Storm 介绍

系统管理员 2022-05-21 07:19 269阅读 0赞

# （一） Storm介绍 #

学习storm需要掌握以下几个知识点

###### 1、  离线计算是什么？   2、  流式计算是什么？   3、  流式计算与离线计算的区别？   4、  Storm是什么？   5、  Storm与Hadoop的区别？   6、  Storm的应用场景及行业案例   7、  Storm的核心组件（重点掌握）   8、  Storm的编程模型（重点掌握）   9、  流式计算的一般架构图(重点掌握)   10、  集群部署的基本流程   11、  集群部署的基础环境准备   12、  Storm集群部署   13、  Storm集群的常用操作命令   14、  Storm集群的进程及日志熟悉   15、  Storm源码下载及目录熟悉   16、  Storm 单词计数案列 ######

###### 参考文章：[Storm深入理解][Storm] ######

介绍storm首先就先得了解什么是实时流计算和离线数据流计算。

## 1、离线计算是什么？ ##

离线计算：批量获取数据、批量传输数据、周期性批量计算数据、数据展示  
代表技术：Sqoop批量导入数据、HDFS批量存储数据、MapReduce批量计算数据、Hive批量计算数据、\*\*\*任务调度  
1，hivesql  
2、调度平台  
3、Hadoop集群运维  
4、数据清洗（脚本语言）  
5、元数据管理  
6、数据稽查  
7、数据仓库模型架构

## 2、流式计算是什么 ##

Flume实时采集，低延迟  
         Kafka消息队列，低延迟  
         Storm实时计算，低延迟  
         Redis实时存储，低延迟

Storm用来实时处理数据，特点：低延迟、高可用、分布式、可扩展、数据不丢失。提供简单容易理解的接口，便于开发。

## 3、离线计算与实时计算的区别 ##

最大的区别：实时收集、实时计算、实时展示

hadoop的特点：

• 海量数据集  
    – G ->T -> P 级都能处理  
• 全量数据集同时处理  
    – 一次性同时处理整个数据集  
• 批处理方式  
    – 大数据输入，大批数据输出

#### 其他计算的特点 ####

• 实时数据分析需求  
    – 实时报表动态展现  
    – 数据流量波动状态  
    – 反馈系统  
• 时效性  
    – 秒级处理完成数据  
• 增量式处理  
    – 数据来一条，处理一条

#### 流式计算的特点 ####

• 时效性高  
• 逐条处理数据  
• 低延时  
• 不是一个新概念  
    – 管道（PIPE）  
 • Cat input | grep pattern | sort | uniq > output

####    分布式流的特点 ####

• 单机处理不了  
    – 内存  
    – CPU  
    – 存储  
• 多机流式系统  
    – 流量控制  
    – 容灾冗余  
    – 路径选择

– 扩展

## 4、Storm是什么？ ##

开源分布式实时计算系统  
               • Twitter出品  
               • 托管在GitHub上  
               • 目前互联网中应用最广泛  
                    – 相对稳定，有高容错性  
                    – 开源  
                • 没有持久化层  
                • 保证消息得到处理  
                • 支持多种编程语言  
                • 高效，用ZeroMQ作为底层消息队列  
                • 支持本地模式，可模拟集群所有功能  
                • 使用原语  
                        – 类同MapReduce中的Map、Reduce

## 5、Storm与Hadoop的区别 ##

![20180318114716733][]

l  Storm用于实时计算，Hadoop用于离线计算。  
l  Storm处理的数据保存在内存中，源源不断；Hadoop处理的数据保存在文件系统中，一批一批。  
l  Storm的数据通过网络传输进来；Hadoop的数据保存在磁盘中。  
l  Storm与Hadoop的编程模型相似  
l  Storm任务没有结束，Hadoop任务执行完结束  
l  Storm延时更低，得益于网络直传、内存计算，省去了批处理的收集数据的时间  
l  Hadoop使用磁盘作为中间交换的介质，而storm的数据是一直在内存中流转的  
l  Storm的吞吐能力不及Hadoop，所以不适合批处理计算模型  
        1. 延时，指数据从产生到运算产生结果的时间  
        2. 吞吐，指系统单位时间处理的数据量

![20180318115011197][]

Job：任务名称  
JobTracker：项目经理  
TaskTracker：开发组长、产品经理  
Child:负责开发的人员  
Mapper/Reduce:开发人员中的两种角色，一种是服务器开发、一种是客户端开发  
   
Topology:任务名称  
Nimbus:项目经理  
Supervisor:开组长、产品经理  
Worker:开人员  
Spout/Bolt：开人员中的两种角色，一种是服务器开发、一种是客户端开发

## 6、Storm应用场景及行业案例 ##

Storm用来实时计算源源不断产生的数据，如同流水线生产。

### 6.1、运用场景 ###

l  日志分析

从海量日志中分析出特定的数据，并将分析的结果存入外部存储器用来辅佐决策。

l  管道系统

将一个数据从一个系统传输到另外一个系统，比如将数据库同步到Hadoop

l  消息转化器

将接受到的消息按照某种格式进行转化，存储到另外一个系统如消息中间件

### 6.2、典型案列 ###

l  一淘-实时分析系统：实时分析用户的属性，并反馈给搜索引擎

最初，用户属性分析是通过每天在云梯上定时运行的MR job来完成的。为了满足实时性的要求，希望能够实时分析用户的行为日志，将最新的用户属性反馈给搜索引擎，能够为用户展现最贴近其当前需求的结果。

l  携程-网站性能监控：实时分析系统监控携程网的网站性能

利用HTML5提供的performance标准获得可用的指标，并记录日志。Storm集群实时分析日志和入库。使用DRPC聚合成报表，通过历史数据对比等判断规则，触发预警事件。

l  阿里妈妈-用户画像：实时计算用户的兴趣数据

为了更加精准投放广告，阿里妈妈后台计算引擎需要维护每个用户的兴趣点（理想状态是，你对什么感兴趣，就向你投放哪类广告）。用户兴趣主要基于用户的历史行为、用户的实时查询、用户的实时点击、用户的地理信息而得，其中实时查询、实时点击等用户行为都是实时数据。考虑到系统的实时性，阿里妈妈使用Storm维护用户兴趣数据，并在此基础上进行受众定向的广告投放。

## 7、Storm核心组件（重要） ##

![20180318121614296][]

l  Nimbus：负责资源分配和任务调度。

l  Supervisor：负责接受nimbus分配的任务，启动和停止属于自己管理的worker进程。\---通过配置文件设置当前supervisor上启动多少个worker。

l  Worker：运行具体处理组件逻辑的进程。Worker运行的任务类型只有两种，一种是Spout任务，一种是Bolt任务。

l  Task：worker中每一个spout/bolt的线程称为一个task. 在storm0.8之后，task不再与物理线程对应，不同spout/bolt的task可能会共享一个物理线程，该线程称为executor。

## 8、Storm编程模型（重要） ##

![20180318121634751][]

l  Topology：Storm中运行的一个实时应用程序的名称。（拓扑）

l  Spout：在一个topology中获取源数据流的组件。

通常情况下spout会从外部数据源中读取数据，然后转换为topology内部的源数据。

l  Bolt：接受数据然后执行处理的组件,用户可以在其中执行自己想要的操作。

l  Tuple：一次消息传递的基本单元，理解为一组消息就是一个Tuple。

l  Stream：表示数据的流向。

## 9、流式计算一般架构图（重要） ##

![20180318121651652][]

l  其中flume用来获取数据。

l  Kafka用来临时保存数据。

l  Strom用来计算数据。

l  Redis是个内存数据库，用来保存数据。

# （二） Storm各组件的基本概念 #

![20180318122215755][]

• Stream  
       – 以Tuple为基本单位组成的一条有向无界的数据流  
• Tuple  
       – Integer,long,short,byte,string,double,float,boolean和byte array，包括自定义类型 ![20180318122301926][]  
 • Topology  
        – 计算逻辑的封装  
        – 由spouts和bolts组成的图，通过stream grouping将图中的spouts和bolts连接起来  
        – 类同MapReduce中的job  
            • 不会结束，除非主动kill  
 • Topology任务执行  
        – Storm jar code.jar MyTopology arg1 arg2  
            • storm jar负责连接到Nimbus并且上传jar包  
            • 运行主类 MyTopology, 参数是arg1, arg2；这个类的main函数定义这个topology并且把它提交给Nimbus  
           • Topology的定义是一个Thrift结构,并且Nimbus就是一个Thrift服务,你可以提交由任何语言创建的topology；

![20180318122659959][]

• Spout  
    – 消息来源，消息生产者  
    – 可靠的，不可靠的  
        • 可靠的，如果没有被成功处理，可重新emit一个tuple  
    – 可指定emit多个Stream流  
        • OutFieldsDeclarer.declareStream定义  
        • SpoutOutputCollector指定  
    – nextTuple

![20180318122715978][]

Bolt  
    – 消息处理逻辑  
        • 如过滤，访问数据库，聚合  
    – 多个bolt处理负责步骤  
    – 可以发射多个数据流  
    – 主方法为execute  
        • 以tuple为输入  
        • 处理具体的tuple  
        • 发射0或多个tuple  
        • OutputCollector的ack，确认

• IBasicBolt，会自动调节

![20180318123103900][] ==>![20180318123111948][]

![20180318123228276][]

• Stream Grouping  
    – Shuffle Grouping：随机分组  
    – Fields Grouping:按指定的field分组  
    – All Grouping：广播分组

– Global Grouping：全局分组

# （三） Storm常见模式 #

storm常见模式有3种，包括  流式计算、持续计算、分布式RPC，如图所示

![20180318123553956][]

![20180318123947909][]![20180318124016176][]![20180318124102138][]

![20180318124116808][]

![20180318124131565][]

# （五） Storm架构 #

![20180318180932273][]![20180318180940287][]

• Nimbus  
    – Master Node  
    – 负责资源分配和任务调度

– 类似Hadoop里的JobTracker，负责在集群里面分发代码，分配计算任务给Supervisor，并且监控状态

• Supervisor  
    – Worker Node  
    – 负责接收nimbus分配的任务  
    – 每个工作节点存在一个

– 启动和停止属于自己管理的worker进程（每一个工作进程执行一个Topology的一个子集，一个Topology由运行在很多机器 上的很多worker工作进程组成）

• Nimbus和Supervisor之间的所有协调工作都是通过Zookeeper集群完成  
• Nimbus进程和Supervisor进程都是快速失败（fail-fast）和无状态的。所有状态要么在Zookeeper里面，要么在本地磁盘上

• 这也就意味着你可以用kill -9来杀死Nimbus和Supervisor进程， 然后再重启它们，就好像什么都没有发生过。这个设计使得Storm异常的稳定。

• Worker  
    – 运行具体处理组件逻辑的进程  
    – 一个Topology可能会在一个或者多个worker里面执行  
    – 每个worker是一个物理JVM并且执行整个Topology的一部分  
    – 采取JDK的Executor

比如，对于并行度是300的topology来说，如果我们使用50个工作进程来执行，那么每个工作进程会处理其中的6个tasks，Storm会尽量均匀的工作分配给所有的worker

• Task  
    – Worker中的每一个spout/bolt的线程称为一个task  
    – 每一个spout和bolt会被当作很多task在整个集群里执行  
    – 每一个executor对应到一个线程，在这个线程上运行多个task  
    – stream grouping则是定义怎么从一堆task发射tuple到另外一堆task

– 可以调用TopologyBuilder类的setSpout和setBolt来设置并行度（也就是有多少个task）

![20180318181619271][]

• Worker和Task关系  
– 1个worker进程执行的是1个topology的子集（注：不会出现1个worker为多个topology服务）。1个worker进程会启动1个或多个executor线程来执行1个topology的component(spout或bolt)。因此，1个运行中的topology就是由集群中多台物理机上的多个worker进程组成的。  
– executor是1个被worker进程启动的单独线程。每个executor只会运行1个topology的1个component(spout或bolt)的task（注：task可以是1个或多个，storm默认是1个component只生成1个task，executor线程里会在每次循环里顺序调用所有task实例）。

– task是最终运行spout或bolt中代码的单元（注：1个task即为spout或bolt的1个实例，executor线程在执行期间会调用该task的nextTuple或execute方法）。topology启动后，1个component(spout或bolt)的task数目是固定不变的，但该component使用的executor线程数可以动态调整（例如：1个executor线程可以执行该component的1个或多个task实例）。这意味着，对于1个component存在这样的条件：\#threads<=\#tasks（即：线程数小于等于task数目）。默认情况下task的数目等于executor线程数目，即1个executor线程只运行1个task。

相关伪代码如下：

\[java\]  [view plain][]   [copy][view plain]

1.  • Config conf = **new** Config();  
2.  • //设置Worker数量  
3.  • conf.setNumWorkers(2);  
4.  • // 设置Executor数量  
5.  • topolopyBuilder.setSpout("BlueSpout", **new** BlueSpout(), 2);  
6.  • topolopyBuilder.setBolt("GreenBolt", **new** GreenBolt(), 2)  
7.  •                .setNumTasks(4) // 设置Task数量  
8.  •                .shuffleGrouping("BlueSpout");  
9.  • topolopyBuilder.setBolt("YellowBolt", **new** YellowBolt(), 6)  
10. •                .shuffleGrouping("GreenBolt");

![20180318182152318][]

• 重新配置Topology "myTopology"使用5个Workers  
• BlueSpout使用3个Executors  
• YellowSpout使用10个Executors  
• \]\# storm rebalance myTopology -n 5 -e BlueSpout=3 -e YellowSpout=10

总结：一个topology可以通过setNumWorkers来设置worker的数量，通过设置parallelism来规定executor的数量（一个component（spout/bolt）可以由多个executor来执行），通过setNumTasks来设置每个executor跑多少个task（默认为一对一）。task是spout和bolt执行的最小单元。

![20180318183224223][]

![20180318183753269][]

![20180318183805471][]

![20180318183818419][]

# （五） Storm容错 #

## 1、架构容错 ##

• Zookeeper  
    – 存储Nimbus与Supervisor数据  
• 节点宕机  
    – Heartbeat  
    – Nimbus  
• Nimbus/Supervisor宕机  
    – Worker继续工作  
    – Worker失败，任务失败  
• Worker出错

– Supervisor重启Worker

## 2、数据容错 ##

• Storm的可靠性是指Storm会告知用户每一个消息单元是否在一个指定的时间(timeout)内被完全处理。  
• Ack机制（Storm中的每一个Topology中都包含有一个Acker组件）

• 所有的节点ack成功，任务成功

• 特殊的Task（Acker Bolt）  
    – Acker，跟踪每一个spout发出的tuple树  
    – 一个tuple树完成时，发送消息给tuple的创造者  
    – Acker的数量， 默认值是1

• 如果你的topology里面的tuple比较多的话， 那么把acker的数量设置多一点，效率会高一点。

• Acker实现消息完整性机制  
    – 内存超级大

• Acker Task并不显式的跟踪tuple树。 对于那些有成千上万个节点的tuple树，把这么多的tuple信息都跟踪起来会耗费太多的内存

– 保证消息肯定能被处理一次，但不保证会不会重复。因为假设发出的是一个values被切割后其中一个被发送失败了，那么这一组values都得重新发送。  
    – spout发送的时候同时带上message\_id，这样这个tuple发送失败后，就能知道哪一个tuplele.

– 通过消息的亦或状态确保消息是否发送完整。

– acker默认为每一个spout，bolt分别启动一个线程。

• 真实实现  
    – 内存量是恒定的（20bytes）  
    – 对于100万tuple，也才20M 左右  
    – Taskid：ackval  
    – Ackval所有创建的tupleid/ack的tuple一起异或

• 一个acker task存储了一个spout-tuple-id到一对值的一个mapping。这个对子的第一个值是创建这个tuple的taskid， 这个是用来在完成处理tuple的时候发送消息用的。 第二个值是一个64位的数字称作：ack val , ack val是整个tuple树的状态的一个表示，不管这棵树多大。它只是简单地把这棵树上的所有创建的tupleid/ack的tupleid一起异或(XOR)。

![20180318185755936][]

![20180318185807191][]

• 一个tuple没有ack  
    – 处理的task挂掉了，超时，重新处理  
• Ack挂掉了  
    – 一致性hash  
    – 全挂了，超时，重新处理  
• Spout挂掉了  
    – 重新处理  
 • Bolt  
    – Anchoring  
        • 将tuple作为一个锚点添加到原tuple上  
    – Multi-anchoring  
        • 如果tuple有两个原tuple，则为每个tuple添加一个锚点  
    – Ack  
        • 通知ack task，该tuple已被当前bolt成功消费  
    – Fail

• 通知ack task，该tuple已被消费失败

# （六） Storm开发 #

## 1、一个简单的Topology ##

\[java\]  [view plain][]   [copy][view plain]

1.  TopologyBuilder builder = **new** TopologyBuilder();  
2.  builder.setSpout("words", **new** TestWordSpout(), 10);  
3.  builder.setBolt("exclaim1", **new** ExclamationBolt(), 3).shuffleGrouping("words");  
4.  builder.setBolt("exclaim2", **new** ExclamationBolt(), 2).shuffleGrouping("exclaim1");

这个拓扑包括一个spout和两个bolt。Spout发送单词。每个bolt在输入数据的尾部追加字符串“!!!”。三个节点排成一条线：spout发射给首个bolt，然后，这个bolt再发射给第二个bolt。如果spout发射元组“bob”和“john”，然后，第二个bolt将发射元组“bob!!!!!!”和“john!!!!!!”。

## 2、Spout实现 ##

\[java\]  [view plain][]   [copy][view plain]

1.  **public** **void** nextTuple() \{  
2.       Utils.sleep(100);  
3.       **final** String\[\] words = **new** String\[\] \{ "nathan", "mike", "jackson",  
4.           "golda", "bertels"\};  
5.       **final** Random rand = **new** Random();  
6.       **final** String word = words\[rand.nextInt(words.length)\];  
7.       \_collector.emit(**new** Values(word));  
8.   \}

Spout负责发送新消息到拓扑。拓扑中的TestWordSpout每隔0.1秒就从\["nathan", "mike","jackson", "golda", "bertels"\]列表中随机选择一个单词，并把该单词作为一元元组发射出去。

## 3、Bolt实现 ##

\[java\]  [view plain][]   [copy][view plain]

1.  **public** **static** **class** ExclamationBolt **implements** IRichBolt \{  
2.      OutputCollector \_collector;  
3.      **public** **void** prepare(Map conf, TopologyContext context, OutputCollector collector) \{  
4.          \_collector = collector;  
5.      \}  
6.      **public** **void** execute(Tuple tuple) \{  
7.          \_collector.emit(tuple, **new** Values(tuple.getString(0) + "!!!"));  
8.          \_collector.ack(tuple);  
9.      \}  
10.     **public** **void** cleanup() \{  
11.     \}  
12.     **public** **void** declareOutputFields(OutputFieldsDeclarer declarer) \{  
13.         declarer.declare(**new** Fields("word"));  
14.     \}  
15. \}

• prepare方法提供给bolt一个Outputcollector用来发射tuple。Bolt可以在任意时候发射tuple – 可以在prepare、execute、cleanup方法中发射, 或者甚至在另一个线程中异步发射。prepare方法只是简单地把OutputCollector作为一个类成员变量保存，以供execute方法以后使用。  
• execute方法从bolt的一个输入流接收tuple。ExclamationBolt获取tuple的第一个字段（field），然后在值的尾部追加“!!!”作为一个新元组发射出去。如果一个bolt有多个输入源，你可以通过调用Tuple类的getSourceComponent方法找出tuple来自哪个输入源。

• 在execute方法中还有其它一些事情，即输入的tuple作为emit方法的第一个参数，在最后一行，输入的tuple被ack。这些是用于保证数据不会丢失的Storm可靠性API的一部分。

• 当bolt关闭时，cleanup方法将被调用，它将清理所有已打开的资源。在集群中并不保证cleanup方法一定被调用。例如，如果正在运行task的机器突然down机，那么就没办法调用cleanup方法。Cleanup方法当初是为了在本地模式运行拓扑而设计（本地模式：在一个进程内模拟storm集群），你可以运行和杀掉一些topology，且不会有资源泄漏方面的问题。

• declareOutputFields方法声明ExclamationBolt发射只有一个“word”字段的一元元组

## 4、本地模式运行 ##

本地模式运行ExclamationTopology的代码：

\[java\]  [view plain][]   [copy][view plain]

1.  • Config conf = **new** Config();  
2.  • conf.setDebug(**true**);  
3.  • conf.setNumWorkers(2);  
4.  • LocalCluster cluster = **new** LocalCluster();  
5.  • cluster.submitTopology("test", conf, builder.createTopology());  
6.  • Utils.sleep(10000);  
7.  • cluster.killTopology("test");  
8.  • cluster.shutdown();

• 代码通过创建一个LocalCluster对象定义一个进程内集群（在进程内模拟集群）。提交拓扑到虚拟集群和提交拓扑到真正的分布式集群相同。通过调用submitTopology方法提交拓扑到LocalCluster，该方法需要三个参数：拓扑名称、拓扑的配置、拓扑自身。

• 拓扑名称用于标识拓扑，以便你以后你能kill它。拓扑将一直运行，直到你kill它。

## 5、常用配置 ##

• Config.TOPOLOGY\_WORKERS:  
    – 这个设置用多少个工作进程来执行这个topology。比如，如果你把它设置成25， 那么集群里面一共会有25个java进程来执行这个topology的所有task。如果你的这个topology里面所有组件加起来一共有150的并行度，那么每个进程里面会有6个线程(150 / 25 = 6)。  
• Config.TOPOLOGY\_ACKERS:  
    – 这个配置设置acker任务的并行度。默认的acker任务并行度为1，当系统中有大量的消息时，应该适当提高acker任务的并发度。设置为0，通过此方法，当Spout发送一个消息的时候，它的ack方法将立刻被调用；  
• Config.TOPOLOGY\_MAX\_SPOUT\_PENDING:  
    – 这个设置一个spout task上面最多有多少个没有处理的tuple（没有ack/failed）回复， 我们推荐你设置这个配置，以防止tuple队列爆掉。  
• Config.TOPOLOGY\_MESSAGE\_TIMEOUT\_SECS:

– 这个配置storm的tuple的超时时间 – 超过这个时间的tuple被认为处理失败了。这个设置的默认设置是30秒

## 6、Storm环境 ##

#  #

wget http://www.python.org/ftp/python/2.6.6/Python-2.6.6.tar.bz2  
• Conf/storm.yaml  
    – storm.zookeeper.servers  
        • 多个Zookeeper服务器  
    – Storm.local.dir  
        • Storm用于存储jar包和临时文件的本地存储目录  
    – Java.library.path  
    – Nimbus.host  
    – Supervisor.slots.ports  
        • 几个port，就几个worker  
    – Ui.port • bin/storm nimbus >/dev/null 2>&1 &  
• bin/storm supervisor >/dev/null 2>&1 &  
• bin/storm ui >/dev/null 2>&1 &  
    – http://\{nimbus host\}:port  
• ./logs

– 查看错误日志

转载自[https://blog.csdn.net/forgetthatnight/article/details/79393245][https_blog.csdn.net_forgetthatnight_article_details_79393245]

[Storm]: http://wosyingjun.iteye.com/blog/2316763
[20180318114716733]: /images/20220521/f832b95058584e4baa1504b9ed528cad.png
[20180318115011197]: /images/20220521/d7e004c627024273be50ee7c2c21a95a.png
[20180318121614296]: /images/20220521/eebf15b2789247609b53aa1058734f6e.png
[20180318121634751]: /images/20220521/d6da0a053feb471a91fcd557899976d6.png
[20180318121651652]: /images/20220521/a7a97761f240419ea07949b90afead4d.png
[20180318122215755]: /images/20220521/4468effca42e4677a987b08b233e68fb.png
[20180318122301926]: /images/20220521/aa0236cd9ac44ad79f0b83b1956cccf0.png
[20180318122659959]: /images/20220521/4e5291b0ae5c45f48d4370fab991dddd.png
[20180318122715978]: /images/20220521/88119178ef1f4f4caeb64af6202eb462.png
[20180318123103900]: https://img-blog.csdn.net/20180318123103900
[20180318123111948]: /images/20220521/addf68b3493143efa7a80b664b2bc265.png
[20180318123228276]: /images/20220521/10800a69d5da4650b9acdd51d0916282.png
[20180318123553956]: /images/20220521/8cbc330c6fb94747900adce5d7d5dba4.png
[20180318123947909]: https://img-blog.csdn.net/20180318123947909
[20180318124016176]: https://img-blog.csdn.net/20180318124016176
[20180318124102138]: /images/20220521/9fc2127f7c8644489ef38064feb4cf78.png
[20180318124116808]: /images/20220521/4eb075f384ba4da49f799ccd26fe3652.png
[20180318124131565]: /images/20220521/b4497e3233124da8b3a11930fe12789d.png
[20180318180932273]: https://img-blog.csdn.net/20180318180932273
[20180318180940287]: /images/20220521/9ee2a6c74036494ab0d61db3dc156f27.png
[20180318181619271]: /images/20220521/7cd8f47ea53c4b4ca2b404a9fc95a8c0.png
[view plain]: https://blog.csdn.net/forgetthatnight/article/details/79393245#
[20180318182152318]: /images/20220521/3bca8b70f4d544c481ddd5b3c226713f.png
[20180318183224223]: /images/20220521/43a65a6e19ed473f832e17cb51e10aac.png
[20180318183753269]: /images/20220521/e4b823314c8e48d0bd78cd5881aa5baa.png
[20180318183805471]: /images/20220521/6582db52667242f3af0e0b5b70c86f9b.png
[20180318183818419]: /images/20220521/9978de55c82449e4b285aa4f051ad2a3.png
[20180318185755936]: /images/20220521/f56d6dadfc8f4603a6cec76a7fe213d8.png
[20180318185807191]: /images/20220521/729174e6474c4efc86808c45ec8c0843.png
[https_blog.csdn.net_forgetthatnight_article_details_79393245]: https://blog.csdn.net/forgetthatnight/article/details/79393245