品id的历史拉链数据
select * from `itcast_dw`.`dim_goods` where goodsId = 100134;
黑马_大数据千亿级数仓实战_笔记
南雨有云
06-24 644
一、kettle介绍 二、数据仓库开发 1. 表结构介绍和导入数据 2. 缓慢变化维 a.拉链表存储历史快照代码实现 操作步骤： 在原有dw层表上，添加额外的两列：生效日期（dw_start_date）、失效日期（dw_end_date） 只同步当天修改的数据到ods层 拉链表算法实现：编写SQL处理当天最新的数据；编写SQL处理dw层历史数据，重新计算之前的dw_end_date；拉链表的数据为：当天最新的数据 UNION ALL 历史数据 拉链表的数据为：当天最新的数据 UNION ALL 历史数据 代
千亿级数仓>项目总体介绍（阶段一）
qq_44509920的博客
05-10 898
文章目录总体介绍电商行业分析电商业务系统简介网站前台运营商后台商家管理后台千亿级数仓项目简介业务流程大数据离线数仓项目架构项目技术简介项目环境介绍项目ER图项目需求 总体介绍 了解大数据离线数仓架构 了解项目部署环境（数据规模和集群规模） 了解项目ER图 了解项目需求 阶段一 了解行业背景、了解项目背景，项目架构介绍、技术选型，项目环境（数据/硬件）介绍，项目ER图、项目需求介绍。 基于项目需求实现查询功能（写SQL）或整理出查询流程 阶段二 学习、掌握kettle的使用、使用kettle将项目需
千亿级数仓项目（一）
Daivei_lai的博客
05-12 799
千亿级数仓项目（一）总体介绍阶段一千亿级数仓项目简介大数据离线数仓项目架构（需要修改）项目技术简介项目环境介绍项目ER图 前言 学了这么久大数据技术，也是时候搞个项目练练手了，现在就来看看我们接下来要肝的项目。 总体介绍 阶段一 了解行业背景、了解项目背景，项目架构介绍、技术选型，项目环境（数据/硬件）介绍，项目ER图、项目需求介绍。 基于项目需求实现查询功能（写SQL）或整理出查询流程 阶段二 学习、掌握kettle的使用、使用kettle将项目需求所需的数据在MYsql同步到Hive 使用sqoop,将
千亿级数仓项目（二）
Daivei_lai的博客
05-18 974
许久不见。咱们接着之前的来讲，你应该按我说的把kettle给学了一遍了吧？没学的话请赶紧去学，否则后面你也看不懂。 咱们今天从数仓理论开始讲！ 数据仓库维度模型设计 1 维度建模基本概念 维度模型是数据仓库领域大师Ralph Kimall所倡导，他的《数据仓库工具箱》，是数据仓库工程领域最流行的数仓建模经典。维度建模以分析决策的需求出发构建模型，构建的数据模型为分析需求服务，因此它重点解决用户如何更快速完成分析需求，同时还有较好的大规模复杂查询的响应性能。 维度建模是专门应用于分析型数据库、数据仓库、数据集
千亿级数仓_项目总结
qq_44509920的博客
05-25 447
文章目录项目流程技术选型数据存储数据同步计算模型结果存储kylin加速查询 项目流程 1、原始数据在mysql存储 2、使用kettle将数据在mysql同步到数据仓库（hive）,同步分为全量同步+增量同步=拉链表（目标：既能够保存历史的数据，又不会有数据冗余） 3、数据存储到Hive, Hive内部结构： ODS: 存储在数据源同步过来的数据 DW：对ODS存储的数据进行过滤、填充，预计算，以及数据的拉宽。（拉宽：就是将业务上需要的字段，但是字段不在一个表中，使用拉宽（join）将这些字段
千亿级数仓>总体需求
qq_44509920的博客
05-10 230
需求1 • 统计2019年期间每个季度的销售订单笔数、订单总额 • 统计2019年期间每个月的销售订单笔数、订单总额 • 统计2019年期间每周一到周日的销售订单笔数、订单总额 • 统计2019年期间国家法定节假日、休息日、工作日的订单笔数、订单总额 需求2 订单分析地域、分类维度分析业务开发 集团总公司分为很多的分公司（销售事业部） 分公司 唐山市分公司 邯郸市分公司 邢台市分公司 保定市分公司 承德市分公司 沧州市分公司 廊坊市分公司 衡水市分公司 为了公司的经营需要，公司需要定期检查各个分公司的经
4、千亿级数仓项目（二）拉链表--增量数据
qq_43742212的博客
05-22 2542
周末在更新
【电商数仓】数仓搭建之DIM维度层（商品、优惠券、活动、地区、时间维度表）
weixin_43923463的博客
10-01 2215
需要将以上正方形圈起来的八张表建模成一张商品维度表，主键为sku_id。圆形圈起来的几张表可选，此项目不考虑这几张表。 以ods_sku_info（id, spu_id, price, sku_name, sku_desc, weight, **tm_id**, **category3_id**, is_sale, create_time, dt）表为基础去join其他表【表一】 根据ods_sku_info表中spu_id列可以获得ods_spu_info表中的内容（spu_name,
【电商数仓】数仓搭建之DIM维度层（用户维度表[拉链表]，首日、每日数据装载脚本）
weixin_43923463的博客
10-02 2446
拉链表，记录每条信息的生命周期，一旦一条记录的生命周期结束，就重新开始一条新的记录，并把当前日期放入生效开始日期。如果当前信息至今有效，在生效结束日期中填入一个极大值（如9999-99-99 ）。表现的就是数据的变化过程。用户ID姓名手机号码开始日期结束日期1张三2019-01-012019-01-011张三2019-01-022019-01-091张三2019-01-109999-99-99。
千亿级数仓项目第二章(Kettle)
汉子一枚
05-28 1258
Kettle介绍 对于企业或行业应用来说，经常会遇到各种数据的处理，转换，迁移，掌握一种etl工具的使用，必不可少，这里要学习的ETL工具是——Kettle，现在已经更名为PDI。 Kettle是一款国外开源的ETL工具，纯java编写，可以在Window、Linux、Unix上运行，绿色无需安装 Kettle 中文名称叫水壶，该项目的主程序员MATT 希望把各种数据放到一个壶里，然后以一种指定的格式流出 Kettle允许管理来自不同数据库的数据，提供一个图形化的用户环境来描述想做什么，无需关心怎么做。
数仓体系与数据治理全集
最新发布
weixin_44687655的博客
04-06 3779
数据仓库（Data Warehouse），可简写为DW或DWH。数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它出于分析性报告和决策支持目的而创建。
千亿级实时数仓-讲义.rar
04-06
千亿级实时数仓
大数据实战【千亿级数仓】阶段一
大数据梦想家
05-04 1万+
        最近开始上手一个大数据离线数仓项目。本篇博客先为大家进行一个总体的介绍，包括各个阶段的任务以及项目的简介，环境，需求等等…         码字不易，先赞后看 ! 总体介绍 阶段一         了解行业背景、了解项目背景，项目架构介绍、技术选型，项目
大数据实战【千亿级数仓】阶段六
大数据梦想家
05-20 1万+
        本篇博客，博主为大家带来的是大数据实战【千亿级数仓】的阶段六，也就是最后一个阶段。 文章目录用户行为日志1 .日志数据格式2 .数据仓库-ETL处理点击流概念点击流模型pageviews3. 数据入库1. 创建ODS层数据表1.1 原始日志数据表1.2 点击流模型1.3 点击流visit模型表         通过在阶段一就已经
大数据实战【千亿级数仓】阶段四
大数据梦想家
05-20 1万+
        本篇博客，博主为大家带来的是关于大数据实战【千亿级数仓】阶段四的内容。 文章目录用户订单指标业务开发1. 需求分析2. 创建dw层表2.1创建itcast_dw.dim_user表2.2 创建订单临时表tmp_order_wide2.3 创建订单时间标志宽表tmp_order_datetag_wide2.4 创建订单时间标志、地址标志宽表 fact_order_wide3. 订单宽表ETL处理3.1 加载用户维
大数据实战【千亿级数仓】阶段二
大数据梦想家
05-10 1万+
写在前面： 博主是一名大数据的初学者，昵称来源于《爱丽丝梦游仙境》中的Alice和自己的昵称。作为一名互联网小白，写博客一方面是为了记录自己的学习历程，一方面是希望能够帮助到很多和自己一样处于起步阶段的萌新。由于水平有限，博客中难免会有一些错误，有纰漏之处恳请各位大佬不吝赐教！个人小站:http://alices.ibilibili.xyz/ , 博客主页:https://alice.blog.csdn.net/ 尽管当前水平可能不及各位大佬，但我还是希望自己能够做得更好，因为一天的生活就是一生的缩影。.
大数据实战【千亿级数仓】项目总结
热门推荐
大数据梦想家
05-21 1万+
        前段时间做过一个大数据离线数仓的项目，前后花了有好几周的时间。一共是6个阶段，想关注阶段细节的朋友可以查看????大数据实战项目这个专栏。         现在项目结束了，理应对此进行一个总结，好好回顾一下这个项目中遗漏的细节… 文章目录项目架构技术选型数据来源数据存储数据同步计算模型结果存储加速查询结语 项目架构 ① 原始数据
大数据实战【千亿级数仓】阶段五
大数据梦想家
05-20 1万+
        本篇博客，为大家带来的是关于大数据实战【千亿级数仓】阶段五的内容。         该阶段中我们需要达成的目标有： 学习、掌握kylin的使用,使用kylin，为数据仓库内的数据进行预计算         关于Kylin的入门及使用安装，具体的内容可
数据仓库-维度建模
大爵爷
06-22 428
前言 数仓有好几种建模技术，有ER建模，关系建模，还有专门针对数仓的维度建模。 本文主要介绍维度建模，并说说三种建模方式。 维度建模概念 维度建模是专门用于分析型数据库，数据仓库，数据集市建模方法。 它本身是一种关系建模方法 https://www.cnblogs.com/muchen/p/5258197.html ...
企业级数仓构建教程：从离线到实时千亿级项目实战
"13天玩转千亿级数仓项目视频教程涵盖了从数据仓库的基础理论到实际操作的全面内容，旨在帮助学员掌握企业级数仓架构的构建，包括离线和实时处理。教程适合有一定大数据基础，对数据仓库感兴趣或希望提升职业技能的...
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