Spark性能優(yōu)化的基礎(chǔ)是什么，針對這個問題，這篇文章詳細介紹了相對應(yīng)的分析和解答，希望可以幫助更多想解決這個問題的小伙伴找到更簡單易行的方法。

成都創(chuàng)新互聯(lián)公司自2013年創(chuàng)立以來，先為墊江等服務(wù)建站，墊江等地企業(yè)，進行企業(yè)商務(wù)咨詢服務(wù)。為墊江企業(yè)網(wǎng)站制作PC+手機+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。

前言

在大數(shù)據(jù)計算領(lǐng)域，Spark已經(jīng)成為了越來越流行、越來越受歡迎的計算平臺之一。Spark的功能涵蓋了大數(shù)據(jù)領(lǐng)域的離線批處理、SQL類處理、流式/實時計算、機器學習、圖計算等各種不同類型的計算操作，應(yīng)用范圍與前景非常廣泛。在美團?大眾點評，已經(jīng)有很多同學在各種項目中嘗試使用Spark。大多數(shù)同學（包括筆者在內(nèi)），最初開始嘗試使用Spark的原因很簡單，主要就是為了讓大數(shù)據(jù)計算作業(yè)的執(zhí)行速度更快、性能更高。

然而，通過Spark開發(fā)出高性能的大數(shù)據(jù)計算作業(yè)，并不是那么簡單的。如果沒有對Spark作業(yè)進行合理的調(diào)優(yōu)，Spark作業(yè)的執(zhí)行速度可能會很慢，這樣就完全體現(xiàn)不出Spark作為一種快速大數(shù)據(jù)計算引擎的優(yōu)勢來。因此，想要用好Spark，就必須對其進行合理的性能優(yōu)化。

Spark的性能調(diào)優(yōu)實際上是由很多部分組成的，不是調(diào)節(jié)幾個參數(shù)就可以立竿見影提升作業(yè)性能的。我們需要根據(jù)不同的業(yè)務(wù)場景以及數(shù)據(jù)情況，對Spark作業(yè)進行綜合性的分析，然后進行多個方面的調(diào)節(jié)和優(yōu)化，才能獲得最佳性能。

筆者根據(jù)之前的Spark作業(yè)開發(fā)經(jīng)驗以及實踐積累，總結(jié)出了一套Spark作業(yè)的性能優(yōu)化方案。整套方案主要分為開發(fā)調(diào)優(yōu)、資源調(diào)優(yōu)、數(shù)據(jù)傾斜調(diào)優(yōu)、shuffle調(diào)優(yōu)幾個部分。開發(fā)調(diào)優(yōu)和資源調(diào)優(yōu)是所有Spark作業(yè)都需要注意和遵循的一些基本原則，是高性能Spark作業(yè)的基礎(chǔ)；數(shù)據(jù)傾斜調(diào)優(yōu)，主要講解了一套完整的用來解決Spark作業(yè)數(shù)據(jù)傾斜的解決方案；shuffle調(diào)優(yōu)，面向的是對Spark的原理有較深層次掌握和研究的同學，主要講解了如何對Spark作業(yè)的shuffle運行過程以及細節(jié)進行調(diào)優(yōu)。

作為Spark性能優(yōu)化的基礎(chǔ)篇，小編主要講解開發(fā)調(diào)優(yōu)以及資源調(diào)優(yōu)。

調(diào)優(yōu)概述

Spark性能優(yōu)化的第一步，就是要在開發(fā)Spark作業(yè)的過程中注意和應(yīng)用一些性能優(yōu)化的基本原則。開發(fā)調(diào)優(yōu)，就是要讓大家了解以下一些Spark基本開發(fā)原則，包括：RDD lineage設(shè)計、算子的合理使用、特殊操作的優(yōu)化等。在開發(fā)過程中，時時刻刻都應(yīng)該注意以上原則，并將這些原則根據(jù)具體的業(yè)務(wù)以及實際的應(yīng)用場景，靈活地運用到自己的Spark作業(yè)中。

一個簡單的例子

// 需要對名為“hello.txt”的HDFS文件進行一次map操作，再進行一次reduce操作。也就是說，需要對一份數(shù)據(jù)執(zhí)行兩次算子操作。

// 錯誤的做法：對于同一份數(shù)據(jù)執(zhí)行多次算子操作時，創(chuàng)建多個RDD。
// 這里執(zhí)行了兩次textFile方法，針對同一個HDFS文件，創(chuàng)建了兩個RDD出來，然后分別對每個RDD都執(zhí)行了一個算子操作。
// 這種情況下，Spark需要從HDFS上兩次加載hello.txt文件的內(nèi)容，并創(chuàng)建兩個單獨的RDD；第二次加載HDFS文件以及創(chuàng)建RDD的性能開銷，很明顯是白白浪費掉的。
val rdd1 = sc.textFile("hdfs://192.168.0.1:9000/hello.txt")
rdd1.map(...)
val rdd2 = sc.textFile("hdfs://192.168.0.1:9000/hello.txt")
rdd2.reduce(...)

// 正確的用法：對于一份數(shù)據(jù)執(zhí)行多次算子操作時，只使用一個RDD。
// 這種寫法很明顯比上一種寫法要好多了，因為我們對于同一份數(shù)據(jù)只創(chuàng)建了一個RDD，然后對這一個RDD執(zhí)行了多次算子操作。
// 但是要注意到這里為止優(yōu)化還沒有結(jié)束，由于rdd1被執(zhí)行了兩次算子操作，第二次執(zhí)行reduce操作的時候，還會再次從源頭處重新計算一次rdd1的數(shù)據(jù)，因此還是會有重復計算的性能開銷。
// 要徹底解決這個問題，必須結(jié)合“原則三：對多次使用的RDD進行持久化”，才能保證一個RDD被多次使用時只被計算一次。
val rdd1 = sc.textFile("hdfs://192.168.0.1:9000/hello.txt")
rdd1.map(...)
rdd1.reduce(...)

一個簡單的例子

// 錯誤的做法。

// 有一個<Long, String>格式的RDD，即rdd1。
// 接著由于業(yè)務(wù)需要，對rdd1執(zhí)行了一個map操作，創(chuàng)建了一個rdd2，而rdd2中的數(shù)據(jù)僅僅是rdd1中的value值而已，也就是說，rdd2是rdd1的子集。
JavaPairRDD<Long, String> rdd1 = ...
JavaRDD<String> rdd2 = rdd1.map(...)

// 分別對rdd1和rdd2執(zhí)行了不同的算子操作。
rdd1.reduceByKey(...)
rdd2.map(...)

// 正確的做法。

// 上面這個case中，其實rdd1和rdd2的區(qū)別無非就是數(shù)據(jù)格式不同而已，rdd2的數(shù)據(jù)完全就是rdd1的子集而已，卻創(chuàng)建了兩個rdd，并對兩個rdd都執(zhí)行了一次算子操作。
// 此時會因為對rdd1執(zhí)行map算子來創(chuàng)建rdd2，而多執(zhí)行一次算子操作，進而增加性能開銷。

// 其實在這種情況下完全可以復用同一個RDD。
// 我們可以使用rdd1，既做reduceByKey操作，也做map操作。
// 在進行第二個map操作時，只使用每個數(shù)據(jù)的tuple._2，也就是rdd1中的value值，即可。
JavaPairRDD<Long, String> rdd1 = ...
rdd1.reduceByKey(...)
rdd1.map(tuple._2...)

// 第二種方式相較于第一種方式而言，很明顯減少了一次rdd2的計算開銷。
// 但是到這里為止，優(yōu)化還沒有結(jié)束，對rdd1我們還是執(zhí)行了兩次算子操作，rdd1實際上還是會被計算兩次。
// 因此還需要配合“原則三：對多次使用的RDD進行持久化”進行使用，才能保證一個RDD被多次使用時只被計算一次。

對多次使用的RDD進行持久化的代碼示例

// 如果要對一個RDD進行持久化，只要對這個RDD調(diào)用cache()和persist()即可。

// 正確的做法。
// cache()方法表示：使用非序列化的方式將RDD中的數(shù)據(jù)全部嘗試持久化到內(nèi)存中。
// 此時再對rdd1執(zhí)行兩次算子操作時，只有在第一次執(zhí)行map算子時，才會將這個rdd1從源頭處計算一次。
// 第二次執(zhí)行reduce算子時，就會直接從內(nèi)存中提取數(shù)據(jù)進行計算，不會重復計算一個rdd。
val rdd1 = sc.textFile("hdfs://192.168.0.1:9000/hello.txt").cache()
rdd1.map(...)
rdd1.reduce(...)

// persist()方法表示：手動選擇持久化級別，并使用指定的方式進行持久化。
// 比如說，StorageLevel.MEMORY_AND_DISK_SER表示，內(nèi)存充足時優(yōu)先持久化到內(nèi)存中，內(nèi)存不充足時持久化到磁盤文件中。
// 而且其中的_SER后綴表示，使用序列化的方式來保存RDD數(shù)據(jù)，此時RDD中的每個partition都會序列化成一個大的字節(jié)數(shù)組，然后再持久化到內(nèi)存或磁盤中。
// 序列化的方式可以減少持久化的數(shù)據(jù)對內(nèi)存/磁盤的占用量，進而避免內(nèi)存被持久化數(shù)據(jù)占用過多，從而發(fā)生頻繁GC。
val rdd1 = sc.textFile("hdfs://192.168.0.1:9000/hello.txt").persist(StorageLevel.MEMORY_AND_DISK_SER)
rdd1.map(...)
rdd1.reduce(...)

對于persist()方法而言，我們可以根據(jù)不同的業(yè)務(wù)場景選擇不同的持久化級別。

持久化級別	含義解釋
MEMORY_ONLY	使用未序列化的Java對象格式，將數(shù)據(jù)保存在內(nèi)存中。如果內(nèi)存不夠存放所有的數(shù)據(jù)，則數(shù)據(jù)可能就不會進行持久化。那么下次對這個RDD執(zhí)行算子操作時，那些沒有被持久化的數(shù)據(jù)，需要從源頭處重新計算一遍。這是默認的持久化策略，使用cache()方法時，實際就是使用的這種持久化策略。
MEMORY_AND_DISK	使用未序列化的Java對象格式，優(yōu)先嘗試將數(shù)據(jù)保存在內(nèi)存中。如果內(nèi)存不夠存放所有的數(shù)據(jù)，會將數(shù)據(jù)寫入磁盤文件中，下次對這個RDD執(zhí)行算子時，持久化在磁盤文件中的數(shù)據(jù)會被讀取出來使用。
MEMORY_ONLY_SER	基本含義同MEMORY_ONLY。唯一的區(qū)別是，會將RDD中的數(shù)據(jù)進行序列化，RDD的每個partition會被序列化成一個字節(jié)數(shù)組。這種方式更加節(jié)省內(nèi)存，從而可以避免持久化的數(shù)據(jù)占用過多內(nèi)存導致頻繁GC。
MEMORY_AND_DISK_SER	基本含義同MEMORY_AND_DISK。唯一的區(qū)別是，會將RDD中的數(shù)據(jù)進行序列化，RDD的每個partition會被序列化成一個字節(jié)數(shù)組。這種方式更加節(jié)省內(nèi)存，從而可以避免持久化的數(shù)據(jù)占用過多內(nèi)存導致頻繁GC。
DISK_ONLY	使用未序列化的Java對象格式，將數(shù)據(jù)全部寫入磁盤文件中。
MEMORY_ONLY_2, MEMORY_AND_DISK_2, 等等.	對于上述任意一種持久化策略，如果加上后綴_2，代表的是將每個持久化的數(shù)據(jù)，都復制一份副本，并將副本保存到其他節(jié)點上。這種基于副本的持久化機制主要用于進行容錯。假如某個節(jié)點掛掉，節(jié)點的內(nèi)存或磁盤中的持久化數(shù)據(jù)丟失了，那么后續(xù)對RDD計算時還可以使用該數(shù)據(jù)在其他節(jié)點上的副本。如果沒有副本的話，就只能將這些數(shù)據(jù)從源頭處重新計算一遍了。

原則四：盡量避免使用shuffle類算子

如果有可能的話，要盡量避免使用shuffle類算子。因為Spark作業(yè)運行過程中，最消耗性能的地方就是shuffle過程。shuffle過程，簡單來說，就是將分布在集群中多個節(jié)點上的同一個key，拉取到同一個節(jié)點上，進行聚合或join等操作。比如reduceByKey、join等算子，都會觸發(fā)shuffle操作。

shuffle過程中，各個節(jié)點上的相同key都會先寫入本地磁盤文件中，然后其他節(jié)點需要通過網(wǎng)絡(luò)傳輸拉取各個節(jié)點上的磁盤文件中的相同key。而且相同key都拉取到同一個節(jié)點進行聚合操作時，還有可能會因為一個節(jié)點上處理的key過多，導致內(nèi)存不夠存放，進而溢寫到磁盤文件中。因此在shuffle過程中，可能會發(fā)生大量的磁盤文件讀寫的IO操作，以及數(shù)據(jù)的網(wǎng)絡(luò)傳輸操作。磁盤IO和網(wǎng)絡(luò)數(shù)據(jù)傳輸也是shuffle性能較差的主要原因。

因此在我們的開發(fā)過程中，能避免則盡可能避免使用reduceByKey、join、distinct、repartition等會進行shuffle的算子，盡量使用map類的非shuffle算子。這樣的話，沒有shuffle操作或者僅有較少shuffle操作的Spark作業(yè)，可以大大減少性能開銷。

原則五：使用map-side預(yù)聚合的shuffle操作

如果因為業(yè)務(wù)需要，一定要使用shuffle操作，無法用map類的算子來替代，那么盡量使用可以map-side預(yù)聚合的算子。

所謂的map-side預(yù)聚合，說的是在每個節(jié)點本地對相同的key進行一次聚合操作，類似于MapReduce中的本地combiner。map-side預(yù)聚合之后，每個節(jié)點本地就只會有一條相同的key，因為多條相同的key都被聚合起來了。其他節(jié)點在拉取所有節(jié)點上的相同key時，就會大大減少需要拉取的數(shù)據(jù)數(shù)量，從而也就減少了磁盤IO以及網(wǎng)絡(luò)傳輸開銷。通常來說，在可能的情況下，建議使用reduceByKey或者aggregateByKey算子來替代掉groupByKey算子。因為reduceByKey和aggregateByKey算子都會使用用戶自定義的函數(shù)對每個節(jié)點本地的相同key進行預(yù)聚合。而groupByKey算子是不會進行預(yù)聚合的，全量的數(shù)據(jù)會在集群的各個節(jié)點之間分發(fā)和傳輸，性能相對來說比較差。

比如如下兩幅圖，就是典型的例子，分別基于reduceByKey和groupByKey進行單詞計數(shù)。其中第一張圖是groupByKey的原理圖，可以看到，沒有進行任何本地聚合時，所有數(shù)據(jù)都會在集群節(jié)點之間傳輸；第二張圖是reduceByKey的原理圖，可以看到，每個節(jié)點本地的相同key數(shù)據(jù)，都進行了預(yù)聚合，然后才傳輸?shù)狡渌?jié)點上進行全局聚合。

使用reduceByKey/aggregateByKey替代groupByKey

詳情見“原則五：使用map-side預(yù)聚合的shuffle操作”。

使用foreachPartitions替代foreach

原理類似于“使用mapPartitions替代map”，也是一次函數(shù)調(diào)用處理一個partition的所有數(shù)據(jù)，而不是一次函數(shù)調(diào)用處理一條數(shù)據(jù)。在實踐中發(fā)現(xiàn)，foreachPartitions類的算子，對性能的提升還是很有幫助的。比如在foreach函數(shù)中，將RDD中所有數(shù)據(jù)寫MySQL，那么如果是普通的foreach算子，就會一條數(shù)據(jù)一條數(shù)據(jù)地寫，每次函數(shù)調(diào)用可能就會創(chuàng)建一個數(shù)據(jù)庫連接，此時就勢必會頻繁地創(chuàng)建和銷毀數(shù)據(jù)庫連接，性能是非常低下；但是如果用foreachPartitions算子一次性處理一個partition的數(shù)據(jù)，那么對于每個partition，只要創(chuàng)建一個數(shù)據(jù)庫連接即可，然后執(zhí)行批量插入操作，此時性能是比較高的。實踐中發(fā)現(xiàn)，對于1萬條左右的數(shù)據(jù)量寫MySQL，性能可以提升30%以上。

使用repartitionAndSortWithinPartitions替代repartition與sort類操作

repartitionAndSortWithinPartitions是Spark官網(wǎng)推薦的一個算子，官方建議，如果需要在repartition重分區(qū)之后，還要進行排序，建議直接使用repartitionAndSortWithinPartitions算子。因為該算子可以一邊進行重分區(qū)的shuffle操作，一邊進行排序。shuffle與sort兩個操作同時進行，比先shuffle再sort來說，性能可能是要高的。

廣播大變量的代碼示例

// 以下代碼在算子函數(shù)中，使用了外部的變量。
// 此時沒有做任何特殊操作，每個task都會有一份list1的副本。
val list1 = ...
rdd1.map(list1...)

// 以下代碼將list1封裝成了Broadcast類型的廣播變量。
// 在算子函數(shù)中，使用廣播變量時，首先會判斷當前task所在Executor內(nèi)存中，是否有變量副本。
// 如果有則直接使用；如果沒有則從Driver或者其他Executor節(jié)點上遠程拉取一份放到本地Executor內(nèi)存中。
// 每個Executor內(nèi)存中，就只會駐留一份廣播變量副本。
val list1 = ...
val list1Broadcast = sc.broadcast(list1)
rdd1.map(list1Broadcast...)

原則九：優(yōu)化數(shù)據(jù)結(jié)構(gòu)

Java中，有三種類型比較耗費內(nèi)存：

• 對象，每個Java對象都有對象頭、引用等額外的信息，因此比較占用內(nèi)存空間。

• 字符串，每個字符串內(nèi)部都有一個字符數(shù)組以及長度等額外信息。

• 集合類型，比如HashMap、LinkedList等，因為集合類型內(nèi)部通常會使用一些內(nèi)部類來封裝集合元素，比如Map.Entry。

因此Spark官方建議，在Spark編碼實現(xiàn)中，特別是對于算子函數(shù)中的代碼，盡量不要使用上述三種數(shù)據(jù)結(jié)構(gòu)，盡量使用字符串替代對象，使用原始類型（比如Int、Long）替代字符串，使用數(shù)組替代集合類型，這樣盡可能地減少內(nèi)存占用，從而降低GC頻率，提升性能。

但是在筆者的編碼實踐中發(fā)現(xiàn)，要做到該原則其實并不容易。因為我們同時要考慮到代碼的可維護性，如果一個代碼中，完全沒有任何對象抽象，全部是字符串拼接的方式，那么對于后續(xù)的代碼維護和修改，無疑是一場巨大的災(zāi)難。同理，如果所有操作都基于數(shù)組實現(xiàn)，而不使用HashMap、LinkedList等集合類型，那么對于我們的編碼難度以及代碼可維護性，也是一個極大的挑戰(zhàn)。因此筆者建議，在可能以及合適的情況下，使用占用內(nèi)存較少的數(shù)據(jù)結(jié)構(gòu)，但是前提是要保證代碼的可維護性。

調(diào)優(yōu)概述

在開發(fā)完Spark作業(yè)之后，就該為作業(yè)配置合適的資源了。Spark的資源參數(shù)，基本都可以在spark-submit命令中作為參數(shù)設(shè)置。很多Spark初學者，通常不知道該設(shè)置哪些必要的參數(shù)，以及如何設(shè)置這些參數(shù)，最后就只能胡亂設(shè)置，甚至壓根兒不設(shè)置。資源參數(shù)設(shè)置的不合理，可能會導致沒有充分利用集群資源，作業(yè)運行會極其緩慢；或者設(shè)置的資源過大，隊列沒有足夠的資源來提供，進而導致各種異常。總之，無論是哪種情況，都會導致Spark作業(yè)的運行效率低下，甚至根本無法運行。因此我們必須對Spark作業(yè)的資源使用原理有一個清晰的認識，并知道在Spark作業(yè)運行過程中，有哪些資源參數(shù)是可以設(shè)置的，以及如何設(shè)置合適的參數(shù)值。

資源參數(shù)調(diào)優(yōu)

了解完了Spark作業(yè)運行的基本原理之后，對資源相關(guān)的參數(shù)就容易理解了。所謂的Spark資源參數(shù)調(diào)優(yōu)，其實主要就是對Spark運行過程中各個使用資源的地方，通過調(diào)節(jié)各種參數(shù)，來優(yōu)化資源使用的效率，從而提升Spark作業(yè)的執(zhí)行性能。以下參數(shù)就是Spark中主要的資源參數(shù)，每個參數(shù)都對應(yīng)著作業(yè)運行原理中的某個部分，我們同時也給出了一個調(diào)優(yōu)的參考值。

executor-memory

• 參數(shù)說明：該參數(shù)用于設(shè)置每個Executor進程的內(nèi)存。Executor內(nèi)存的大小，很多時候直接決定了Spark作業(yè)的性能，而且跟常見的JVM OOM異常，也有直接的關(guān)聯(lián)。

• 參數(shù)調(diào)優(yōu)建議：每個Executor進程的內(nèi)存設(shè)置4G~8G較為合適。但是這只是一個參考值，具體的設(shè)置還是得根據(jù)不同部門的資源隊列來定。可以看看自己團隊的資源隊列的大內(nèi)存限制是多少，num-executors乘以executor-memory，是不能超過隊列的大內(nèi)存量的。此外，如果你是跟團隊里其他人共享這個資源隊列，那么申請的內(nèi)存量最好不要超過資源隊列大總內(nèi)存的1/3~1/2，避免你自己的Spark作業(yè)占用了隊列所有的資源，導致別的同學的作業(yè)無法運行。

driver-memory

• 參數(shù)說明：該參數(shù)用于設(shè)置Driver進程的內(nèi)存。

• 參數(shù)調(diào)優(yōu)建議：Driver的內(nèi)存通常來說不設(shè)置，或者設(shè)置1G左右應(yīng)該就夠了。唯一需要注意的一點是，如果需要使用collect算子將RDD的數(shù)據(jù)全部拉取到Driver上進行處理，那么必須確保Driver的內(nèi)存足夠大，否則會出現(xiàn)OOM內(nèi)存溢出的問題。

spark.storage.memoryFraction

• 參數(shù)說明：該參數(shù)用于設(shè)置RDD持久化數(shù)據(jù)在Executor內(nèi)存中能占的比例，默認是0.6。也就是說，默認Executor 60%的內(nèi)存，可以用來保存持久化的RDD數(shù)據(jù)。根據(jù)你選擇的不同的持久化策略，如果內(nèi)存不夠時，可能數(shù)據(jù)就不會持久化，或者數(shù)據(jù)會寫入磁盤。

• 參數(shù)調(diào)優(yōu)建議：如果Spark作業(yè)中，有較多的RDD持久化操作，該參數(shù)的值可以適當提高一些，保證持久化的數(shù)據(jù)能夠容納在內(nèi)存中。避免內(nèi)存不夠緩存所有的數(shù)據(jù)，導致數(shù)據(jù)只能寫入磁盤中，降低了性能。但是如果Spark作業(yè)中的shuffle類操作比較多，而持久化操作比較少，那么這個參數(shù)的值適當降低一些比較合適。此外，如果發(fā)現(xiàn)作業(yè)由于頻繁的gc導致運行緩慢（通過spark web ui可以觀察到作業(yè)的gc耗時），意味著task執(zhí)行用戶代碼的內(nèi)存不夠用，那么同樣建議調(diào)低這個參數(shù)的值。

資源參數(shù)參考示例

以下是一份spark-submit命令的示例，大家可以參考一下，并根據(jù)自己的實際情況進行調(diào)節(jié)：

./bin/spark-submit \
  --master yarn-cluster \
  --num-executors 100 \
  --executor-memory 6G \
  --executor-cores 4 \
  --driver-memory 1G \
  --conf spark.default.parallelism=1000 \
  --conf spark.storage.memoryFraction=0.5 \
  --conf spark.shuffle.memoryFraction=0.3 \

<h2 id="-" white-space:normal;"> 

關(guān)于Spark性能優(yōu)化的基礎(chǔ)是什么問題的解答就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，如果你還有很多疑惑沒有解開，可以關(guān)注創(chuàng)新互聯(lián)-成都網(wǎng)站建設(shè)公司行業(yè)資訊頻道了解更多相關(guān)知識。

網(wǎng)頁名稱：Spark性能優(yōu)化的基礎(chǔ)是什么-創(chuàng)新互聯(lián)
鏈接分享：http://chinadenli.net/article6/hjgog.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站設(shè)計、品牌網(wǎng)站制作、全網(wǎng)營銷推廣、電子商務(wù)、網(wǎng)站內(nèi)鏈、定制網(wǎng)站

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)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(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)載時需注明來源： 創(chuàng)新互聯(lián)