好程序員分享大數(shù)據(jù)的架構(gòu)體系：

讓客戶滿意是我們工作的目標(biāo)，不斷超越客戶的期望值來自于我們對(duì)這個(gè)行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡(jiǎn)單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價(jià)值的長(zhǎng)期合作伙伴，公司提供的服務(wù)項(xiàng)目有：申請(qǐng)域名、虛擬空間、營銷軟件、網(wǎng)站建設(shè)、慶云網(wǎng)站維護(hù)、網(wǎng)站推廣。

????????????flume采集數(shù)據(jù)

????????????MapReduce

????????????HBse (HDFS)

????????????Yarn ??資源調(diào)度系統(tǒng)

??展示平臺(tái) 數(shù)據(jù)平臺(tái)

????????????1，提交任務(wù)

????????????2，展示結(jié)果數(shù)據(jù)

??spark 分析引擎 ?S3 ??可以進(jìn)行各種的數(shù)據(jù)分析 ， 可可以和hive進(jìn)行整合 ，spark任務(wù)可以運(yùn)行在Yarn

?

提交任務(wù)到集群的入口類 ???SC

?

為什么用spark ： ??速度快，易用，通用，兼容性高

?

hadoop

scala

jdk

spark

?

如果結(jié)果為定長(zhǎng)的 ?toBuffer編程變長(zhǎng)的

?

啟動(dòng)流程

?

spark集群?jiǎn)?dòng)流程 ?和任務(wù)提交

?

主節(jié)點(diǎn) master

子節(jié)點(diǎn)work ??多臺(tái)

start-all。sh腳本 先啟動(dòng)master服務(wù) ?????啟動(dòng)work

master ?提交注冊(cè)信息 ??work響應(yīng) ??work會(huì)定時(shí)發(fā)送心跳信息

?

?

集群?jiǎn)?dòng)流程

??????1、調(diào)用start-all腳本 ??，開始啟動(dòng)Master

??????2、master啟動(dòng)以后，preStart方法調(diào)用了一個(gè)定時(shí)器，定時(shí)的檢查超時(shí)的worker

??????3、啟動(dòng)腳本會(huì)解析slaves配置文件，找到啟動(dòng)work的相應(yīng)節(jié)點(diǎn)，開始啟動(dòng)worker

??????4、worker服務(wù)啟動(dòng)后開始調(diào)用prestart方法（生命周期方法）開始向所有的master注冊(cè)

??????5、master接收到work發(fā)送過來的注冊(cè)信息，master開始保存注冊(cè)信息并把自己的URL響應(yīng)給worker

??????6、worker接收到master的URL后并更新，開始掉用一個(gè)定時(shí)器，定時(shí)的向master發(fā)送心跳信息

?

?

任務(wù)提交流程

?

將任務(wù)rdd通過客戶端submit提交給Master ?的管道 （隊(duì)列：先進(jìn)先出）

??????????????????????worker啟動(dòng)Executor子進(jìn)程 ??來從master拿取任務(wù)信息

??????????????????????Executor ?向客戶端Driver端注冊(cè)

?????????????????????????客戶端收到注冊(cè)信息 ?客戶端就會(huì)將任務(wù)給 Executor進(jìn)行人物計(jì)算

?

任務(wù)提交流程

????????1、首先Driver端會(huì)通過spark-submit腳本啟動(dòng)sparkSubmint進(jìn)程，此時(shí)開始創(chuàng)建重要的對(duì)象（SparkContext），啟動(dòng)后開始向Master發(fā)送信息開始通信

????????2、Master接收到發(fā)送過來的信息后，開始生成任務(wù)信息，并把任務(wù)信息放到隊(duì)列中

????????3、master開始把所有有效的worker過濾出來并進(jìn)行排序，按照空閑的資源進(jìn)行排序

????????4、Master開始向有效的worker通知拿取任務(wù)信息，并啟動(dòng)相應(yīng)的Executor

????????5、worker啟動(dòng)Executor，并向Driver反向注冊(cè)

????????6、Driver開始把生成的task發(fā)送給相應(yīng)的Executor，Executor

?

?

WordCount中產(chǎn)生的RDD

?

hdfs上有三個(gè)文件 ?sc.textFile（“路徑”）方法 ?生成第一個(gè)RDD ?HadoopRDD ???第二個(gè)RDD ?MapPartitionsRDD ?flatMap(_.split()"")生成 第三個(gè)RDD ?MapPartitionsRDD

????????????????????????????????map((_,1))生成第四個(gè)RDD ?MapPartitionsRDD ???reduceByKey ?生成第五個(gè)ShuffledRDD ?????saveAsTextFile ?生成第六個(gè)RDD MapPartitionsRDD

?

.toDebugString ?可以看出RDD

?

分區(qū)

Partition ?后跟分區(qū) ?分區(qū)本身不會(huì)改變 ?會(huì)生成以一個(gè)新的RDD分區(qū)為修改后 ?因?yàn)閞dd本身不可變 ??修改后大于原本分區(qū)的會(huì)發(fā)生shullfer ?小于的不會(huì)發(fā)生

?

coalesce ???后跟分區(qū)少于原來的分區(qū)則會(huì)改變 ?因?yàn)椴粫?huì)發(fā)生shuffle ?大于時(shí)則不可改變

?

PartitionBy ?后跟新的分區(qū)器new ?全名稱的分區(qū)器org.apache.spark.hparPartition

?

客戶端提交Job任務(wù)信息給Master

Master生成任務(wù)信息master生成任務(wù)信息描述任務(wù)的數(shù)據(jù) ??通知work創(chuàng)建相應(yīng)的Executor

??????客戶端將job信息給work ?work讓Executor進(jìn)行計(jì)算數(shù)據(jù)

?

object Demo {

??def main(args: Array[String]): Unit = {

?

//SparkConf:構(gòu)架配置信息類,優(yōu)先于集群配置文件

//setAppName:指定應(yīng)用程序名稱，如果不指定，會(huì)自動(dòng)生成類似于uuid產(chǎn)生的名稱

//setMaster:指定運(yùn)行模式：local[1]-用一個(gè)線程模擬集群運(yùn)行，local[2] -用兩個(gè)集群模擬線程集群運(yùn)行,local[*] -有多少線程就用多少線程運(yùn)行

?

????val conf= new SparkConf().setAppName("") ???// setAppName起名稱 ?setMaster ?在哪里運(yùn)行 ?是本地還是 ?[]是調(diào)用多少線程來運(yùn)行

?.setMaster("local[2]") //在打包上傳集群時(shí) ?不需要這一步直接刪除或是注釋掉

//創(chuàng)建提交任務(wù)到集群的入口類（上下文對(duì)象）

??????val sc = ?new SparkContext(conf)

//獲取hdfs的數(shù)據(jù)

val lines = sc.textFile("hdfs://suansn:9000/wc")

val words= lines.flatMap(_.split(" ")) // 切分后生成單詞

val tuples=words.map((_,1)) ??//將單詞生成一個(gè)元組

val ?sum= tuples.reduceBykey(_+_) ?// 進(jìn)行聚合

val PX = sum.sortBy(_._2,false) ?// 倒敘拍尋

print(PX.collect.toBuffer) // 打印至控制臺(tái) ??在打包上傳集群時(shí) ?不需要這一步直接刪除或是注釋掉

?

PX.saveAsTextFile("hdfs://suansn:9000/ssss")

sc.stop ????//釋放資源

?

?

?

??}

?

}

?

?

RDD ????提供的方法 ?叫做算子

?

RDD ?數(shù)據(jù)集 數(shù)據(jù)的抽象 ?是一種類型，提供方法處理數(shù)據(jù) ???分布式 ?僅僅是指向數(shù)據(jù) ， ??不可變 如果想要其他的操作 就在另外定義一個(gè)RDD。 可分區(qū) ??如果一個(gè)文件 小于128M ?就是一個(gè)分區(qū) 如果大于將根據(jù)大小來分區(qū)

?

一組分片 ??一個(gè)計(jì)算每個(gè)分區(qū)的函數(shù) ??RDD之間的依賴關(guān)系 ??一個(gè)Partitioner，即RDD的分片函數(shù)。 ??一個(gè)列表，存儲(chǔ)存取每個(gè)Partition的優(yōu)先位置（preferred location）。

?

?

RDD ?有兩種類型 ?????一個(gè)算子對(duì)應(yīng)一個(gè)Action的job

??????1 、Transformation ?轉(zhuǎn)換的類型 ???延遲加載 ??只是記錄計(jì)算過程 并不執(zhí)行 ????只有調(diào)用 ?Action類型的算子后 ?觸發(fā)job生成計(jì)算

??????????????????????如果沒有Transformation 算子 ?而全是Action算子 ?就無法優(yōu)化 ?集群一直處于繁忙狀態(tài)。

?

??????2、Action

?sc.parallelize 并行方法創(chuàng)建RDD

?

?

?val rdd1 = sc.parallelize(List(3,4,6,5,8,7,9,2,1),2)

?

???每個(gè)數(shù)據(jù)乘10

?val rdd2 = rdd1.map(_*10)

?? ? ?Array[Int] = Array(30, 40, 60, 50, 80, 70, 90, 20, 10)

?

?

利用分區(qū)計(jì)算 ?mapPartitions

?

val rdd2= rdd1.mapPartitions(_.map(_*10)) ????//map前_ ?表示每個(gè)分區(qū)的數(shù)據(jù) ?封裝到Iterator

Array[Int] = Array(30, 40, 60, 50, 80, 70, 90, 20, 10)

?

mapWith ???????//map的變異 ?也可將元素?cái)?shù)據(jù)遍歷出來 ?將分區(qū)號(hào)作為輸入 返回到A類型作為輸出

(constructA: Int => A)(f: (T, A) => RDD[U])

參數(shù)列表：(constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => U) ???// Int => A 操作的每個(gè)分區(qū)的分區(qū)號(hào)，preservesPartitioning: Boolean = false ?是否記錄rdd的分區(qū)信息 ? ?(T, A) ??T時(shí)rdd中的元素

// 實(shí)現(xiàn)了柯里化的步驟 ?兩個(gè)A的傳入

?

rdd1.mapWith(i => i*10)((a, b) => b+2).collect ???//分區(qū)號(hào)i ?乘以10 ??B接收A時(shí)RDD的元素

Array[Int] = Array(2,2,2,2,12,12,12,12,12)

?

?

flatMapWith ??//分區(qū)排序

?

?

?(constructA: Int => A)(f: (T, A) => Seq[U])

參數(shù)列表：(constructA: Int => A, preservesPartitioning: Boolean = false)(f: (T, A) => Seq[U])

rdd1.flatMapWith(i => i, true)((x, y) => List((y, x))).collect ?// i為分區(qū)號(hào) ??原樣不懂輸出 ??true相當(dāng)于 允許記錄分區(qū)信息 ???Y為拿到的分區(qū)號(hào) ?X為RDD的元素

Array[（Int,Int)] = Array((0,3)(0,4)(0,6)(0,5)(1,8)(1,7)(1,9)(1,2)(1,1))

?

mapPartitions ??f: Iterator[T] => Iterator[U]

rdd1.mapPartitions(_.toList.reverse.iterator).collect ???// ?每個(gè)分區(qū)顛倒排列

?

Array[Int] = Array(5, 6, 4, 3, 1, 2, 9, 7, 8)

?

mapPartitionsWithIndex ??????????循環(huán)分區(qū)并可以操作分區(qū)號(hào)

參數(shù)列表：(f: (Int, Iterator[T]) => Iterator[U], preservesPartitioning: Boolean = false) ?????//Iterator[(Int) ?分區(qū)信息 ??index: Int ?分區(qū)號(hào)

val func = (index: Int, iter: Iterator[(Int)]) => {

??iter.toList.map(x => "[partID:" + ?index + ", val: " + x + "]").iterator

}

val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)

rdd1.mapPartitionsWithIndex(func).collect

?Array[String] = Array([partID:0, val: 1], [partID:0, val: 2], [partID:0, val: 3], [partID:0, val: 4], [partID:1, val: 5], [partID:1, val: 6], [partID:1, val: 7], [partID:1, val: 8], [partID:1, val: 9])

?

aggregate ???// ?聚合算子

(zeroValue: U)(seqOp: (U, T) => U, combOp: (U, U) => U): U

?

def func1(index: Int, iter: Iterator[(Int)]) : Iterator[String] = {

??iter.toList.map(x => "[partID:" + ?index + ", val: " + x + "]").iterator

}

val rdd1 = sc.parallelize(List(1,2,3,4,5,6,7,8,9), 2)

rdd1.mapPartitionsWithIndex(func1).collect

Array[String] = Array([partID:0, val: 1], [partID:0, val: 2], [partID:0, val: 3], [partID:0, val: 4], [partID:1, val: 5], [partID:1, val: 6], [partID:1, val: 7], [partID:1, val: 8], [partID:1, val: 9])

?

?

rdd1.aggregate(0)(math.max(_, _), _ + _) ???// 循環(huán)時(shí) ?第一個(gè)_拿到的時(shí)初始值0 ?第二個(gè)_拿到的0分區(qū)第一個(gè)元素 ?然后判斷最大值 ?依次類推 ????局部聚合完，最后全局聚合時(shí) ??初始值+第0分區(qū)的最大值。第1分區(qū)的最大值

Int=13

rdd1.aggregate(5)(math.max(_, _), _ + _) ??//原理和上面的相同不過初始值時(shí)5 ??這樣得到的第0分區(qū)的最大值就是 初始值 ?5 ?第1分區(qū)的最大值還是9 ???最后的全局聚合時(shí) ?就是5 + 5+9

Int=19

?

val rdd2 = sc.parallelize(List("a","b","c","d","e","f"),2)

def func2(index: Int, iter: Iterator[(String)]) : Iterator[String] = {

??iter.toList.map(x => "[partID:" + ?index + ", val: " + x + "]").iterator

}

rdd2.mapPartitionsWithIndex(func2).collect

Array[String] = Array([partID:0, val: a], [partID:0, val: b], [partID:0, val: c], [partID:1, val: d], [partID:1, val: e], [partID:1, val: f])

?

?

rdd2.aggregate("")(_ + _, _ + _) ?//全局聚合和局部聚合 ???都屬于字符串拼接 ??初始值為空

String = abcdef ??String = defabc ?//因?yàn)椴淮_定那個(gè)分區(qū)先完成任務(wù)所以 會(huì)出現(xiàn)兩種結(jié)果

rdd2.aggregate("=")(_ + _, _ + _)

String = ==abc=def

?

val rdd3 = sc.parallelize(List("12","23","345","4567"),2)

rdd3.aggregate("")((x,y) => math.max(x.length, y.length).toString, (x,y) => x + y) // 取每個(gè)字符串的長(zhǎng)度 ??第一次與初始值 比較 而后用第二個(gè)數(shù)據(jù)的長(zhǎng)度與上一次比較后的長(zhǎng)度相比較， ??最后全局聚合時(shí) 兩個(gè)分區(qū)最長(zhǎng)的字符串和初始值相加

String = 24 ?String = 42

val rdd4 = sc.parallelize(List("12","23","345",""),2)

rdd4.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y) ?// ?運(yùn)算方法與上面的相同 這個(gè)求的字符串是最短的 因?yàn)樵诘诙€(gè)分區(qū)內(nèi)有個(gè)空數(shù)據(jù)字符串為0 ??第一個(gè)分區(qū)的因?yàn)槌跏贾狄矠榭?所以為空 ??tostring后第一次的變?yōu)樽址?長(zhǎng)度為1全局后為10

?String = 10

val rdd5 = sc.parallelize(List("12","23","","345"),2)

rdd5.aggregate("")((x,y) => math.min(x.length, y.length).toString, (x,y) => x + y) 與上面相同

String = 11

?

aggregateByKey ??通過相同的key進(jìn)行聚合

(zeroValue: U, partitioner: Partitioner)(seqOp: (U, V) => U, combOp: (U, U) => U): RDD[(K, U)

//Partitioner ?分區(qū)器

val pairRDD = sc.parallelize(List(("mouse", 2),("cat",2), ("cat", 5), ("mouse", 4),("cat", 12), ("dog", 12)), 2)

def func2(index: Int, iter: Iterator[(String, Int)]) : Iterator[String] = {

??iter.toList.map(x => "[partID:" + ?index + ", val: " + x + "]").iterator

??}

pairRDD.mapPartitionsWithIndex(func2).collect

??// ???????全局聚合時(shí) 不會(huì)加 初始值

????pairRDD.aggregateByKey(0)(math.max(_, _), _ + _).collect ?// 相同的key的value值進(jìn)行操作

??pairRDD.aggregateByKey(100)(math.max(_, _), _ + _).collect

?

??combineByKey ??// 聚合的算子

??????(createCombiner: V => C, mergeValue: (C, V) => C, mergeCombiners: (C, C) => C)

??val rdd1 = sc.textFile("hdfs://node01:9000/wc").flatMap(_.split(" ")).map((_, 1))

val rdd2 = rdd1.combineByKey(x => x, (a: Int, b: Int) => a + b, (m: Int, n: Int) => m + n)

??rdd2.collect

?

??val rdd3 = rdd1.combineByKey(x => x + 10, (a: Int, b: Int) => a + b, (m: Int, n: Int) => m + n)

rdd.collect

?

?

??val rdd4 = sc.parallelize(List("dog","cat","gnu","salmon","rabbit","turkey","wolf","bear","bee"), 3)

??val rdd5 = sc.parallelize(List(1,1,2,2,2,1,2,2,2), 3)

??val rdd6 = rdd5.zip(rdd4)

??val rdd7 = rdd6.combineByKey(List(_), (x: List[String], y: String) => x :+ y, (m: List[String], n: List[String]) => m

?

??countByKey

?

??val rdd1 = sc.parallelize(List(("a", 1), ("b", 2), ("b", 2), ("c", 2), ("c", 1)))

??rdd1.countByKey ??//相同key的value的個(gè)數(shù)

??rdd1.countByValue // 把整個(gè)rdd看成Value

?

?

??filterByRange ?//給定范圍 ?求

?

??val rdd1 = sc.parallelize(List(("e", 5), ("c", 3), ("d", 4), ("c", 2), ("a", 1)))

??val rdd2 = rdd1.filterByRange("c", "d")

??rdd2.collect

?

?

??flatMapValues

??val rdd3 = sc.parallelize(List(("a", "1 2"), ("b", "3 4")))

??rdd3.flatMapValues(_.split(" "))

?

?

??foldByKey

?

??val rdd1 = sc.parallelize(List("dog", "wolf", "cat", "bear"), 2)

??val rdd2 = rdd1.map(x => (x.length, x))

??val rdd3 = rdd2.foldByKey("")(_+_)

?

??val rdd = sc.textFile("hdfs://node01:9000/wc").flatMap(_.split(" ")).map((_, 1))

??rdd.foldByKey(0)(_+_)

?

?

??foreachPartition ?//

??val rdd1 = sc.parallelize(List(1, 2, 3, 4, 5, 6, 7, 8, 9), 3)

??rdd1.foreachPartition(x => println(x.reduce(_ + _))) ?表示每個(gè)分區(qū)的數(shù)據(jù)的聚合值

?

?

??keyBy

??val rdd1 = sc.parallelize(List("dog", "salmon", "salmon", "rat", "elephant"), 3)

??val rdd2 = rdd1.keyBy(_.length) ??元素?cái)?shù)據(jù)的長(zhǎng)度生成為key元素?cái)?shù)據(jù)生成為value

??rdd2.collect

?

??keys values

??val rdd1 = sc.parallelize(List("dog", "tiger", "lion", "cat", "panther", "eagle"), 2)

??val rdd2 = rdd1.map(x => (x.length, x))

??rdd2.keys.collect

??rdd2.values.collect

?

?

??checkpoint

??sc.setCheckpointDir("hdfs://node01:9000/cp")

??val rdd = sc.textFile("hdfs://node01:9000/wc").flatMap(_.split(" ")).map((_, 1)).reduceByKey(_+_)

??rdd.checkpoint ??將checkpoint后的文件 準(zhǔn)備存儲(chǔ) ?還未存儲(chǔ) 沒有Action算子沒有運(yùn)行job

??rdd.isCheckpointed ?查看是否運(yùn)行checkpoint

??rdd.count ????隨便調(diào)動(dòng)Avtion的算子 提交job

??rdd.isCheckpointed

??rdd.getCheckpointFile ??查看checkpoint的文件存儲(chǔ)的位置

?

??repartition, coalesce, partitionBy

??val rdd1 = sc.parallelize(1 to 10, 3)

??val rdd2 = rdd1.coalesce(2, false)

??rdd2.partitions.length

?

??collectAsMap ??Array 轉(zhuǎn)換map（kv）對(duì)

??val rdd = sc.parallelize(List(("a", 1), ("b", 2)))

??rdd.collectAsMap

?

?

在一定時(shí)間范圍內(nèi)，求所有用戶在經(jīng)過所有基站停留時(shí)間最長(zhǎng)的TOP2

?

?

思路：獲取用戶產(chǎn)生的log日志并切分

??????用戶在基站停留的總時(shí)長(zhǎng)

??????過去基站的基礎(chǔ)信息

??????把經(jīng)緯度信息join到用戶數(shù)據(jù)中

??????求出用戶在某些基站停留的時(shí)長(zhǎng)的TOP2

?

?

??????object Demo ?{

????????def main(args: Array[String]): Unit = {

//模板代碼

val ??conf = new SparkConf()

.setAppName("ML")

.setMaster("local[2]")

val sc= new SparkContext(conf)

?

?

//獲取用戶訪問基站的log

val files=sc.textFile("地址")

//切分用戶的log

val userInfo=files.map(line=>{

val fields=line.split(",")

val phone = fields(0)//用戶手機(jī)號(hào)

val time = fields(1).toLong//時(shí)間戳

val lac = fields(2) //基站ID

val eventType = fields(3)//事件類型

val time_long = if(eventType.equals("1")) -time else time

?

?

((phone,lac),time_long)

})

?

//用戶在相同的基站停留的總時(shí)長(zhǎng)

val ?sumedUserAndTime ?= userInfo.reduceByKey(_+_)

?

//為了便于和基站基礎(chǔ)信息進(jìn)行Join需要把數(shù)據(jù)調(diào)整，把基站ID作為key

val lacAndPhoneAndTime sumedUserAndTime.map(tup =>{

?

val phone = tup._1._1 //用戶手機(jī)號(hào)

val lac= tup._1._2//基站的ID

val time = tup._2 //用戶在某個(gè)基站停留的總時(shí)長(zhǎng)

(lac,(phone,time))

})

?//獲取基站的基礎(chǔ)信息

?val lacInfo= sc.textFile("路徑")

//切分基站基礎(chǔ)數(shù)據(jù)

?val lacAndXY=lacInfo.map (line =>{

val fields = line.split(",")

val lac= fields(0)//基站ID

val x = files(1)//經(jīng)度

val y = fields(2)//緯度

?

(lac,(x,y))

?

?})

?

//把經(jīng)緯度信息join到用戶的訪問信息

val ?joined=lacAndPhoneAndTime join ?lacAndXY

?

//為了便于以后發(fā)呢組排序計(jì)算，需要整合數(shù)據(jù)

val phoneAndTimeAndXY=joined,map(tup=>{

val phone = tup._2._1._1//手機(jī)號(hào)

val lac = tup._1// ID

val time ?= tup._2._1._2

val xy = tup._2._2 //經(jīng)緯度

（phone,time,xy）

?

})

//按照用戶手機(jī)號(hào)進(jìn)行分組

val grouped=phoneAndTimeAndXY.groupBy(_._1)

//按照時(shí)長(zhǎng)進(jìn)行組內(nèi)排序

//val ?sorted = grouped.map(x => (x._,x._2.toList.sortBy(_._2).reverse))

val ?sorted = grouped.mapValues(_.toList.sortBy(_._2).reverse)

//整合數(shù)據(jù)

val filterede=sorted.map(tup =>{

val phone= tup._1

?

val list = tup._2

val filteredList=list.map(x =>{

?

val time ?= x._2

val xy = x._3

?

??List(time,xy)

})

?

?

(phone,filteredList)

?

})

?

?

?

val res = filterede.mapValues(_.take(2))

?

?

?

sc.stop()

????????}

?

??????}

網(wǎng)站標(biāo)題：好程序員分享大數(shù)據(jù)的架構(gòu)體系
本文網(wǎng)址：http://chinadenli.net/article36/ihjopg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供做網(wǎng)站、關(guān)鍵詞優(yōu)化、外貿(mào)建站、云服務(wù)器、定制開發(fā)、電子商務(wù)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)