2、hadoop的运行模式（centos+docker+hadoop）

我会带着你远行 2022-10-01 11:41 220阅读 0赞

### 文章目录 ###

*  伪分布式模式
 *   *  一、启动HFDS运行MapReduce程序
     *  二、启动Yarn运行MapReduce程序
     *  三、配置历史服务器
     *  四、配置日志的聚集功能
 *  完全分布式运行模式
 *   *  一、集群部署介绍
     *  二、集群配置
     *  三、镜像制作与容器启动
     *  四、启动集群

**本案例基于centos + docker + hadoop进行测试。**

上一节介绍了hadoop的环境搭建，以及hadoop的wordcount示例的[本地运行模式][Link 1]，本章节介绍hadoop的其它两种运行模式，依然以wordcount为例。  
hadoop包括3中运行模式：本地运行模式、伪分布式模式、完全分布式模式

*  List item：本地运行模式：没有启动hadoop的守护进程，所有的程序都运行在本地的JVM中，适合开发学习和调试mapreduce程序。
 *  伪分布式模式：启动hadoop的守护进程，模拟一个简单的集群，伪分布式集群可以配置只有一台机器，适用于学习和调试。

# 伪分布式模式 #

以wordcount为例，下面配置伪分布式运行集群模式。

## 一、启动HFDS运行MapReduce程序 ##

**1、配置集群的JAVA\_HOME环境**  
在hadoop的安装目录下的etc目录下有一个hadoop-env.sh文件（/opt/module/hadoop-2.7.2/etc/hadoop/hadoop-env.sh），添加JAVA\_HOME环境路径，如下：

export JAVA_HOME=/opt/module/jdk1.8.0_144

**2、配置core-site.xml**  
在/opt/module/hadoop-2.7.2/etc/hadoop/hadoop-env.sh文件中添加如下配置：

<property>
        <name>fs.defaultFS</name>
        <value>hdfs://lzj01:9000</value>
    </property>
    
    <property>
            <name>hadoop.tmp.dir</name>
            <value>/opt/module/hadoop-2.7.2/data/tmp</value>
    </property>

其中lzj01为本案例ip地址

**3、配置hdfs-site.xml**

<property>
    	<name>dfs.replication</name>
    	<value>1</value>
    </property>

**4、启动集群**

*  格式化NameNode（第一次启动时格式化，以后就不要总格式化）  
    启动命令：hdfs namenode -format
 *  启动NameNode  
    启动命令：hadoop-daemon.sh start namenode
 *  启动DataNode  
    启动命令：hadoop-daemon.sh start datanode

**5、检验集群是否启动成功**  
执行jps命令，结果如下：  
![在这里插入图片描述][20190611000158629.PNG]  
**6、操作集群**

*  在HDFS文件系统上创建一个input文件夹  
    执行命令：`hdfs dfs -mkdir -p /user/lzj/input`
 *  将上一节中的wc.input测试文件上传到文件系统上  
    执行命令：`hdfs dfs -put wcinput/wc.input /user/lzj/input/`
 *  查看上传到集群上的文件  
    执行命令：`hdfs dfs -ls /user/lzj/input/` 或`hdfs dfs -cat /user/lzj/ input/wc.input`

**7、执行MapReduce程序进行计算**  
执行命令：`hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/lzj/input/ /user/lzj/output`  
**8、查看运行结果**  
执行命令：`hdfs dfs -cat /user/lzj/output/part-r-00000`  
查看结果如下

bu      1
    chen    3
    chuan   1
    dao     1
    de      1
    deng    1
    feng    1
    hao     1
    hong    1
    hua     2
    huang   2
    jia     1
    jie     4
    ju      1
    jun     1
    lang    1
    li      3
    lin     1
    liu     1
    long    1
    lun     1
    mao     1
    ning    1
    qi      2
    qian    1
    rong    1
    sheng   1
    song    1
    su      1
    wang    3
    xu      1
    xue     3
    xun     2
    ya      1
    yi      2
    you     1
    yu      1
    yuan    1
    zhang   2
    zheng   1
    zhi     2
    zhong   1
    zhou    1
    zhuang  1

**9、可以将分析结果文件从文件系统上下载到本地**  
执行命令：`hdfs dfs -get /user/lzj/output/part-r-00000 ./wcoutput/`  
执行命令后，可以在当前目录下wcoutput目录下查看到从文件系统上下载的文件。  
**10、可以删除文件系统上的文件或文件夹**  
执行命令：`hdfs dfs -rm -r /user/lzj/output` 删除文件系统上的output目录以及其下的文件。  
**11、可以从网页端查看文件系统中的文件**  
本案例访问地址：http://lzj01:50070  
其中lzj01为运行hadoop的ip地址，50070为hdfs的端口，访问结果如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70]

## 二、启动Yarn运行MapReduce程序 ##

下面配置伪分布式集群，启动yarn运行MapReduce程序，在yarn上执行wordcount案例。  
**1、配置集群**  
（a）配置yarn-env.sh  
在/opt/module/hadoop-2.7.2/etc/hadoop目录下找到yarn-env.sh文件，并在其中加入JAVA\_HOME环境：

export JAVA_HOME=/opt/module/jdk1.8.0_144

(b) 配置yarn-site.xml  
在/opt/module/hadoop-2.7.2/etc/hadoop目录下找到yarn-site.xml文件，并在其中添加如下配置：

<property>
                <name>yarn.nodemanager.aux-services</name>
                <value>mapreduce_shuffle</value>
        </property>
        
        
        <property>
                <name>yarn.resourcemanager.hostname</name>
                <value>lzj01</value>
        </property>

其中lzj01为本宿主机ip地址。  
（c) 配置mapred-env.sh  
在/opt/module/hadoop-2.7.2/etc/hadoop目录下找到mapred-env.sh文件，并在其中添加java环境：  
export JAVA\_HOME=/opt/module/jdk1.8.0\_144  
（d) 配置mapred-site.xml  
在/opt/module/hadoop-2.7.2/etc/hadoop目录下找到mapred-site.xml.template文件并重命名为mapred-site.xml文件，在mapred-site.xml文件中配置MapReduce的运行方式：

<property>
    		<name>mapreduce.framework.name</name>
    		<value>yarn</value>
    </property>

**2、启动集群**  
（a）在启动集群前必须保证NameNode和DataNode已经启动，通过jps观察如下：  
![在这里插入图片描述][20190614232655302.PNG]  
（b) 启动ResourceManager  
![在这里插入图片描述][2019061423300754.PNG]  
（c）启动NodeManager  
![在这里插入图片描述][2019061423315822.PNG]  
**3、集群操作**  
（a）访问yarn页面  
在浏览器中访问`http://lzj01:8088/cluster`, 8088为访问yarn端口。页面如下：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 1]  
其中显示了集群的配置资源和job的执行状态。  
（b) 删除文件系统上的output下的文件  
在执行案例前，要把之前案例生成的output文件删除掉，否则案例会报错，提示文件已经存在。执行删除命令：

hdfs dfs -rm -R /user/lzj/output

© 执行案例wordcount 的MapReduce程序  
wordcount案例的执行命令如下：`hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.2.jar wordcount /user/lzj/input /user/lzj/output`  
执行结束后，访问yarn的网页界面如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 2]  
当网页中红色标记的progress进度为100%时，表示执行完毕，可以从网页中查看任务执行的状态、节点等信息。

## 三、配置历史服务器 ##

为了查看MapReduce的历史运行情况，需要配置历史服务器，配置步骤如下：  
**1、配置mapred-site.xml文件**  
在mapred-site文件中添加如下配置：

<property>
            <name>mapreduce.jobhistory.address</name>
            <value>lzj01:10020</value>
    </property>
    
    <property>
            <name>mapreduce.jobhistory.webapp.address</name>
            <value>lzj01:19888</value>
    </property>

其中lzj01为运行程序的ip地址  
**2、启动历史服务器**  
启动历史服务器，执行命令：

mr-jobhistory-daemon.sh start historyserver

**3、查看历史服务器是否启动**  
执行jps命令查看历史服务器运行状态  
![在这里插入图片描述][20190616131536797.PNG]  
4、访问历史服务器JobHistory  
访问http://lzj01:19888/jobhistory，其中lzj01为配置历史服务器的域名。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 3]  
由于只运行了一个实例，所以只有一个唯一的job id的任务。

## 四、配置日志的聚集功能 ##

日志聚集：每次运行完程序后，都会在本地生成log文件，也只能在一台宿主机上查看日志，日志聚集功能就是把应用完成后生成的日志信息上传到HFDS分布式文件系统上，这样集群上的所有宿主机都可以查看日志信息。  
配置日志聚集功能步骤如下：  
**1、配置文件yarn-site.xml**  
在yarn-site.xml文件中添加如下内容：

<property>
            <name>yarn.log-aggregation-enable</name>
            <value>true</value>
    </property>
    
    
    <property>
            <name>yarn.log-aggregation.retain-seconds</name>
            <value>172800</value>
    </property>

**2、重启NodeManager 、ResourceManager和HistoryManager**  
首先执行关闭命令，分别执行如下命令：

yarn-daemon.sh start resourcemanager
    yarn-daemon.sh start nodemanager
    mr-jobhistory-daemon.sh start historyserver

**3、执行wordcount之前，先删除hdfs分布式文件系统上的输出文件夹，因为执行案例后会重新生成**  
执行命令：

hdfs dfs -rm -R /user/lzj/output

**4、查看日志**  
访问：http://lzj01:19888/jobhistory  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 4]  
图中红框选中的job id为本案例执行的job，点击，可查看job的详细信息  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 5]  
点击图中橙色标记的logs按钮，就可以查看案例执行的详细日志信息  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 6]

# 完全分布式运行模式 #

## 一、集群部署介绍 ##

本节介绍完全分布式，也是真正实战时用到的。本例中搭建一个包括三台容器的集群，分别为192.168.85.137、172.17.0.2、172.17.0.3。集群按一下方式进行配置

<table> 
 <thead> 
  <tr> 
   <th></th> 
   <th>192.168.85.137</th> 
   <th>172.17.0.2</th> 
   <th>172.17.0.3</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>HDFS</td> 
   <td>NameNode<br>DataNode</td> 
   <td>DataNode</td> 
   <td>SecondaryNameNode<br>DataNode</td> 
  </tr> 
  <tr> 
   <td>YARN</td> 
   <td>ResourceManager<br>NodeManager</td> 
   <td>NodeManager</td> 
   <td>NodeManager</td> 
  </tr> 
 </tbody> 
</table>

## 二、集群配置 ##

下面操作均在192.168.85.137上进行操作  
**1、核心配置文件core-site.xml**  
用vi打开core-site.xml文件，添加如下内容：

<property>
            <name>fs.defaultFS</name>
            <value>hdfs://192.168.85.137:9000</value>
        </property>
    
        
        <property>
            <name>hadoop.tmp.dir</name>
            <value>/opt/module/hadoop-2.7.2/data/tmp</value>
        </property>

NameNode部署在192.168.85.137容器中。  
**2、配置HDFS**  
用vi打开hadoop-env.sh文件，添加如下内容：

export JAVA_HOME=/opt/module/jdk1.8.0_144

用vi打开hdfs-site.xml文件，添加内容如下：

<property>
        <name>dfs.replication</name>
        <value>3</value>
    </property>
    
    
    <property>
        <name>dfs.namenode.secondary.http-address</name>
        <value>172.17.0.3:50090</value>
    </property>

把hdfs的辅助接点部署在172.17.0.3容器中。  
**3、配置YARN**  
用vi打开yarn-env.sh文件，添加如下内容：

export JAVA_HOME=/opt/module/jdk1.8.0_144

用vi打开yarn-site.xml文件，添加如下内容：

<property>
        <name>yarn.nodemanager.aux-services</name>
        <value>mapreduce_shuffle</value>
    </property>
    
    
    <property>
        <name>yarn.resourcemanager.address</name>
        <value>192.168.85.137</value>
    </property>

将yarn的资源管理节点ResourceManager部署在192.168.85.137中。  
**4、配置MapReduce**  
配置mapred-env.sh，用vi 打开mapred-env.sh文件，添加如下内容：

export JAVA_HOME=/opt/module/jdk1.8.0_144

配置mapred-site.xml，hadoop中默认文件是mapred-site.xml.template，复制成需要的名字，执行`cp mapred-site.xml.template mapred-site.xml`  
用vi打开mapred-site.xml文件，添加如下内容：

<property>
        <name>mapreduce.framework.name</name>
        <value>yarn</value>
    </property>

## 三、镜像制作与容器启动 ##

上一步全部配置均在192.168.85.137机器上进行的配置，下面把上述所有配置做成镜像，然后通过镜像启动容器，避免重复繁琐的配置hadoop，关于本例[hadoop镜像制作][hadoop]请参考https://blog.csdn.net/u010502101/article/details/97697397，dockerfile内容如下：

#version 0.1
    FROM centos
    WORKDIR /opt
    RUN mkdir  module
    ADD . /opt/module/
    #set java enviroment
    RUN echo "#JAVA_HOME" >> /root/.bashrc
    RUN echo "export JAVA_HOME=/opt/module/jdk1.8.0_144" >> /root/.bashrc
    RUN echo "export PATH=\$PATH:\$JAVA_HOME/bin" >> /root/.bashrc
    #set hadoop enviroment
    RUN echo "#HADOOP_HOME" >> /root/.bashrc
    RUN echo "export HADOOP_HOME=/opt/module/hadoop-2.7.2" >> /root/.bashrc
    RUN echo "export PATH=\$PATH:\$HADOOP_HOME/bin" >> /root/.bashrc
    RUN echo "export PATH=\$PATH:\$HADOOP_HOME/sbin" >> /root/.bashrc
    #install net tools, for using ping
    RUN yum -y install net-tools
    #set host
    RUN echo "172.17.0.3      hadoop003" >> /etc/hosts
    RUN echo "172.17.0.2      hadoop002" >> /etc/hosts
    RUN echo "192.168.85.137      fanhao-test" >> /etc/hosts
    #install which tool, hadoop use it
    RUN yum -y install which
    
    #install ssh
    RUN yum -y install openssh*
    #RUN systemctl start sshd
    
    #install service
    #RUN yum -y install initscripts
    
    #解决Docker中CentOS镜像无法使用systemd的问题
    #ENV container docker
    RUN (cd /lib/systemd/system/sysinit.target.wants/; for i in *; do [ $i == systemd-tmpfiles-setup.service ] || rm -f $i; done); \
    rm -f /lib/systemd/system/multi-user.target.wants/*;\
    rm -f /etc/systemd/system/*.wants/*;\
    rm -f /lib/systemd/system/local-fs.target.wants/*; \
    rm -f /lib/systemd/system/sockets.target.wants/*udev*; \
    rm -f /lib/systemd/system/sockets.target.wants/*initctl*; \
    rm -f /lib/systemd/system/basic.target.wants/*;\
    rm -f /lib/systemd/system/anaconda.target.wants/*;
    VOLUME [ "/sys/fs/cgroup" ]
    CMD ["/usr/sbin/init"]

dockerfile文件与hadoop安装处于同一层目录。  
**1、执行build命令，制作镜像**

docker build -t="softwarebird/hadoop:0.4" .

**2、启动容器**  
用制作的softwarebird/hadoop:0.4镜像分别启动名为hadoop1和hadoop2的容器  
启动hadoop1

docker run -itd --privileged=true --name hadoop1 softwarebird/hadoop:0.4
    docker exec -it 7e4906d8751f /bin/bash

另外打开一个session，启动hadoop2

docker run -itd --privileged=true --name hadoop2 softwarebird/hadoop:0.4
    docker exec -it efea0d9e0841 /bin/bash

**3、配置/etc/hosts 【非必须配置】**  
在hosts文件添加如下配置：

192.168.85.137  lzj
    172.17.0.2      hadoop002
    172.17.0.3      hadoop003

**4、重启ssh服务**  
在192.168.85.137 、172.17.0.2和172.17.0.3中分别重启ssh服务，命令如下：

systemctl start sshd

**5、配置容器密码**  
为了后面配置ssh，进行免密码互相登录，需要配置容器hadoop2和hadoop3的密码，192.168.85.137为宿主机，已有登录密码，不需要再配  
分别在hadoop2和haddop2中执行passwd命令，配置密码。

**6、配置ssh免密登录**  
切换到192.168.85.137宿主机上执行`systemctl start sshd`，重启ssh服务。  
生成公钥和私钥，执行命令

ssh-keygen -t rsa

将192.168.85.137上的公钥copy到其它机器中，执行命令：

ssh-copy-id 192.168.85.137
    		    ssh-copy-id 172.17.0.2
    		    ssh-copy-id 172.17.0.3

然后分别切换到172.17.0.2和172.17.0.3容器中，分别执行`systemctl start sshd`，然后分别执行下面命令：

ssh-keygen -t rsa
    			    ssh-copy-id 192.168.85.137
    			    ssh-copy-id 172.17.0.2
    			    ssh-copy-id 172.17.0.3

## 四、启动集群 ##

**1、配置slaves**  
分别打开192.168.85.137、172.17.0.2、172.17.0.3集群中hadoop中配置文件slaves，并添加如下内容：

192.168.85.137
    	    	172.17.0.2
    	    	172.17.0.3

表示集群由这三个机器组成。  
**2、启动hdfs集群**  
切换到192.168.85.137宿主机，首次启动集群前，需要格式化namenode，执行命令`hdfs namenode -format`  
启动hdfs，执行命令：

start-dfs.sh

hdfs启动后，执行jps命令，显示如下：  
![在这里插入图片描述][20190731000558596.PNG]  
可知192.168.85.137中部署了NameNode和DataNode。

切换到172.17.0.2中，执行jps命令，显示如下：  
![在这里插入图片描述][20190731000823680.PNG]  
可知172.17.0.2中只部署了DataNode。

切换到172.17.03中，执行jps命令，显示如下：  
![在这里插入图片描述][20190731000951310.PNG]  
可知172.17.0.3中，除启动了DataNode外，还启动了备用节点SecondaryNameNode节点。

**3、启动yarn**  
切换到192.168.85.137中，执行start-yarn.sh启动yarn，然后用jps命令查看进程，显示如下：  
![在这里插入图片描述][20190731001309614.PNG]  
可知，192.168.85.137除启动hdfs进程外，又启动了ResourceManager和NodeManager进程。

切换到172.17.0.2容器中，执行jps命令查看，显示如下：  
![在这里插入图片描述][20190731001520889.PNG]  
可见172.17.0.2中除启动hdfs进程外，又启动了NodeManager进程。

切换到172.17.0.3容器中，执行jps命令，显示如下：  
![在这里插入图片描述][20190731001701588.PNG]  
可见172.17.0.3容器中除启动hdfs进程外，也只是启动了NodeManager进程。

**4、验证集群启动是否成功**  
在浏览器中输入http://192.168.85.137:50070/，显示界面如下：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 7]  
集群启动成功。

[Link 1]: https://blog.csdn.net/u010502101/article/details/91171553
[20190611000158629.PNG]: /images/20220118/444c8ce265e64d41a90b6a739aad9441.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70]: /images/20220118/47fae18d87f7429d89a58400fb45e3db.png
[20190614232655302.PNG]: /images/20220118/46ae9888135f43729a5235eba4cbf7eb.png
[2019061423300754.PNG]: /images/20220118/05fe1edd2d564b4182cf7ac26cf08dc6.png
[2019061423315822.PNG]: /images/20220118/3a8423b29968457ea2f414b37f8515a5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 1]: /images/20220118/966fbbb7add94eca85e2ff7dedbbb301.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 2]: /images/20220118/4079348090694e45ae78e409d45a3cb3.png
[20190616131536797.PNG]: /images/20220118/cf5bd58da269483a9a4272d5fb24e297.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 3]: /images/20220118/6399027f69994b2ab0b22e883387c462.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 4]: /images/20220118/d035d455d2204e388fc1d391c6507566.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 5]: /images/20220118/1f789355cf1b41d3b8018ac2ada967f4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 6]: /images/20220118/4959433d90914978898356d46f28f9f4.png
[hadoop]: https://blog.csdn.net/u010502101/article/details/97697397
[20190731000558596.PNG]: /images/20220118/eb21137b2c8c4029afe64c1b8d8579b6.png
[20190731000823680.PNG]: /images/20220118/3a963beb700148e2b5a0ba98f611499a.png
[20190731000951310.PNG]: /images/20220118/4868278f90484f2fa5ccd810d05463d9.png
[20190731001309614.PNG]: /images/20220118/f0355ed8e7f34a86a93c21a37976f521.png
[20190731001520889.PNG]: /images/20220118/983fc65522a4400bb77df2b7af387766.png
[20190731001701588.PNG]: /images/20220118/744c5e35d0bc4c1b9ca463e62f751863.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTA1MDIxMDE_size_16_color_FFFFFF_t_70 7]: /images/20220118/dcb93191c071400d9c32f6d43df436bd.png