• spark基础


    spark框架概述

    什么是spark

    用于大规模数据处理的统一分析引擎
    特点:对任意类型(结构化、半结构化、非结构化)的数据进行自定义计算

    起源

    2009年起源加州伯克利
    2010年开源
    2013年原创团队成立databricks;同年被捐给apache基金会
    2014年成为apache顶级项目
    2016年spark2.0
    2019年spark3.0

    spark VS hadoop(mapreduce)

    image.png
    spark相对hadoop有优势,但不能完全取代:

    1. 计算层面:spark相比mapreduce有巨大优势,但至今有很多基于MR架构的计算工具,如hive
    2. spark仅做计算:hadoop不仅有计算(mapreduce),也有存储(hdfs),资源管理调度(yarn);hdfs和yarn仍然是很多大数据体系的核心架构

    spark特点

    1. 速度快:100x mapreduce(支持内存计算,并通过DAG(有向无环图)来完成数据的迭代计算)
      1. spark处理数据时,将中间数据结果存储到内存中(hadoop存储在硬盘中,读取硬盘)
      2. spark提供丰富的算子(API),做到复杂任务在一个spark程序中完成(mapreduce只有两个算子:map和reduce)
    2. 易使用:python、Java、Scala、R
    df = spark.read.json("log.json")
    df.where("age">21).select("name.first").show(()
    
    • 1
    • 2
    1. 通用:包含spark sql、spark streaming、MLlib、GraphX等,

    image.png
    spark core api:spark核心

    1. 运行广泛:runs on hadoop、mesos、standalone、cloud

    支持多种运行方式:hadoop、mesos,也支持Standalone的独立运行模式,也支持云kubernetes(spark2.3)
    支持多种数据源:hdfs、hbase、cassandra、kafka、mysql、elastic、redis、mangodb、postagesql(支持定制数据源)

    spark框架模块

    spark整个框架模块包括:spark core、spark sql、spark streaming、spark graphx、spark mllib,后四项建立在核心引擎之上
    image.png
    spark core:spark核心,spark运行的基础。以RDD(Resilient Distributed Dataset,分布式弹性数据集)数据抽象,提供python、java、scala、r语言的api,可进行海量离线数据批处理(不管是否结构化)
    spark sql:基于spark core提供结构化数据的处理,本身针对离线计算场景。基于spark sql提供structuredStreaming模块,进行数据流式计算(spark sql只能处理结构化)
    spark streaming:以spark core为基础,提供数据流式计算
    spark graphx:以spark core为基础,进行机器学习计算,内置大量机器学习库和api算法,方便用户以分布式模式进行机器学习计算
    spark mlib:以spark core为基础,进行图计算,提供大量图计算api,方便用户以分布式模式进行图计算

    spark运行模式

    1. 本地模式(单机)

    本地模式就是一个独立进程,通过内部多个线程来模拟整个spark运行的环境

    1. standalone模式(集群)

    spark中各个角色以独立进程的形式存在,并组成spark集群环境

    1. hadoop yarn模式(集群)

    spark中各个角色运行在yarn容器内部,并组成spark集群环境

    1. kubernetes模式(容器集群)

    spark中各个角色运行在kubernetes容器内部,并组成spark集群环境

    1. 云服务模式

    运行在云平台上

    除本地模式外,都可以用于生产

    spark架构角色

    yarn角色

    image.png

    资源管理层面:
    resourcemanager:集群资源管理者
    nodemanager:单机资源管理者
    任务计算层面:
    applicationmaster:单任务管理者(如任务失败重启、任务资源分配、任务工作调度)
    task:单任务执行者

    saprk角色

    image.png
    master:集群资源管理者
    worker:单机资源管理者
    driver:单任务管理者
    executor:单任务计算
    正常executor干活,特殊场景下(local)driver除了管理也可以干活

    小结:

    解决问题

    针对海量数据进行离线批处理和实时流计算

    模块

    spark core、spark sql、spark streaming、graphX、MLlib

    特点

    快、简单、通用、多模式运行

    运行模式

    • 本地模式
    • 集群模式(standalone、yarn、kubernetes)
    • 云模式

    运行角色

    master;worker;driver;executor

    spark环境搭建-local

    实验服务器环境

    node1:master和worker
    node2:worker
    node3:worker和hive

    • hadoop3以上
    • jdk1.8
    • centos7(7.6)

    基本原理

    本质

    启动一个JVM process进程(一个进程有多个线程),执行任务task

    • local模式可以限制spark集群环境的线程数量,即local[N]或local[*]
    • N代表可以使用N个线程,每个线程拥有1个cpu core;如果不指定N,默认1个线程;通常几核cpu就指定几个线程,最大化利用计算能力
    • local[*]表示按最多的cppu核心数设置线程数

    角色分布

    资源管理:
    master:local进程本身
    worker:local进程本身
    任务执行:
    driver:local进程本身(driver可以理解为有时候做管理(local),有时候做工人)
    executor:不存在,由local进程内的线程提供计算能力(executor可以理解为纯工人)

    local模式只能运行一个spark程序,如果执行多个spark程序,需要多个相互独立的local进程执行

    搭建

    centos装好系统
    anaconda、hadoop、spark、jdk

    安装anaconda
    bash Miniconda-tab
    
    source .bashrc
    
    conda create -n pyspark python=3.8 -y
    
    • 1
    • 2
    • 3
    • 4
    • 5
    安装spark、hadoop、spark
    tar -zxvf spark-tab -C /export/server
    tar -xvf hadoop-tab -C /export/server
    tar -xvf jdk-tab -C /export/server
    
    ln -s spark-tab spark
    
    • 1
    • 2
    • 3
    • 4
    • 5
    配置环境变量
    vim /etc/profile
    
    export JAVA_HOME=/export/server/jdk
    export SPARK_HOME=/export/server/spark
    export HADOOP_HOME=/export/server/hadoop
    export PYSPARK_PYTHON=/root/miniconda3/envs/pyspark
    export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
    export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:HADOOP_HOME/sbin:$PATH
    
    vim ~/.bashrc
    
    export JAVA_HOME=/export/server/jdk
    export PYSPARK_PYTHON=/root/miniconda3/envs/pyspark
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    image.png

    启动spark
    # 在spark的bin目录下
    # 1. 启动spark的python版本pyspark
    ./pyspark
    
    # 2. 带参数启动pyspark
    ./pyspark --master local[*]
    
    # 3. 启动spark-shell
    ./spark-shell
    
    # 4. 执行简单命令
    sc.parallelize(Array(1,2,3,4,5)).map(x => x *10).collect()
    
    # 5. 执行spark-submit
    ./spark-submit --master local[*] /export/server/spark/examples/src/main/python/pi.py 10
    # 执行圆周率的实例程序,迭代10次
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    功能名称bin/spark-submitbin/pysparkbin/spark-shell
    功能提交java\scala\python代码到spark中运行提供一个python
    解释器环境用来以python代码执行spark程序提供一个scala
    解释器环境用来以scala代码执行spark程序
    特点提交代码用解释器环境 写一行执行一行解释器环境 写一行执行一行
    使用场景正式场合, 正式提交spark程序运行测试\学习\写一行执行一行\用来验证代码等测试\学习\写一行执行一行\用来验证代码等

    local模式小结

    运行原理

    一个独立进程配合内部线程完成spark运行时环境;
    local模式可以通过spark-shell/pyspark/spark-submit等开启

    bin/pyspark是什么程序

    是一个交互式解释器执行环境,启动后得到一个local spark环境,运行python代码来进行spark计算
    不同于python解释器,pyspark可以调用spark api完成spark计算

    spark的4040端口

    spark任务启动后,driver所在机器绑定4040端口,提供当前任务的监控页面;
    任务结束,则4040解绑;
    多个任务,则分别绑定到多个不同端口

    spark环境搭建-standalone

    standalone架构

    local通过一个进程内的线程模拟spark运行环境
    standalone是spark自带的一种集群环境,不同于local模拟,standalone真实地在多个机器之间搭建spark集群环境,可用于实际大数据处理

    standalone是完整的spark(分布式)运行环境
    master以master进程存在(可多个master),worker以worker进程存在(可多个worker)
    driver运行时存在master进程内,executor运行于worker进程内

    主要3类进程

    1. 主节点master进程:master角色,管理整个集群资源,托管运行各任务的driver
    2. 从节点worker:worker角色,管理每个机器的资源,分配对应资源(memory、cpu cores)来运行executor
    3. 历史服务器HistoryServer(可选):spark application运行完成后,保存事件日志数据到hdfs,启动HistoryServer可查看应用运行相关内容

    image.png
    master集群
    driver任务
    worker单机资源
    executor某任务执行

    standalone部署

    1. 三台服务器(虚拟机,三台均如local配置部署即可)
    node1\ node2\ node3
    node1运行: Spark的Master进程  和 1个Worker进程
    node2运行: spark的1个worker进程
    node3运行: spark的1个worker进程
    整个集群提供: 1个master进程 和 3个worker进程
    
    • 1
    • 2
    • 3
    • 4
    • 5
    1. 修改配置文件
    # 切换到hadoop用户
    chown -R hadoop:hadoop spark*
    su - hadoop
    cd conf # /export/server/spark/conf
    
    # 配置workers文件
    mv workers.template workers
    vim workers
    # 指定workers
    node1
    node2
    node3
    
    # 配置spark-env.sh文件
    mv spark-env.sh.template spark-env.sh
    vim spark-env.sh
    # 追加以下内容
    JAVA_HOME=/export/server/jdk
    HADOOP_CONF_DIR=/export/server/hadoop/etc/hadoop
    YARN_CONF_DIR=/export/server/hadoop/etc/hadoop
    export SPARK_MASTER_HOST=node1 # 指定master
    export SPARK_MASTER_PORT=7077 # 指定master的通讯端口
    SPARK_MASTER_WEBUI_PORT=8080 # 指定master webui端口
    SPARK_WORKER_CORES=1 # 可用cpu核心数
    SPARK_WORKER_MEMORY=1g # 可用内存大小
    SPARK_WORKER_PORT=7078 # worker工作通讯端口
    SPARK_WORKER_WEBUI_PORT=8081 # worker webui端口
    # 配置历史服务器:将spark程序运行的历史日志存到hdfs的/sparklog文件夹中
    SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://node1:8020/sparklog/ -Dspark.history.fs.cleaner.enabled=true"
    
    # 在hadoop中查看是否存在sparklog文件夹
    hadoop fs -ls /
    # 如果没有sparklog文件夹,则需要在hdfs上创建
    hadoop fs -mkdir /sparklog
    hadoop fs -chmod 777 /sparklog
    
    # 配置spark-defaults.conf
    mv spark-defaults.conf.template spark-defaults.conf
    # 追加以下内容
    spark.eventLog.enabled 	true # 开启spark的日期记录功能
    spark.eventLog.dir hdfs://node1:8020/sparklog/ # 设置spark日志记录的路径
    spark.eventLog.compress true # 设置spark日志是否启动压缩:减小体积,提升网络IO 
    
    # 配置log4j.properties文件 [可选: 因为spark日志输出太多,看任务需求] 
    mv log4j.properties.template log4j.properties
    vim log4j.properties
    log4j.rootCategory=WARN, console # 将INFO修改为WARN
    
    # 在其他node上也安装spark
    scp -r spark-3.1.2-bin-hadoop3.2 node2:/export/server/
    scp -r spark-3.1.2-bin-hadoop3.2 node3:/export/server/
    # 设置软链接
    ln -s /export/server/spark-3.1.2-bin-hadoop3.2 /export/server/spark
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    1. 启动历史服务器

    sbin/start-history-server.sh # node1

    jps # 显示所有Java进程的pid
    
    xxx JobHistoryServer # hadoop yarn的历史记录服务器
    xxx HistoryServer # spark的历史纪录服务器
    
    • 1
    • 2
    • 3
    • 4
    1. 启动spark的master和worker进程
    # 启动全部master和worker
    sbin/start-all.sh
    
    # 或者一个个启动:
    # 启动当前机器的master
    sbin/start-master.sh
    # 启动当前机器的worker
    sbin/start-worker.sh
    
    # 停止全部
    sbin/stop-all.sh
    # 停止当前机器的master
    sbin/stop-master.sh
    # 停止当前机器的worker
    sbin/stop-worker.sh
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    1. 查看master的webui

    默认设置为8080,如果被占用则向后顺延
    日志中查看到:Service 'MasterUI' could not bind on port 8080. Attempting port 8081.
    通过master的webui界面,可以检查spark集群启动是否正常

    测试

    cd /export/server/spark/bin

    pyspark

    在master的webui界面查看通讯地址
    ./pyspark --master spark://node1:7077连接到集群
    image.png
    sc.parallelize([1,2,3,4,5]).map(lambda x: x*10).collect() # 运行简单的命令
    任务结束后,driver结束,但master和worker仍在

    spark-submit

    ./spark-submit --master spark://node1:7077 /export/server/spark/examples/src/main/python/pi.py 100100次迭代计算圆周率
    任务执行完成后,driver生命周期结束,通过历史服务器HistoryServer查看运行情况
    历史服务器端口:18080
    node1:18080中查看历史运行记录

    spark应用架构(层次结构)

    一些监控页面

    4040

    是一个运行着的application在运行过程中临时绑定的端口,用以查看当前任务的状态
    4040是一个临时端口,程序运行完成后即被注销(driver用)

    8080

    默认standalone下master的web端口,用以查看master集群的状态

    18080

    默认历史服务器的端口,用以回看某个程序的历史运行状态
    历史服务器长期稳定运行

    层级

    一个应用程序
    若干子任务
    每个子任务的若干阶段
    每个阶段由不同Task(线程)完成

    standalone模式小结

    standalone原理

    master和worker角色以独立进程形式存在,组成spark运行环境(集群 )

    standalone中spark角色分布

    master角色:master进程
    worker角色:worker进程
    driver角色:以线程运行在master中
    executor角色:以线程运行在worker中

    standalone提交spark应用

    bin/spark-submit --master spark://server:7077 xxx

    4040 8080 18080

    4040:单个程序(driver)运行时的临时端口
    8080:master的webui端口
    18080:历史服务器

    job state task

    job下若干state
    state下若干task
    一个spark程序会分为多个子任务(job),每个子任务会分为多个阶段(state),每个阶段会分成多个线程(task)来执行具体的任务

    spark环境搭建-standalone-ha

    standalone集群是master-slaves架构的集群模式,存在单点故障问题(SPOF)
    master宕机,则集群崩溃,所以要多个master来保证集群的资源分配

    高可用HA

    spark解决单点故障问题的两种方案:

    1. 基于文件系统的单点恢复(Single-Node Recovery with Local File System):只限开发或测试
    2. 基于zookeeper的standby masters(standby masters with zookeeper):可用于生产

    zookeeper提供leader election机制,保证集群中虽然有多个master,但只有一个保持活跃(active),其他都是standby。当活跃master出现故障时,standby master顶替。集群信息(worker,driver,application)都已持久化到文件系统,因此切换过程(有时间开销)只会影响job提交,正在进行的job不受任何影响。
    image.png

    基于zookeeper实现HA

    启动zookeeper和hdfs

    cd /export/server/spark/conf
    vim spark-env.sh
    
    # 修改为注释
    # export SPARK_MASTER_HOST=node1 # 为了使用zookeeper动态切换master
    
    # 追加
    SPARK_DAEMON_JAVA_OPTS="-Dspark.deploy.recoveryMode=ZOOKEEPER -Dspark.deploy.zookeeper.url=node1:2181,node2:2181,node3:2181 -Dspark.deploy.zookeeper.dir=/spark-ha"
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8

    standalone ha原理

    基于zookeeper做状态维护,开启多个master,当活跃master宕机时,standby master能及时接管

    spark环境搭建-spark on yarn

    按前面方式部署,最优为standalone ha;
    但企业服务器紧张,且不管什么业务基本都有Hadoop集群,也就是yarn集群;
    standalone集群和yarn集群复用一套服务器资源利用率低,不如只使用yarn集群;
    spark直接运行在yarn内,接受yarn调度;
    对于spark on yarn,无需部署spark集群,只需一台服务器充当spark客户端,即可提交任务到yarn集群中运行

    spark on yarn本质

    master角色由yarn的resourceManager担任
    worker角色由yarn的nodeManager担任
    driver角色运行在yarn容器内,或提交任务的客户端进程中
    executor运行在yarn提供的容器内
    image.png
    核心:让spark计算任务运行在yarn容器内部,资源管理交由resourceManager和nodeManager代替
    spark on yarn的需求:

    1. yarn集群
    2. spark客户端,如spark-submit,将spark程序提交到yarn中
    3. 被提交的代码,如pi.py等

    spark on yarn环境配置

    确保HADOOP_CONF_DIR YARN_CONF_DIR在spark-env.sh中配置了环境变量即可

    bin/pyspark --master yarn --deploy-mode client|cluster
    # yarn中独有 --deploy-mode
    # 交互式环境pyspark和spark-shell只能运行客户端模式
    
    • 1
    • 2
    • 3

    deployMode部署模式

    cluster模式和client模式

    spark on yarn两种运行模式:Cluster集群模式、Client客户端模式
    两种模式区别在于driver运行位置
    cluster模式:driver运行在yarn内部,和applicationManager在同一个容器内部
    client模式:driver运行在客户端进程中,如driver运行在spark-submit程序的进程中

    cluster模式

    image.png
    image.png

    client模式

    image.png
    image.png
    cluster模式:

    1. 效率高,直接在容器内通信,集群通信成本低
    2. 查看日志困难,日志也是容器内日志
    3. 集群模式下driver运行在applicationMaster节点上,由yarn管理,出现问题yarn会重启applicationMaster(driver)

    client模式(方便,但性能低稳定差,生产不推荐):

    1. 容易看日志,日志是客户端日志
    2. 效率低,需要跨容器通信,通信成本高

    image.png

    client模式测试

    # 客户端模式
    bin/spark-submit --master yarn --deploy-mode client --driver-memory 512m --executor-memory 512m --num-executors 3 --total-executor-cores 3 /export/server/spark/examples/src/main/python/pi.py 100
    # 集群模式
    bin/spark-submit --master yarn --deploy-mode cluster --driver-memory 512m --executor-memory 512m --num-executors 3 --total-executor-cores 3 /export/server/spark/examples/src/main/python/pi.py 100
    
    • 1
    • 2
    • 3
    • 4

    拓展:两种模式详细流程

    yarn的client模式下,driver在任务提交的本地机器上运行
    image.png

    1. Driver在任务提交的本地机器上运行,Driver启动后会和ResourceManager通讯申请启动ApplicationMaster;
    2. 随后ResourceManager分配Container,在适的NodeManager上启动ApplicationMaster,此时的ApplicationMaster的功能相当于一个ExecutorLauncher,只负责向ResourceManager申请Executor内存;
    3. ResourceManager接到ApplicationMaster的资源申请后会分配Container,然后ApplicationMaster在资源分配指定的NodeManager上启动Executor进程
    4. Executor进程启动后会向Driver反向注册,Executor全部注册完成后Driver开始执行main函数
    5. 之后执行到Action算子时,触发一个Job,并根据宽依赖开始划分stage,每个Stage生成对应的TaskSet,之后将Task分发到各个Executor上执行。

    yarn的cluster模式下,driver运行在nodeManager容器内,driver与applicationMaster一体:
    image.png

    总结

    spark on yarn本质

    master由resourceManager代替
    worker由nodeManager代替
    driver可运行在容器中(cluster),也可运行在客户端上(client)
    executor全部运行在yarn容器中

    why spark on yarn?

    提高资源利用率,在已有yarn场景下使得spark受到yarn的调度,来更好地管理资源、调度资源

    pyspark安装

    框架、类库

    类库:可重用的代码库,如numpy、pandas
    框架:可以独立运行,并提供编程结构的一种软件产品,如spark

    bin/pyspark 是一个应用程序,客户端程序,提供python解释器来运行spark命令
    pyspark类库 import pyspark

    pyspark类库

    pyspark是spark官方提供的一个python类库,内置完全的spark api
    image.png

    pyspark安装

    pip install pyspark

    总结

    pyspark:类库,提供spark api
    bin/pyspark:交互式应用程序

    本机开发环境搭建(windows)

    windows环境配置

    将文件包中的hadoop3.3.0复制进windows中,将其hadoop.dll复制进c:\windows\system32文件夹下,将hadoop3.3.0文件夹路径加如系统环境变量中HADOOP_HOME:xxx\hadoop3.3.0

    应用入口

    spark application程序入口为sparkContext,任何一个应用首先需要构建sparkContext对象:

    1. 创建SparkConf对象:设置spark application基本信息,如应用名称AppName、应用运行Master等
    2. 基于SparkConf对象,创建SparkContext对象
    conf = Sparkconf().setAppName(appName).setMaster(master)
    sc = SparkContext(conf=conf)
    
    from pyspark import SparkConf, SparkContext
    if __name__ == '__main__':
        conf = Sparkconf().setAppName('WordCount').setMaster('local[*]') # 如果是yarn模式,就不要设置master
        sc = SparkContext(conf=conf)
        # 读取hdfs的word.txt,统计单词出现的数量
        file_rdd = sc.textFile('hdfs://ndoe1:8020/input/word.txt') # rdd 弹性分布式数据集;;最好是hdfs地址,文件都可以访问到
        words_rdd = file_rdd.flatMap(lambda line: line.split(" "))
        words_with_one_rdd = words_rdd.map(lambda x: (x, 1))
        result_rdd = words_with_one_rdd.reduceByKey(lambda a,b:a+b)
        print(result_rdd.collect())
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    总结

    python开发spark

    主要是获取sparkContext对象,基于sparkContext对象作为环境入口

    如何提交spark应用

    代码上传到服务器上,通过spark-submit工具提交

    1. 代码中不要设置master,代码中优先级更高
    2. 读取的文件一定是各个机器都能读取到的地址(分布式计算),如HDFS

    分布式代码执行

    spark集群角色

    image.png
    当spark application运行在集群上时,主要有四个部分:

    1. master(resourceManager):集群资源管理
    2. worker(nodeManager):单机资源管理
    3. driver:单个spark任务管理,相当于yarn的applicationMaster
    4. executor:spark的工作任务Task都由executor负责执行

    application->job->stage -> task

    分布式代码执行分析

    image.png
    image.png

    python on spark原理

    image.png
    简言之:driver跑的JVM(翻译);executor跑的python(中转调度)
    两套语言运行
    pyspark宗旨是不破坏spark已有的运行时架构(Java系),在spark架构外层包装一层python api,借助Py4j实现python和Java交互,进而实现通过python编写spark应用程序
    image.png

    总结

    分布式代码执行的重要特征

    代码在集群上运行,则是被分布式运行的(一份代码,分布式运行)
    spark中,非任务处理部分由driver执行(非rdd);任务处理部分由executor执行(rdd)
    executor数量很多,所以任务的计算是分布式运行的

    pyspark架构体系

    spark on python:
    driver端由jvm执行;executor端由jvm做命令转发,底层由python解释器工作

  • 相关阅读:
    详解小程序配置服务器域名
    asp.net core 在linux上部署
    【初学不要怕】详解Python中的join()函数和os.path.join()函数的用法
    云计算——虚拟化技术Docker网络管理及数据存储
    一站式服务:教你搭建AI知识库
    Android手机如何用Charles抓包HTTPS接口
    SpringBoot学习笔记(1)——B站动力节点
    【数据结构】栈和队列
    常见python脚本集合
    MySQL数据库——主从复制及读写分离
  • 原文地址:https://blog.csdn.net/CSDN_Ethan2086/article/details/136256986