Spark Core快速入门系列(4) | RDD的转换(transformation)

川长思鸟来 2022-11-28 00:55 21阅读 0赞

### 目录 ###

*   *  Value 类型
     *   *   *  map
             *  mapPartitions
             *  map()和mapPartitions()的区别
             *  mapPartitionsWithIndex()带分区号
             *  flatMap
             *  glom()
             *  groupBy
             *  filter
             *  sample
             *  distinct
             *  coalesce
             *  repartition
             *  coalasce和repartition的区别
             *  sortBy
             *  pipe
     *  双Value类型交互
     *   *   *  union(并集)
             *  subtract(差集)
             *  intersection(交集)
             *  cartesian(笛卡尔积)
             *  zip(拉链)
     *  Key-Value 类型
     *   *   *  partitionBy
             *  reduceByKey
             *  groupByKey
             *  reduceByKey和groupByKey的区别
             *  foldByKey
             *  aggregateByKey
             *  combineKeyBy
             *  sortByKey
             *  cogroup
             *  join

## Value 类型 ##

#### map ####

**`传递的函数每个元素执行一次`**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center]

#### mapPartitions ####

**`传递的函数，每个分区执行一次`**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 1]

#### map()和mapPartitions()的区别 ####

1.  **`map()`**：每次处理一条数据。
2.  **`mapPartitions()`**：每次处理一个分区的数据，这个分区的数据处理完后，原 RDD 中该分区的数据才能释放，可能导致 OOM。
3.  开发指导：当内存空间较大的时候建议使用mapPartitions()，以提高处理效率。

#### mapPartitionsWithIndex()带分区号 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70]

#### flatMap ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 2]

#### glom() ####

**`看分区数`**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 3]

#### groupBy ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 4]

#### filter ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 5]

#### sample ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 6]

#### distinct ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 7]

#### coalesce ####

**`作用: 缩减分区数到指定的数量，用于大数据集过滤后，提高小数据集的执行效率。`**

coalesce
        一般用来减少分区
        默认只能减少分区
        coalesce(6,true)
        参数2表示是否shuffle，如果是true，就可以增加分区
    注意：如果增加分区就一定要shuffle
         减少分区一般不要shuffle

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 8]

#### repartition ####

**`作用: 根据新的分区数, 重新 shuffle 所有的数据, 这个操作总会通过网络.`**  
**`新的分区数相比以前可以多, 也可以少`**

repartition
        重新分区
        一定shuffle，所以一般用这个算子来增加分区
        减少分区不建议使用

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 9]

#### coalasce和repartition的区别 ####

repartition
        重新分区
        一定shuffle，所以一般用这个算子来增加分区
        减少分区不建议使用

#### sortBy ####

**默认升序**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 10]

#### pipe ####

**`作用: 管道，针对每个分区，把 RDD 中的每个数据通过管道传递给shell命令或脚本，返回输出的RDD。一个分区执行一次这个命令. 如果只有一个分区, 则执行一次命令.`**  
**`注意:`**  
脚本要放在 worker 节点可以访问到的位置  
步骤1: 创建一个脚本文件pipe.sh  
文件内容如下:

echo "hello"
    while read line;do
        echo ">>>"$line
    done

步骤2: 创建只有 1 个分区的RDD

scala> val rdd1 = sc.parallelize(Array(10,20,30,40), 1)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[0] at parallelize at <console>:24
    
    scala> rdd1.pipe("pipe.sh").collect
    res0: Array[String] = Array(hello, >>>10, >>>20, >>>30, >>>40)

步骤3: 创建有 2 个分区的 RDD

scala> val rdd1 = sc.parallelize(Array(10,20,30,40), 2)
    rdd1: org.apache.spark.rdd.RDD[Int] = ParallelCollectionRDD[3] at parallelize at <console>:24
    
    scala> rdd1.pipe("pipe.sh").collect
    res2: Array[String] = Array(hello, >>>10, >>>20, hello, >>>30, >>>40)

**`总结: 每个分区执行一次脚本, 但是每个元素算是标准输入中的一行`**

## 双Value类型交互 ##

#### union(并集) ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 11]  
注意:  
**`union和++是等价的`**

val rdd3 = rdd1 ++ rdd2

#### subtract(差集) ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 12]

#### intersection(交集) ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 13]

#### cartesian(笛卡尔积) ####

**`作用: 计算 2 个 RDD 的笛卡尔积. 尽量避免使用`**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 14]

#### zip(拉链) ####

拉链：1.对应的分区的元素各个应该一样  2.分区数也要一样
    总结：1.总的元素个数相等2.分区数相等

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 15]

## Key-Value 类型 ##

#### partitionBy ####

**`跟partitionBy类似的算子有`**  
coalesce：默认不shuffle(一般用于减少分区)  
repartition：一定shuffle(一般用于增加分区)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 16]  
思考：如何按照value来分区(patitionBy默认按key分区)  
思路：将kv调换，分完区之后，调换回来  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 17]

#### reduceByKey ####

**`没有零值, 并分区内聚合和分区间聚合相同`**

reduceByKey
          1.是一个聚合算子
          2.和scala(reduce，foldleft)的不一样 scala最终聚合成1个值
          3.spark的这个聚合，是根据key来聚合的：
          结果是和key的种类  k1，k2
          4.先调整类型为 kv

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 18]

#### groupByKey ####

groupByKey
       1.分组，按照key进行分组
       2.groupBy(x=>..)按照返回值来分
       3.groupByKey只能永辉kv形式的
       4.groupBy任意RDD都可以使用

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 19]

#### reduceByKey和groupByKey的区别 ####

groupByKey和reduceByKey的区别  
[https://blog.csdn.net/qq\_46548855/article/details/108030239][https_blog.csdn.net_qq_46548855_article_details_108030239]

1.  reduceByKey：按照key进行聚合，在shuffle之前有combine（预聚合）操作，返回结果是RDD\[k,v\]。
2.  groupByKey：按照key进行分组，直接进行shuffle。
3.  开发指导：reduceByKey比groupByKey性能更好，建议使用。但是需要注意是否会影响业务逻辑。

#### foldByKey ####

foldByKey
        1.折叠，也是聚合，和reduceByKey一样，也有聚合
          所有的聚合算子都有预聚合
        2.多了一个0值的功能
        3.0值到底参与多少次运算
           只在分区内聚合(预聚合的)时有效
           zeroValue*分区数+计数值=最终结果

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 20]  
**`zeroValue*分区数+计数值=最终结果`**  
hello：1*3+4=7  
world(只有一个分区):1*1+1=2  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 21]

#### aggregateByKey ####

aggregateByKey
        1.reduceByKey,foldByKey 都有预聚合
          分区内预聚合的逻辑和分区间聚合的逻辑是一样的
        2.aggregateByKey 实现了分区聚合逻辑和分区间的聚合逻辑不一样
        3.零值是写死的

需求：计算每个分区相同key最大值 然后相加  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 22]  
这行代码也可以简化成

val result = rdd.aggregateByKey(Int.MinValue)(_.max(_),_+_)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 23]  
需求：分区内同时计算最大值和最小值 2.分区间计算最大值的和与最小值的和  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 24]  
需求：计算每个key的平均值 a:每个key的value的值 b：每个key出现的次数  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 25]

#### combineKeyBy ####

combineKeyBy
       1.分区内聚合和分区间的聚合逻辑不一样
       2.零值不是写死的，零值是根据碰到的每个key的一个value来动态生成

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 26]  
需求：求key的和  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 27]  
需求：每个key在每个分区内的最大值，然后再求出这些最大值的和  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 28]  
简化版

val result = rdd.combineByKey(
        +_,
         (_:Int).max(_:Int),
         (_:Int)+(_:Int)
       )

需求：每个key的平均值  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 29]

#### sortByKey ####

sortByKey
         1.用来排序
         2.只能用来排序kv形式的RDD
         3.这个用的比较少
         4.sortBy 这个用的比较多
         5.即使有很大的数据，也不会出现oom，所以，排序的时候尽量用spark的排序
    ，避免使用scala的排序

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 30]

#### cogroup ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 31]

#### join ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 32]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center]: /images/20221124/5a49b66d27c44992b4da6f94d457df28.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221124/1daad758208f47d8aa34f5d4a9d86abb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70]: /images/20221124/98a9a2856dbc463ca717ad80d7e386b2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221124/40f6fd0b851e4781abb96e0a06a141cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 3]: /images/20221124/b8c2577d505b41199968f857a2b01ef8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 4]: /images/20221124/58eb4fd79f25450faabb3a02cf7e8611.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 5]: /images/20221124/5ae60452f8ff400ca63c2c04245ffe93.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 6]: /images/20221124/690ea929406c48049da2df8f87bc49f9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 7]: /images/20221124/a33b878d4fdb49fc917139659ac7e6e8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 8]: /images/20221124/a2560b80f92143c9a9dee19a57e459d8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 9]: /images/20221124/3c31ddae28ba48d2b4b9cf0c170e9bef.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 10]: /images/20221124/8f65bc63190142f9be6872bbad8e6b1c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 11]: /images/20221124/dc81fe67286c499f822ef94d7bd2d82c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 12]: /images/20221124/0b60aca9410543d6a2067700e1a5917b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 13]: /images/20221124/ef342fc40223440db6c6b8015dcba787.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 14]: /images/20221124/c3897b982c2541b7838daaaa7ba7b64d.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 15]: /images/20221124/46b8fa3480f440c087e02d77caed6c26.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 16]: /images/20221124/ec29489aaf614a6fbb1826e5b3ff2cd7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 17]: /images/20221124/5b5c7a2df9a6415eb36908b9719285f3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 18]: /images/20221124/0a9dbb02ccf14f1881bb60fdeb0a5f99.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 19]: /images/20221124/cf3feb335c9a4cf6926a86b9e716146a.png
[https_blog.csdn.net_qq_46548855_article_details_108030239]: https://blog.csdn.net/qq_46548855/article/details/108030239
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 20]: /images/20221124/936c07dd1f1d424895a2646c62555403.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 21]: /images/20221124/9836660a7e9247d2a6ba09bfc636c8fe.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 22]: /images/20221124/70d7bc642c464d8f81526de358700d93.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 23]: /images/20221124/87cc4c5b5c9d401aaaf9f658fda77427.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 24]: /images/20221124/da8334901fe0474996544c86f2780fc7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 25]: /images/20221124/935f1e481bf8401da485de220546ccae.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 26]: /images/20221124/bfd2e1cb90df422fa84584d954d2abf8.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 27]: /images/20221124/6d4562840fde48759a5153cdfcf0c5b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 28]: /images/20221124/e8f5a50fad194ecb85aa71dcc1ed847b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 29]: /images/20221124/0318b7d89c4a4d4996baf96f3ee6dc98.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 30]: /images/20221124/b75748eecc50467b86376005137a00f2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 31]: /images/20221124/9cf248192e694cb58e9b9c252c47c702.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ2NTQ4ODU1_size_16_color_FFFFFF_t_70_pic_center 32]: /images/20221124/764613e7aef248b99eaf86a8e2c26bbe.png