Redis高级数据类型 ：bitmap、hyperloglog和GEO

最新推荐文章于 2025-07-08 00:19:22 发布
原创 最新推荐文章于 2025-07-08 00:19:22 发布 · 553 阅读 · 0 ·
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：

#数据结构 #java #redis #后端

本文介绍了如何利用Bitmap高效存储用户签到信息，HyperLogLog进行大数据基数统计，以及GEO在地理位置查询中的应用。通过实例展示了它们在实际场景中的操作和性能优势。

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

文章目录

一、bitmap

1. bitmap的应用

应用场景：

例如签到，打卡的应用，每天的状态只需要用一个bit来存储，就算一年365天也只需要356bit

按年去存储一个用户的签到情况，365天只需要365/8～46 Byte，1000W用户量一年也只需要44 MB就足够了。

假如是亿级的系统，每天使用1个1亿位的Bitmap约占12MB的内存(10^8/8/1024/1024)，10天的Bitmap的内存开销约为120MB，内存压力不算太高。

在实际使用时，最好对Bitmap设置过期时间，让Redis自动删除不再需要的签到记录以节省内存开销。

在这里插入图片描述

使用举例：

127.0.0.1:6379> SETBIT sign:user1:202106 1 1	# 第一天签到
(integer) 0
127.0.0.1:6379> SETBIT sign:user1:202106 2 1	# 第二天签到
(integer) 0
127.0.0.1:6379> SETBIT sign:user1:202106 3 1	# 第三天签到
(integer) 0
127.0.0.1:6379> SETBIT sign:user1:202106 8 1	# 第八天签到
(integer) 0
127.0.0.1:6379> GETBIT sign:user1:202106 1		# 获取第一天是否签到，1表示签到
(integer) 1
127.0.0.1:6379> GETBIT sign:user1:202106 2		# 获取第二天是否签到，1表示签到
(integer) 1
127.0.0.1:6379> GETBIT sign:user1:202106 5		# 获取第五天是否签到，0表示未签到
(integer) 0
127.0.0.1:6379> BITCOUNT sign:user1:202106		# 获取本月总共签到几次
(integer) 4

高级用法：

对指定key按位进行交、并、非、异或操作，并将结果保存到destKey中

bitop op destKey key1 [key2...]
  • and：交
  • or：并
  • not：非
  • xor：异或

使用举例：

在这里插入图片描述

127.0.0.1:6379> SETBIT sign:20210619 1 1	# 日期20210619 用户id为 1 的用户签到
(integer) 0
127.0.0.1:6379> SETBIT sign:20210619 2 1	# 日期20210619 用户id为 2 的用户签到
(integer) 0
127.0.0.1:6379> SETBIT sign:20210620 1 1	# 日期20210620 用户id为 1 的用户签到
(integer) 0
127.0.0.1:6379> BITOP and destKey sign:20210619 sign:20210620	# 两个bitmap取与运算
(integer) 1
127.0.0.1:6379> BITCOUNT destKey	# 两天都签到的人有 1 个
(integer) 1
127.0.0.1:6379> GETBIT destKey 1	# 结果为 1 表示用户 1 两都签到了
(integer) 1
127.0.0.1:6379> GETBIT destKey 2	# 结果为 0 表示用户 2 某一天没有签到
(integer) 0

2. bitmap的实现

在这里插入图片描述

Redis 使用字符串对象来表示位数组，因为字符串对象时二进制安全的，所以可以直接存储位数组。

在这里插入图片描述

  • buf数组的每个字节都用一行来表示，每行的第一个格子buf[i]表示这是buf数组的哪个字节，而buf[i]之后的八个格子则分别代表这一字节中的八个位。
  • buf数组保存位数组的顺序和我们平时书写位数组的顺序是完全相反的，也就是逆序，例如buf[2] 0000 1111 实际保存的位数组是 1111 0000。这有利于SETBIT操作的实现。

2.1 bitmap 命令的实现

  • GETBIT 命令实现

GETBIT 用于返回在该位数组中某偏移量上的二进制位。

GETBIT <bitarray> <offset>

具体过程是：

  1. 计算byte= offset ÷ 8 ，byte值记录了offset偏移量指定的二进制位保存在位数组的哪个字节。
  2. 计算bit=（offset mod 8）+1，bit值记录了offset偏移量指定的二进制位是byte字节的第几个二进制位。
  3. 根据byte值和bit值，在位数组bitarray中定位offset偏移量指定的二进制位，并返回这个位的值。

所以总体的时间复杂度为 O（1）。

  • SETBIT 命令实现

SETBIT 操作可以将位数组的某个偏移量上的二进制位设置为value

SETBIT <bitarray> <offset> <value>

具体操作过程：

  1. 计算len= offset ÷ 8 + 1，len值记录了保存offset偏移量指定的二进制位至少需要多少字节。
  2. 检查bitarray键保存的位数组（也即是SDS）的长度是否小于 len，如果是的话，将SDS的长度扩展为len字节，并将所有新扩展空间的二进制位的值设置为0。
    • SDS 会对字符串扩展做空间的预分配，如果长度小于1MB则分配长度双倍的空间，如果大于 1MB，则多分配1MB的空间。
  3. 然后和上面GETBIT的操作一样获取到定位，之后对该位进行修改，并且返回原值。

因为buf数组使用逆序来保存位数组，所以当程序对buf数组进行扩展之后，写入操作可以直接在新扩展的二进制位中完成，而不必改动位数组原来已有的二进制位。所以时间复杂度也是 O（1）。

  • BITCOUNT 命令实现

BITCOUNT命令用于统计给定位数组中，值为1的二进制位的数量。

BITCOUNT key [start end]

先介绍几种二进制统计的算法：

  1. 遍历法：遍历整个数组通过计数器计算二进制位数。
  2. 查表法：维护一张表，表中每个键是对应位数组，而值是1的数量，如果键是八位的位数组，则一次可以检查8个二进制位。
  3. variable-precision SWAR算法：具体可以看JDK 实现的 Integer.bitCount() ;
  4. Redis 的实现：如果二进制数量小于128位，则通过查表法来统计，如果大于，则使用SWAR算法。
  • BITOP 命令实现

该命令会创建一个新的空白位数组，然后将与，或，异或运算的结果，放到新数组中。

二、hyperloglog

通过牺牲准确率来换取空间，对于不要求绝对准确率的场景下可以使用，因为概率算法不直接存储数据本身.
通过一定的概率统计方法预估基数值，同时保证误差在一定范围内，由于又不储存数据故此可以大大节约内存。

hyperloglog就是一种概率算法的实现。

  • 用于进行基数统计，不是集合，不保存数据，只记录数量而不是具体数据
  • 核心是基数估算算法，最终数值存在一定误差
  • 误差范围：基数估计的结果是一个带有 0.81% 标准错误的近似值
  • 耗空间极小，每个hyperloglog key占用了12K的内存用于标记基数
  • pfadd命令不是一次性分配12K内存使用，会随着基数的增加内存逐渐增大
  • Pfmerge命令合并后占用的存储空间为12K，无论合并之前数据量多少

1. 基本操作

  • 添加数据
PFADD key element1, element2...
  • 统计数据
PFCOUNT key1 key2....
  • 合并数据
PFMERGE destkey sourcekey [sourcekey...]

具体示例

主要应用于大数量的访问网站人数的统计

127.0.0.1:6379> PFADD taobao:uv 1 2 3	# 例如1 2 3 是用户ip 添加taobao 当天uv（Unique Visitor 独立访客）
(integer) 1
127.0.0.1:6379> PFCOUNT taobao:uv	# 获取当日访问人数
(integer) 3
127.0.0.1:6379> PFADD jd:uv1 1 2 3	# 添加jd 第一天uv
(integer) 1
127.0.0.1:6379> PFADD jd:uv2 1 2 3 4 5	# 添加jd 第二天uv
(integer) 1
127.0.0.1:6379> PFMERGE total:uv jd:uv1 jd:uv2	# 合并jd两天uv
OK
127.0.0.1:6379> PFCOUNT total:uv	# 获取jd两天uv总和
(integer) 5

如果对于HyperLogLog算法有兴趣了解的可以看这篇文章，HyperLogLog是大数据基数统计中的常见方法，无论是Redis，Spark还是 Flink都提供了这个功能，其目的就是在一定的误差范围内，用最小的空间复杂度来估算一个数据流的基数。

HyperLogLog 的结构也是raw编码形式的string

在这里插入图片描述

HyperLogLog实现原理

2. 简单案例

统计网站首页亿级UV的统计

import io.swagger.annotations.Api;
import io.swagger.annotations.ApiOperation;
import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestMethod;
import org.springframework.web.bind.annotation.RestController;

/**
 * @Description: 获取uv的controller
 * @Date 2021/6/18 17:16
 * @@author: A.iguodala
 */
@Api("案例实战:网站首页亿级UV的Redis统计方案")
@RestController
@Slf4j
public class HyperLogLogController {

    @Autowired
    private RedisTemplate redisTemplate;

    @ApiOperation("获得ip去重复后的首页访问量，总数统计")
    @RequestMapping(value = "/uv",method = RequestMethod.GET)
    public long uv()
    {
        //pfcount
        return redisTemplate.opsForHyperLogLog().size("uv");
    }

}


import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.stereotype.Service;
import javax.annotation.PostConstruct;
import java.util.Random;
import java.util.concurrent.TimeUnit;
/**
 * @Description：service 模拟大量用户访问该网站
 * @Date 2021/6/18 17:16
 * @@author: A.iguodala
 */
@Service
@Slf4j
public class HyperLogLogService {

    @Autowired
    private RedisTemplate redisTemplate;

    /**
     * 模拟有用户来点击首页，每个用户就是不同的ip，不重复记录，重复不记录
     */
    @PostConstruct
    public void init() {
        log.info("------模拟后台有用户点击，每个用户ip不同");
        //自己启动线程模拟，实际上产不是线程
        new Thread(() -> {
            String ip = null;
            for (int i = 1; i <= 20000; i++) {
                Random random = new Random();
                ip = random.nextInt(255) + "." + random.nextInt(255) + "." + random.nextInt(255) + "." + random.nextInt(255);

                Long hll = redisTemplate.opsForHyperLogLog().add("uv", ip);
                log.info("ip={},该ip访问过的次数={}", ip, hll);
                //暂停3秒钟线程
                try {
                    TimeUnit.SECONDS.sleep(3);
                } catch (InterruptedException e) {
                    e.printStackTrace();
                }
            }
        }, "t1").start();
    }

}

三、GEO

GEO听名字都知道应用于地理位置的一些业务，例如打车附近的车辆，美团搜索附近的美食，微信附近的人等等

1. 基本操作

# 添加多个经度(longitude)、纬度(latitude)、位置名称(member)添加到指定的 key 中
GEOADD key longitude latitude member [longitude latitude member ...] 

# 从键里面返回所有给定位置元素的位置（经度和纬度）
GEOPOS key member [member ...] 

# 返回两个给定位置之间的距离。
GEODIST key member1 member2 [unit] 

# 以给定的经纬度为中心， 返回与中心的距离不超过给定最大距离的所有位置元素。
GEORADIUS key longitude latitude radius m|km|ft|mi [withcoord] [withdist] [withhash] [count count]

# GEORADIUSBYMEMBER 跟GEORADIUS类似
GEORADIUSBYMEMBER key member radius m|km|ft|mi [withcoord] [withdist] [withhash] [count count]

# 返回一个或多个位置元素的 Geohash 表示
GEOHASH key member [member ...]

2. 数据结构

在这里插入图片描述
查询可知，GEO使用的数据类型是zset，底层结构采用的是ziplist ，因为我的数据量小，所以应该在数据量大的情况下，采用dict+ skiplist（字典保证O（1）的查询单个位置的效率，skiplist保证范围查找或者排序的效率）

3. 简单案例

import io.swagger.annotations.ApiOperation;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.data.geo.Distance;
import org.springframework.data.geo.GeoResults;
import org.springframework.data.geo.Metrics;
import org.springframework.data.geo.Point;
import org.springframework.data.geo.Circle;
import org.springframework.data.redis.connection.RedisGeoCommands;
import org.springframework.data.redis.core.RedisTemplate;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestMethod;
import org.springframework.web.bind.annotation.RestController;

import java.util.HashMap;
import java.util.List;
import java.util.Map;

/**
 * @Description
 * @Date 2021/6/18 17:16
 * @@author: A.iguodala
 */
@RestController
public class GeoController
{
    public  static final String CITY ="city";

    @Autowired
    private RedisTemplate redisTemplate;

    @ApiOperation("新增天安门故宫长城经纬度")
    @RequestMapping(value = "/geoadd",method = RequestMethod.POST)
    public String geoAdd()
    {
        Map<String, Point> map= new HashMap<>();
        map.put("天安门",new Point(116.403963,39.915119));
        map.put("故宫",new Point(116.403414 ,39.924091));
        map.put("长城" ,new Point(116.024067,40.362639));

        redisTemplate.opsForGeo().add(CITY,map);

        return map.toString();
    }

    @ApiOperation("获取地理位置的坐标")
    @RequestMapping(value = "/geopos",method = RequestMethod.GET)
    public Point position(String member) {
        //获取经纬度坐标
        List<Point> list= this.redisTemplate.opsForGeo().position(CITY,member);
        return list.get(0);
    }

    @ApiOperation("geohash算法生成的base32编码值")
    @RequestMapping(value = "/geohash",method = RequestMethod.GET)
    public String hash(String member) {
        //geohash算法生成的base32编码值
        List<String> list= this.redisTemplate.opsForGeo().hash(CITY,member);
        return list.get(0);
    }

    @ApiOperation("计算两个位置之间的距离")
    @RequestMapping(value = "/geodist",method = RequestMethod.GET)
    public Distance distance(String member1, String member2) {
        Distance distance= this.redisTemplate.opsForGeo().distance(CITY,member1,member2, RedisGeoCommands.DistanceUnit.KILOMETERS);
        return distance;
    }

    /**
     * 通过经度，纬度查找附近的
     * 北京王府井位置116.418017,39.914402,这里为了方便，故意写死
     */
    @ApiOperation("通过经度，纬度查找附近的")
    @RequestMapping(value = "/georadius",method = RequestMethod.GET)
    public GeoResults radiusByxy() {
        //这个坐标是北京王府井位置
        Circle circle = new Circle(116.418017, 39.914402, Metrics.MILES.getMultiplier());
        //返回50条
        RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs().includeDistance().includeCoordinates().sortAscending().limit(10);
        GeoResults<RedisGeoCommands.GeoLocation<String>> geoResults= this.redisTemplate.opsForGeo().radius(CITY,circle, args);
        return geoResults;
    }

    /**
     * 通过地方查找附近
     */
    @ApiOperation("通过地方查找附近")
    @RequestMapping(value = "/georadiusByMember",method = RequestMethod.GET)
    public GeoResults radiusByMember() {
        String member="天安门";
        //返回50条
        RedisGeoCommands.GeoRadiusCommandArgs args = RedisGeoCommands.GeoRadiusCommandArgs.newGeoRadiusArgs().includeDistance().includeCoordinates().sortAscending().limit(10);
        //半径10公里内
        Distance distance=new Distance(10, Metrics.KILOMETERS);
        GeoResults<RedisGeoCommands.GeoLocation<String>> geoResults= this.redisTemplate.opsForGeo().radius(CITY,member, distance,args);
        return geoResults;
    }
}
【Redis】Redis高级：GEO&BitMap&HyperLogLog
qq_50675319的博客
09-23 768
GEO、BitMap、HyperLogLog是redis中三种特殊的数据结构，一般用于实现特殊的业务场景，其底层都是基于redis中的基础数据类型存储的。
redis学习笔记（二） - redis的数据类型bitmap/hyperloglog/GEO
小凯小凯的博客
03-30 1256
Unique visitor 独立访客，一般理解为客户端IP需要去重考虑Page view,页面访问量，不用去重Daily active user 日活跃用户量，登录或者使用了某个产品的用户数(去重复登录的用户)常用于反应网站、互联网应用或者网络游戏的运营情况Monthly active User 月活跃用户量看需求统计某个网站的UV、统计摸个文章的UV用户搜索网站关键词数量统计用户每天搜索不同词条个数是什么去重复统计功能的技术估计算法-就是hyperloglogHyperloglog如何做的？
Redis HyperLogLog
poijm
01-19 2554
Redis HyperLogLog Redis 在 2.8.9 版本添加了 HyperLogLog 结构。 Redis HyperLogLog 是用来做基数统计的算法，HyperLogLog 的优点是，在输入元素的数量或者体积非常非常大时，计算基数所需的空间总是固定 的、并且是很小的。 在 Redis 里面，每个 HyperLogLog 键只需要花费 12 KB 内存，就可以计算
Redis hyperloglog 越界写入导致远程代码执行漏洞
最新发布
murphysec的博客
07-08 3859
CVE-2025-32023是Redis HyperLogLog组件的高危远程代码执行漏洞。由于解析稀疏编码数据时未验证操作码运行长度，导致整数溢出及堆越界写入。影响Redis 8.0.0-8.0.2、2.8-6.2.18、7.4.0-7.4.4、7.2.0-7.2.9版本，利用可能性高且存在POC。修复版本通过增加溢出检测标志位阻断越界操作，建议受影响用户升级至8.0.3+、6.2.19+、7.4.5+或7.2.10+，并限制服务访问来源。
Redis(四):常用数据类型和命令
dichengyan0013的博客
12-15 320
命令手册网址 http://doc.redisfans.com/ Redis数据类型 lString lHash lList lSet lSorted Set Redis中还有3种特殊的数据类型 BitMap BitMap 就是通过一个 bit 位来表示某个元素对应的值或者状态, 其中的 key 就是对应元素本身，实际上底层也是通过对字符串的操作来实现。Re...
redis的Bitmap、HyperLogLog、Geospatial
weixin_56289362的博客
03-28 1126
Bitmap（针对位操作字符串） 简介 现代计算机用二进制(位)作为信息的基础单位，1 个字节等于8位，例如"abc"字符串是由3个字节组成，但实际在计算机存储时将其用二进制表示，"abc" 分别对应的ASCII码分别是97、98、 99 ，对应的二进制分别是01100001、01100010和01100011 ,如下图 合理地使用操作位能够有效地提高内存使用率和开发效率。java中位与操作是最快的，在Redis中同样道理，（实际上是字符串）Redis提供了Bitmaps这个“数据类型”可以实现对位.
Redis的Bitmap、HyperLogLog和Geo
weixin_39477597的博客
12-16 309
一、位图 1. 相关介绍： 位图的最小单位是比特(bit),每个bit的取值只能是0或1。 位图不是特殊的数据结构，它的内容其实就是普通的字符串，也就是byte数组。我们可以使用普通的get/set方法直接获取和设置整个位图的内容，也可以使用位图操作getbit/setbit等将byte数组看成“位数组“来处理。 redis的位数组是自动扩展的，如果设置了某个偏移位置超出了现有的内容范围，就会自动将位数组进行零扩充。 2. 基本使用: a. setbit 和 getbit setbit key
Redis中3种特殊的数据类型（BitMap、Geo和HyperLogLog）
12-16
Redis 种除了常见的字符串 String、字典 Hash、列表 List、集合 Set、有序集合 SortedSet 等等之外，还有一些不常用的数据类型，这里着重介绍三个。下面话不多说了，来一起看看详细的介绍吧。 BitMap BitMap 就是...
Redis三种特殊数据类型：HyperLogLog、BigMap、Geo
言言念念
08-29 2057
redis另三种特殊的数据结构：Geo、HyperLogLog、 BitMap。 3种数据结构介绍与使用、各命令演示。
Redis高级——Bitmap 、HyperLogLog 与 GEO
猫头夜鹰的小屋
10-17 242
介绍了三种高级数据类型 Bitmap 、HyperLogLog 与 GEO
mysql redis geo_Redis中3种特殊的数据类型（BitMap、Geo和HyperLogLog）
weixin_34523442的博客
02-01 170
前言Reids 在 Web 应用的开发中使用非常广泛，几乎所有的后端技术都会有涉及到 Redis 的使用。Redis 种除了常见的字符串 String、字典 Hash、列表 List、集合 Set、有序集合 SortedSet 等等之外，还有一些不常用的数据类型，这里着重介绍三个。下面话不多说了，来一起看看详细的介绍吧。BitMapBitMap 就是通过一个 bit 位来表示某个元素对应的值或者状...
Redis中的Bitmaps、HyperLogLog、GEO
qq_40728028的博客
06-12 366
一、Bitmaps： 位图：用一个bit位的状态来表示某个数据的是否已经存在。 基本操作： // offset：偏移量，从0开始 value：只能为0/1 setbit key offset value getbit key offset // 获取当前位图数组中，指定下标范围内，值为1的个数 bitcount key [start] [end] 位运算操作： // 对多个位图做位运算。op取值：and，or，not，xor // 将将位运算的结果放在指定的destkey中 bitop
redis的数据类型三（GEO地理位置，HyperLogLog，BitMap）
巍萌先生的博客
02-11 500
GEO地理位置 简介 Redis 的 GEO 特性在 Redis 3.2 版本中推出， 这个功能可以将用户给定的地理位置信息储存起来， 并对这些信息进行操作。来实现诸如附近位置、摇一摇这类依赖于地理位置信息的功能。geo的数据类型为zset。 GEO 的数据结构总共有六个常用命令：geoadd、geopos、geodist、georadius、 georadiusbymember、gethash 官方文档：https://www.redis.net.cn/order/3685.html geoadd
【Redis】新数据类型Bitmap、HyperLogLog、Geospatial
Decade0712的博客
11-20 360
简单介绍一下redis中新增的三种数据类型bitmap、HyperLogLog和Geospatial
【Redis】Redis 的学习教程（八）之 BitMap、Geo、HyperLogLog
sco5282的博客
09-11 532
BitMap （位图）的底层数据结构使用的是String类型的的 SDS 数据结构来保存。因为一个字节 8 个 bit 位，为了有效的将字节的 8 个 bit 都利用到位，使用数组模式存储并且每个 bit 都使用二值状态表示，要么 0，要么 1所以，BitMap 是通过一个 bit 位来表示某个元素对应的值或者状态, 它的结构如下，key 对应元素本身；offset即是偏移量，固定整型，一般存数组下表或者唯一值；value存储的是二值（要么0要么1），一般用来表示状态，如性别、是否登录、是否打卡等。
Redis--BitMap与HyperLogLog
BtWangZhi的博客
03-29 504
1 GET请求数据映射 1.1 将url中的数据映射到形参中 /** * 测试PathParam注解 * @param userId * @return */ @GET @Path("/user/getUserInfoByPathParam/{userId}") public User getUserInfoByPathP...
Redis中的Bitmap和HyperLogLog
qq_24760259的博客
07-23 1084
Redis中Bitmap的妙用 Bitmap存储结构Bitmap上的统计bitcount count [start end]bitop operation destkey key [key ...]Bitmap的妙用用户在线状态用户签到统计活跃用户 Bitmap存储结构 在Redis中以位为单位存储字符串，这种存储结构称为Bitmap，也叫位图。 每个字节存储结构如下： offset 0 1 2 3 4 5 6 7 value 0 0 0 0 0 0 0 0 setbit key 0 1
Redis中的BitMap、HyperLogLog、一致性Hash算法
2401_83384536的博客
04-30 568
BitMap数据结构HyperLogLog数据结构Redis中的HyperLogLogHyperLogLog的核心思想Redis集群一致性Hash算法使用Hash取模的问题一致性Hash算法一致性Hash算法的容错性和可扩展性Hash环的数据倾斜问题。
掌握Redis实战技巧：GEO定位、BitMap签到及HLL统计
以上知识点涵盖了Redis的GEO数据类型、BitMap和HLL数据结构的应用。这些知识点对于希望进一步深入了解和运用Redis进行高效数据存储和处理的开发者来说至关重要。熟练掌握这些技能，不仅可以提升个人的技术水平，还能...
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