33张图解flink sql应用提交（建议收藏！）

素颜马尾好姑娘i 2022-09-12 05:59 453阅读 0赞

# 前言 #

大家好，我是土哥。

这已经是我为读者写的第`21`篇 `Flink`系列文章了。

上周有粉丝在群里问，在流计算平台编写完`Flink sql`后，为什么通过一键提交按钮，就可以将`sql`提交到`yarn`集群上面了？

![345bafdb9b2aaa38147e5bda0eea6864.png][]

由于现在各大厂对业务分层特别清晰，平台方向和底层技术开发会被单独划分，所以好多大数据同学编写完 `Flink Sql` 后，只需通过提交按钮将其提交到集群上，对背后的提交原理些许不太清楚。

![84c20ec179d7fbf1357462b44e1aa510.png][]

下面土哥将为大家揭开这层神秘的面纱，挖掘 `Flink Sql` 背后的提交原理和源码设计。（硬核文章，建议收藏！）

# 熟悉平台 #

### 故事 ###

小笨猪`阿土`刚入职某大数据公司担任实习生，然后主管交给阿土一个任务，让其熟悉公司的 `Flink` 流计算平台。

![d827ec3d5928b61fcfa7fb6167ceeb99.png][]

阿土登录流计算平台后，看到平台上面可以编写 `Sql` 语法，于是就写了一个简单的 `sql`

![00ea5cd31b14f232cbdb7e5d192fe300.png][]

他发现旁边有个**效验功能**、于是就点击了一下，这时平台弹出 `SQL` 语法效验正确。阿土心中暗暗自喜，看来我的 `sql` 功底还是不错嘛。

`SQL` 语法效验完成后，阿土点击提交按钮，流计算平台提示，`SQl` 语法效验正确，已成功提交集群。

**Flink sql 代码居然提交到yarn集群上了？？？**

![3557fc8274941d65f85f2a92963c47a6.png][]

小笨猪阿土感到很惊讶，`sql` 就这样直接提交到集群了哇，这时候小笨猪的导师猴哥过来了，看到小笨猪的操作后，表扬了几句。

![134533f51027ce6e9d5fcf29fe095beb.png][]

阿土，完成的不错啊，已经可以提交 `sql` 代码啦。但是你可别小看这简单的提交，这背后的门路可不浅呦。

这样吧，你好好探索一下这个sql提交的原理，然后写一篇分析报告，在咱们组分享一下。

啊......啊......

小笨猪阿土听到猴哥的要求后，一下就蔫了。从此之后，阿土就和 `Flink sql` 走在了一起。

刚开始阿土很懵，于是就开始搜查 `Flink sql` 相关文章，过了几天，终于理清了一些思路。 小笨猪将其流程总结为以下几个点：

1.  Flink Sql解析器
2.  Flink Planner 和 Blink Planner
3.  Blink Sql提交流程

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_20_color_FFFFFF_t_70_g_se_x_16][]

**1.1、了解Calcite**

为方便用户使用 `Flink` 流计算组件，`Flink` 社区设计了四种抽象，在这些抽象中，`Sql API` 属于`Flink`的最上层抽象，是 `Flink` 的一等公民，这就方便用户或者开发者直接通过 `Sql` 编写来提交任务。

![90ee8b910ef5cd1864b1275f08df9c09.png][]

但经过阿土的调查后 发现，`Flink sql` 在提交任务时，并不是向 `DataStream API` 那样，直接被转为 `StreamGraph`，经过优化生成 `JobGraph` 提交到集群的,而是需要对编写的 `Sql` 进行解析、验证、优化等操作，在这中间，社区引入了一个强大的解析器，那就是`Calcite`。

**阿土好好调研了一番Calcite**

`Calcite`属于`Apache`旗下的一个动态数据管理框架，具备很多数据库管理系统的功能，它可以对`SQL`进行 **SQL 解析，SQL 校验，SQL 查询优化，SQL 生成**以及数据连接查询等操作，它不存储元数据和基本数据，不包含处理数据的算法。而是作为一个中介的角色，**将上层SQL和底层处理引擎打通**，将其`SQL`转为底层处理引擎需要的数据格式。

它不受上层编程语言的限制，前端可以使用 SQL、Pig、Cascading 等语言，只要通过 Calcite 提供的 `SQL Api` **将它们转化成关系代数的抽象语法树即可**，并根据一定的规则和成本对抽象语法树进行优化，最后推给各个数据处理引擎来执行。

所以 Calcite 不涉及物理规划层，它通过扩展适配器来连接多种后端的数据源和数据处理引擎，如 Hive，Drill，Flink，Phoenix等。

**1.2、Calcite执行步骤**

小笨猪阿土简单画了一下`Calcite`的执行流程，主要涉及5个部分 **SQL解析、SQL校验、SQL查询优化、SQL生成、执行**等。

![3317487915f637877bf5dd240ac86c72.png][]

**在这个流程中，Calcite各阶段扮演的角色如下：**

1.  SQL解析。通过 `JavaCC` 实现，使用 JavaCC 编写 SQL 语法描述文件，将 SQL 解析成未经校验的 `AST 语法树`。
2.  SQL校验。通过与元数据结合`验证` SQL 中的 Schema、Field、 Function 是否存在，输入输出类型是否匹配等。
3.  SQL优化。`对上个步骤的输出( RelNode ，逻辑计划树)进行优化`，使用两种规则：基于规则优化 和 基于代价优化，得到优化后的物理执行计划。
4.  SQL生成。`将物理执行计划生成为在特定平台/引擎的可执行程序`，如生成符合 MySQL 或 Oracle 等不同平台规则的 SQL 查询语句等。
5.  执行。执行是通过各个执行平台执行查询，得到输出结果。

其中，Calcite再与其他处理引擎结合时，到**SQL优化**阶段就已经结束。所以流程图简化为：

![6474bd6d1d6564da3ef485b4887d4b0e.png][]

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

**阿土看完Calcite的原理后，开始想，那Calcite是怎么在Flink中扮演的角色呢？**

这时猴哥过来给阿土说，单纯的看一些理论文章，是搞不清楚底层设计实现的，阿土啊，你可以看看源码。

听了猴哥的一番话后，阿土开始啃起了`Flink1.13.2`的`Flink Sql`源码

**2.1 Flink Planner和Blink Planner**

在1.9.0版本以前，社区使用`Flink Planner`作为查询处理器，通过与`Calcite`进行连接，为`Table/SQL API`提供完整的解析、优化和执行环境，使其SQL被转为`DataStream API`的 `Transformation`，然后再经过`StreamJraph -> JobGraph -> ExecutionGraph`等一系列流程，最终被提交到集群。

在1.9.0版本，社区引入阿里巴巴的`Blink`，对`FIink TabIe & SQL`模块做了重大的重构，保留了 `Flink Planner` 的同时，引入了 `Blink PIanner`，没引入以前，`Flink` 没考虑流批作业统一，针对流批作业，底层实现两套代码，引入后，基于流批一体理念，重新设计算子，以流为核心，流作业和批作业最终都会被转为`transformation`。

**2.2 Blink Planner与Calcite关系**

在之后的版本，为了实现Flink流批一体的愿景，通过Blink Planner与Calcite进行对接,对接流程如下：

1.  在Table/SQL 编写完成后，**通过Calcite 中的parse、validate、rel阶段，以及Blink额外添加的convert阶段,将其先转为Operation**；
2.  通过Blink Planner 的`translateToRel`、`optimize`、`translateToExecNodeGraph`和`translateToPlan`四个阶段，**将Operation转换成DataStream API的 Transformation**；
3.  再经过StreamJraph -> JobGraph -> ExecutionGraph等一系列流程，SQL最终被提交到集群。

小笨猪根据查询后的资料以及查看`Flink 1.13.2`版本源码后，画出如下SQL执行流程图。

![106ad4b71cb7fcd5e1f14f813c358d93.png][]

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_20_color_FFFFFF_t_70_g_se_x_16 2][]

阿土根据对源码的分析后，发现无论是Flink SQL执行DDL操作、还是DQL操作或者DML操作、最终都可以将其总结为两个阶段：

1.  SQL 语句到 Operation 过程，即Parse阶段；
2.  Operation 到 Transformations 过程，即Translate阶段。

### 3.1、Parse阶段 ###

在Parse阶段一共包含parse、validate、rel、convert部分

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16][]

![37b91e61ac14914ceb71c2c0267a124e.png][]

`Calcite的 parse 解析模块是基于javacc实现的`。javacc是一个**词法分析生成器**和**语法分析生成器**。词法分析器于将输入字符流解析成一个一个的token，以下面这段SQL语句为例:

**示例1 ：**

![a81373c8f3603b95efb82e63347a5a01.png][]

在 parse 部分，上面的SQL语句最后会被解析为如下一组token：

![64af9957b7994f0aef347cce35f17fc6.png][]

接下来**语法分析器**会以**词法分析器**解析出来的token序列作为输入来进行语法分析。分析过程使用**递归下降语法**解析，LL(k)。

其中，第一个`L`表示从左到右扫描输入；第二个`L`表示每次都进行最左推导(在推导语法树的过程中每次都替换句型中最左的非终结符为终结符。类似还有最右推导)；

`k`表示的是每次向前探索(lookahead)`k` 个终结符。

分析所依赖的的词法法则定义在一个parser.jj文件中。

![3661b76f5b6976e1fc4b1a167105f32e.png][]

在经过词法分析和语法分析后，一段 SQL 语句会被解析成一颗`抽象语法树`（Abstract Syntax Tree，AST），树的节点类型在 Calcite 中以 SqlNode 来表示，不同节点以不同子类型的SqlNode来表示。

同样以上面的SQL为例，在这段SQL中:

1.  id, score, T 等为 SqlIdentifier，表示一个字段名或表名的标识符;
2.  select和cast()为`SqlCall`，表示一个行为或动作，其中cast()为一个`SqlBasicCall`，表示一个函数调用，具体调用的是什么函数，由其内部的SqlOperator决定，比如这里是一个二元操作符“<”，对应SqlBinaryOperator，operator的名字是“<”，类别是SqlKind.LESS\_THAN;
3.  int 为 `SqlDataTypeSpec`，表示一个类型定义;
4.  'hello'和 10 为`SqlLiteral`，表示一个常量;

在Calcite中，所有的操作都是一个`SqlCall`, 如查询是一个 `SqlSelect`, 删除是一个 `SqlDelete` 等，它们都是 `SqlCall` 的子类型。select的查询条件等为 `SqlCall` 中的参数。示例1 的 SQL 语句最终生成的语法树形式如下：

![1f01b76ffb13e9bc9bd8dc5afef039b7.png][]

如果把示例1中的直接从一个表查询数据，改为从两张表的关联结果中查询数据，例如：

**示例2：**

![ab48fc48d7202dced65ca682d6c9711b.png][]

则相应的AST形式如下：

![11488144a50e7057d2f1f52354b881f4.png][]

其中只有FROM子树部分由原来的`SqlIdentifier`节点变成了一棵`SqlJoin`子树，其他部分与示例1相同所以在图中省略了。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_8_color_FFFFFF_t_70_g_se_x_16][]

**校验（validate）阶段**

![13d4ef3ade9cb194dac59b036674544e.png][]

对经过parser解析出的AST进行有效性验证，验证的方面主要包括以下两方面：

1.  表名、字段名、函数名是否正确，**如在某个查询的字段在当前`SQL`位置上是否存在或有歧义**（当前可见的多个数据源中同时存在该名称的字段）
2.  特定类型操作自身的合法性，如`group by`聚合中的聚合函数是否存在嵌套调用，使用`AS`重命名时，**新名字是否是x.y的形式等**

针对上面的第一种情况，在校验过程中首先需要明确两个最重要的概念：**NameSpace**和**Scope**。

`NameSpace`代表一个逻辑上的数据源，可以是一张表，也可以是一个子查询，而`Scope`则代表了在 `SQL` 的某个位置，表和字段的可见范围。

从概念中可以看出，在某个 `SQL`位置上，某个字段所对应的 `scope` 可能包含多个 `namespace`。在 `validate` 阶段解析出来的 `scope` 和 `namespace` 信息会被保存下来，在后面转换成逻辑执行计划的时候还会用到。

通过一个示例来看什么是 `NameSpace` 和 `scope`

**示例3**

![5020506ff4fe22279816cbd71ec582d5.png][]

在上面这样一段SQL语句中包含四个namespace：

![1b6557def48efee258b75a222361f5fd.png][]

对于SQL中的不同表达式，根据它们所在的位置，它们所对应的scope如下：

![4d55e9aee722a2a89de088d174932dbd.png][]

那么在校验第一种情况的时候，整个校验过程的核心就在于**为不同的SqlNode节点生成其对应的namespace和scope**，然后对该`SqlNode`涉及的字段和`namespace`与`scope`的对应关系进行校验。

对于第二种情况的校验，则需要根据具体的节点类型分别实现了。

在Calcite中，validator的具体实现类是`SqlValidatorImpl`，namespace和scope分别由接口`SqlValidatorNamespace`和`SqlValidatorScope`表示，图中涉及到的xxxNamespace和xxxScope分别是这两个类的子类。

下图是从调用validator.validate(sqlNode)开始，对一段查询语句的表名和字段名进行校验的时序图。

大体过程都已经在图中的注解里进行了说明，需要补充的一点是，在通过 emptyScope.resolve解析表名时，表信息是通过具体的catalogReader从catalog的schema中查找出来的。

**具体使用什么catalog和catalogReader，是在validator创建之初决定的**。

在flink中，根据用户的配置，catalog可能是 `GenericInMemoryCatalog`（基于内存的catalog）或`HiveCatalog`（基于hive metastore的catalog）。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_10_color_FFFFFF_t_70_g_se_x_16][]

如下图所示：

![9ba974303d5414ca55538c000857a9bf.png][]

`rel`阶段是将`SqlNode`组成的一棵`抽象语法树`转化为一棵`由RelNode和RexNode`组成的`关系代数树`，或者称为执行计划。RelNode表示关系表达式，如投影（Project），即SELECT，和连接（JOIN）等；

RexNode表示行表达式，如示例中的 **CAST(score AS INT)、T1.id < 10**。

以示例2的语法树为例，在经过rel阶段转换后会生成下图所示的执行计划：

![981c63b8998a9586d3b241f8405bfdda.png][]

**rel阶段只处理DML和DQL**

因为`DDL`实际上可以认为是对元数据的修改，不涉及复杂关系查询，也就不用进行关系代数转换来优化执行， 所以也无需转换为表示，根据对应的SqlNode中保存的信息已经可以直接执行了。

在calcite中，SqlToRelConverter用于对关系表达式进行转换。Flink中通过如下方式使用calcite将AST转换成逻辑执行计划，如下图源码所示。

![040be608e96b72d358f393fe6a9dc7a5.png][]

**从Flink1.13.2源码**中可以看到转换的入口是`convertQuery`方法。

`SqlToRelConverter`中的简单的转换流程如下图所示:

![558dec1d0b27ab0975ed86c5e5be951a.png][]

针对每种可能的根节点类型都有对应的转换方法。其中`DELETE`、`UPDATE`、`MERGE`、`WITH`和`VALUES`这几种语法在flink流式SQL中还不支持，并且其转换过程也比较简单，后文不再详细分析。

对于一棵转换后得到的逻辑执行计划树中的节点，其实在`AST`中都是可以一一对应的找到对应的节点的，所以转换过程本身并不涉及很复杂的算法，大部分过程是提取已有`SqlNode`节点中记录的信息，然后生成对应的`RelNode`和`RexNode`，并设置`RelNode`间的父子关系。

从图中也可以看出在`calcite`里最终都会生成一个`LogicalModify`节点，通过节点内的`operation`属性来标识不同的含义。但是目前`flink`支持的`DML`只有insert语句，而且并不会生成`LogicalModify`节点，而是直接转换成了`ModifyOperation`，并在需要的时候转换成`flink`内部自己定义的节点类型`LogicalSink`。也因为这个原因，对于`DML`的转换流程图中是略有简化的，`insert`、`delete`、`update`和`merge`本身都可以带查询语句，因此实际转换的时候都会递归地先对查询部分进行转换。

上图所示流程中只展示了对关系表达式的转换，但是每个关系节点（RelNode）中的行表达式同样需要经过转换得来。

**Calcite中行表达式的转换依赖于两个对象：`BlackBoard`和`SqlNodeToRexConverter`**。

`BlackBoard`是对`select`进行转换时的一个临时工作空间，它就像一块“黑板”一样，可以临时记录下转换过程中需要的信息，比如`select`依赖的`scope`、当前的`root`节点、当前节点是否是`top`节点等。

`BlackBoard`本身还是一个`shuttle`，针对不同类型的`SqlNode`，其内部都有对应的`visit`方法。其中除`SqlCall`、`SqlLiteral`、`SqlIntervalQualifier`外，都可由`BlackBoard`和`SqlToRelConverter`中定义的各种`convertXXX`方法进行转换，这三种类型的`SqlNode`则需要借助`SqlNodeToRexConverter`来进行转换。

`SqlLiteral`、`SqlIntervalQualifier`的转换比较简单，就是从原来的`SqlNode`中提取信息进行简单的处理和转换，然后生成对应的`RexNode`。

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16 1][]

**重点：这一步负责将RelNode tree转换成operation**

![79c674ea579d9e1a31d9b0c7080ed57a.png][]

这里只有以及的查询子句会首先通过转换为

RelNode转换成Operation的过程很简单，针对四种类型的操作，其各自的转换过程如下：·

1.  CreateTable @convertCreateTable
    
    **如果AST的根节点是SqlCreateTable**，提取节点中记录的`schema`、`properties`、`comment`、`primary` `keys`、`if not exists`信息，创建CatalogTable对象，然后`创建CreateTableOperation`
2.  DropTable @convertDropTable
    
    **如果AST的根节点是SqlDropTable**，提取节点中记录的`full table name`、`if exists`信息，`创建DropTableOperation对象`
3.  Insert @convertInsert
    
    **如果AST的根节点是RichSqlInsert**，提取节点中记录的目标表的完整路径和查询表达式，先将查询表达式通过`convertSqlQuery`转换成`QueryOperation`，然后以转换后的`QueryOperation`为子节点创建`ModifyOperation`对象。

这里分两种情况:

> (1)使用SQL API执行了 insert into 语句，将数据写入已经通过 TableEnvironment注册过的表中，此时创建的是CatalogSinkModifyOperation

> (2)使用Table API的toXXXStream将table对象转换成了DataStream，创建的是OutputConversionModifyOperation

1.  Query @convertSqlQuery
    
    **如果根节点的SqlKind是SqlKind.Query**，先通过FlinkPlannerImpl.rel将SqlNode转换成RelNode，然后创建PlannerQueryOperation对象

### 3.2、Translate阶段 ###

在Translate阶段，通过Blink Planner 的`translateToRel`、`optimize`、`translateToExecNodeGraph`和`translateToPlan`四个阶段:**将Operation转换成 Transformations。**

**重点**：

1.  从operation开始，先将ModifyOperation通过translateToRel方法转换成Calcite RelNode逻辑计划树，在对应转换成FlinkLogicalRel（RelNode逻辑计划树）；
2.  然后经过 调用optimize方法将FlinkLogicalRel 优化成FlinkPhysicalRel。
3.  再调用translateToExecNodeGraph方法将FlinkPhysicalRel转为execGraph
4.  最后调用translateToPlan方法将execGraph转为transformations

![5b87427f4a743e53e14d8ce33360468f.png][]

![88a44f6847fb60b1cd6bffd42ebeac07.png][]

从逻辑计划变成物理计划（RelNode），

![e395159d284ada0766048d989077ee59.png][]

Flink1.13.2源码如下：

![3ad0615b51ca22a0e8d95807b31ff06d.png][]

![20210922120325739.png][]

这个过程可以看成是`convert: RelNode => Operation`的逆过程。

逻辑也很简单，**无论是使用SQL API还是Table API，最终生成的operation的根节点一定是ModifyOperation**，因为只有insert语句或者将Table转换成DataStream后，在DataStream结果上面写入sink才能触发执行。

前文提到过**ModifyOperation**最终都会被转换成`flink`内自定义的`LogicalSink`节点，该节点主要记录数据输出信息，核心在于需要创建出表示数据输出的`sink`。所以针对三种`ModifyOperation`类型分别创建sink的过程如下：

1.  `UnregisteredSinkModifyOperation`：这个operation中直接记录了sink信息，因此直接提取出来创建LogicalSink即可。
2.  `CatalogSinkModifyOperation`：根据operation中记录的table path找到对应的`table`，然后根据table创建出`table sink`，最后使用table sink创建出`LogicalSink`节点。这个过程中涉及到了在catalog中解析table和使用ServiceLoader根据table信息在classpath中查找并用于创建table sink的TableSinkFactory的过程，具体如下图所示。

![20210922120309268.png][]

会使用两个优化器:**RBO(基于规则的优化器) 和 CBO(基于代价的优化器)**

1.  `RBO`(基于规则的优化器)会将原有表达式裁剪掉，遍历一系列规则`（Rule）`，只要满足条件就转换，生成最终的执行计划。一些常见的规则包括分区裁剪`（Partition Prune）`、列裁剪、谓词下推`（Predicate Pushdown）`、投影下推`（Projection Pushdown）`、聚合下推、limit下推、sort下推、常量折叠（Constant Folding）、子查询内联转join等。

2.`CBO`(基于代价的优化器)会将原有表达式保留，基于统计信息和代价模型，尝试探索生成等价关系表达式，最终取代价最小的执行计划。**CBO的实现有两种模型，Volcano模型，Cascades模型**。这两种模型思想很是相似，不同点在于Cascades模型一边遍历SQL逻辑树，一边优化，从而进一步裁剪掉一些执行计划。

源码如下：

![7e3a227e2d42d4a3acb67715b234b2bf.png][]

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16 2][]

调用translateToExecNodeGraph方法将FlinkPhysicalRel转为execGraph

![a388e9a4e74c38a560986a1a61e1a8b1.png][]

![watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16 3][]

调用translateToPlan方法将execGraph转为transformations

![4a9128bb7f1578e35eecd6e64359607d.png][]

通过上述四个步骤，实现**将Operation转换成 Transformations。**

小笨猪通过完整的流程分析后，终于搞懂了Flink sql的解析和转换过程，最终SQL被转为Transformations,后面的步骤就变成了Flink DataStream的提交流程，小笨猪还是比较了解的。

# 分享 #

时间一眨眼就到了分享的那天，小笨猪在讲台上对**Flink sql应用提交**做了深入讲解，得到了导师猴哥和主管的一致认可。

![72b88e2c14c28d93f6e1e8c2e6c56963.png][]

![0f7daba3399f1e5bad0fd67ed6f2d244.png][]

[345bafdb9b2aaa38147e5bda0eea6864.png]: /images/20220828/3b3bb7b32bf74f46b98ddb4c9ad0b59b.png
[84c20ec179d7fbf1357462b44e1aa510.png]: /images/20220828/90aa5d6d9fac426d936a132099b54c3a.png
[d827ec3d5928b61fcfa7fb6167ceeb99.png]: /images/20220828/609937fc34614f24a7dacbfd67cf9620.png
[00ea5cd31b14f232cbdb7e5d192fe300.png]: /images/20220828/6156238c7e064ca499e37ac9536ea938.png
[3557fc8274941d65f85f2a92963c47a6.png]: /images/20220828/b3a5ac2015d34d08ac27f602a226f843.png
[134533f51027ce6e9d5fcf29fe095beb.png]: /images/20220828/92159aad40cb484d956b7b8a963db605.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_20_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/8c58770a7ccc4136a9ff9280fc7400f5.png
[90ee8b910ef5cd1864b1275f08df9c09.png]: /images/20220828/e992477177364df7bb2706c89c0c3a4a.png
[3317487915f637877bf5dd240ac86c72.png]: /images/20220828/28c17f1dee324ee89b5465e3b9914130.png
[6474bd6d1d6564da3ef485b4887d4b0e.png]: /images/20220828/98f7d6f436f348a28be754146612e57a.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_20_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/a29a6d92a5b047118fef24f94f3864ec.png
[106ad4b71cb7fcd5e1f14f813c358d93.png]: /images/20220828/f1f53e8813dc45678d9b39c82f380013.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_20_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/7b0b6a7ab23647b1814c00527780ced6.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/3221ffbad40343f693e722f65d0d2979.png
[37b91e61ac14914ceb71c2c0267a124e.png]: /images/20220828/18f6ef9659834f69a8484498104cc958.png
[a81373c8f3603b95efb82e63347a5a01.png]: /images/20220828/1900083c72d5433699803431cfbec3ff.png
[64af9957b7994f0aef347cce35f17fc6.png]: /images/20220828/e6862b8d98cc41aba115d1f673c65742.png
[3661b76f5b6976e1fc4b1a167105f32e.png]: /images/20220828/266aeaa681e0413197410b405c667929.png
[1f01b76ffb13e9bc9bd8dc5afef039b7.png]: /images/20220828/2cfbff8a785549f7babfe5a1fd179c82.png
[ab48fc48d7202dced65ca682d6c9711b.png]: /images/20220828/d58bf80da08a490ca1c3e1aa0253fc9b.png
[11488144a50e7057d2f1f52354b881f4.png]: /images/20220828/a03f336550714f06911a2573bd07f0cd.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_8_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/33e75efb17474a9da63de09b30c0cdb8.png
[13d4ef3ade9cb194dac59b036674544e.png]: /images/20220828/6425b31863314c52ac5a1312477eb276.png
[5020506ff4fe22279816cbd71ec582d5.png]: /images/20220828/7675e523ba954572966f8ab9ff2dc9c2.png
[1b6557def48efee258b75a222361f5fd.png]: /images/20220828/1e4f234127ab468881692b7b736b1d5b.png
[4d55e9aee722a2a89de088d174932dbd.png]: /images/20220828/560cba739af4456285f67645746c3398.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_10_color_FFFFFF_t_70_g_se_x_16]: /images/20220828/fa937ac185a7493aa4646057476bd8ff.png
[9ba974303d5414ca55538c000857a9bf.png]: /images/20220828/2890d93998a74a3f8662e0c9e234d312.png
[981c63b8998a9586d3b241f8405bfdda.png]: /images/20220828/17f25f7ee7564dbd8b006495b92add35.png
[040be608e96b72d358f393fe6a9dc7a5.png]: /images/20220828/96abd032a0c2403095057db1a41306c3.png
[558dec1d0b27ab0975ed86c5e5be951a.png]: /images/20220828/6c78c5b849964857a5ad368b75e2eff5.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16 1]: /images/20220828/8dcd762f478a41ca9a6cbd6a85af5c70.png
[79c674ea579d9e1a31d9b0c7080ed57a.png]: /images/20220828/16d72034c344431f98e70b2b8f2fd7ec.png
[5b87427f4a743e53e14d8ce33360468f.png]: /images/20220828/b889f6b6110f41588a9340443b5e0fc6.png
[88a44f6847fb60b1cd6bffd42ebeac07.png]: /images/20220828/90449f50059b4c059c6d1005ff776940.png
[e395159d284ada0766048d989077ee59.png]: /images/20220828/bb9f508c4ecf4439a8df8cb1bc061640.png
[3ad0615b51ca22a0e8d95807b31ff06d.png]: /images/20220828/bb5a80e943564e388e51f110b068e7c6.png
[20210922120325739.png]: /images/20220828/b8bc6dab691b4f51979ab504b400a406.png
[20210922120309268.png]: /images/20220828/886279574cc4495ab4238940520e51c5.png
[7e3a227e2d42d4a3acb67715b234b2bf.png]: /images/20220828/360d15ea55db4371b38ffcf5871ce0db.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16 2]: /images/20220828/f4f1f25bc22c44d3aefa87c893db4eed.png
[a388e9a4e74c38a560986a1a61e1a8b1.png]: /images/20220828/827e6b688ff34c4cb973cb662f7bbd3e.png
[watermark_type_ZHJvaWRzYW5zZmFsbGJhY2s_shadow_50_text_Q1NETiBA5ZyoSVTkuK3nqb_moq3ml4XooYw_size_9_color_FFFFFF_t_70_g_se_x_16 3]: /images/20220828/2a400931b0584159803bfe1d3a2a6d19.png
[4a9128bb7f1578e35eecd6e64359607d.png]: /images/20220828/605dafd43da44a2ca3d1ee6270c1cb16.png
[72b88e2c14c28d93f6e1e8c2e6c56963.png]: /images/20220828/37e740534aa04b2bb23c656e328f5cb1.png
[0f7daba3399f1e5bad0fd67ed6f2d244.png]: /images/20220828/61de805793d9439eb9f3a374c0479ebf.png