大數(shù)據(jù)分析技術與實戰(zhàn)之SparkStreaming-創(chuàng)新互聯(lián)

Spark是基于內(nèi)存的大數(shù)據(jù)綜合處理引擎，具有優(yōu)秀的作業(yè)調(diào)度機制和快速的分布式計算能力，使其能夠更加高效地進行迭代計算，因此Spark能夠在一定程度上實現(xiàn)大數(shù)據(jù)的流式處理。
隨著信息技術的迅猛發(fā)展，數(shù)據(jù)量呈現(xiàn)出爆炸式增長趨勢，數(shù)據(jù)的種類與變化速度也遠遠超出人們的想象，因此人們對大數(shù)據(jù)處理提出了更高的要求，越來越多的領域迫切需要大數(shù)據(jù)技術來解決領域內(nèi)的關鍵問題。在一些特定的領域中(例如金融、災害預警等)，時間就是金錢、時間可能就是生命!然而傳統(tǒng)的批處理框架卻一直難以滿足這些領域中的實時性需求。為此，涌現(xiàn)出了一批如S4、Storm的流式計算框架。Spark是基于內(nèi)存的大數(shù)據(jù)綜合處理引擎，具有優(yōu)秀的作業(yè)調(diào)度機制和快速的分布式計算能力，使其能夠更加高效地進行迭代計算，因此Spark能夠在一定程度上實現(xiàn)大數(shù)據(jù)的流式處理。
Spark Streaming是Spark上的一個流式處理框架，可以面向海量數(shù)據(jù)實現(xiàn)高吞吐量、高容錯的實時計算。Spark Streaming支持多種類型數(shù)據(jù)源，包括Kafka、Flume、trwitter、zeroMQ、Kinesis以及TCP sockets等，如圖1所示。Spark Streaming實時接收數(shù)據(jù)流，并按照一定的時間間隔將連續(xù)的數(shù)據(jù)流拆分成一批批離散的數(shù)據(jù)集;然后應用諸如map、reducluce、join和window等豐富的API進行復雜的數(shù)據(jù)處理;最后提交給Spark引擎進行運算，得到批量結(jié)果數(shù)據(jù)，因此其也被稱為準實時處理系統(tǒng)。

圖1 Spark Streaming支持多種類型數(shù)據(jù)源
目前應用最廣泛的×××式處理框架是Storm。Spark Streaming 最低0.5~2s做一次處理(而Storm最快可達0.1s)，在實時性和容錯方面不如Storm。然而Spark Streaming的集成性非常好，通過RDD不僅能夠與Spark上的所有組件無縫銜接共享數(shù)據(jù)，還能非常容易地與Kafka、Flume等分布式日志收集框架進行集成;同時Spark Streaming的吞吐量非常高，遠遠優(yōu)于Storm的吞吐量，如圖2所示。所以雖然Spark Streaming的處理延遲高于Storm，但是在集成性與吞吐量方面的優(yōu)勢使其更適用于大數(shù)據(jù)背景。

Spark Streaming基礎概念
批處理時間間隔
在Spark Streaming中，對數(shù)據(jù)的采集是實時、逐條進行的，但是對數(shù)據(jù)的處理卻是分批進行的。因此，Spark Streaming需要設定一個時間間隔，將該時間間隔內(nèi)采集到的數(shù)據(jù)統(tǒng)一進行處理，這個間隔稱為批處理時間間隔。
也就是說對于源源不斷的數(shù)據(jù)，Spark Streaming是通過切分的方式，先將連續(xù)的數(shù)據(jù)流進行離散化處理。數(shù)據(jù)流每被切分一次，對應生成一個RDD，每個RDD都包含了一個時間間隔內(nèi)所獲取到的所有數(shù)據(jù)，因此數(shù)據(jù)流被轉(zhuǎn)換為由若干個RDD構(gòu)成的有序集合，而批處理時間間隔決定了Spark Streaming需要多久對數(shù)據(jù)流切分一次。Spark Streaming是Spark上的組件，其獲取的數(shù)據(jù)和數(shù)據(jù)上的操作最終仍以Spark作業(yè)的形式在底層的Spark內(nèi)核中進行計算，因此批處理時間間隔不僅影響數(shù)據(jù)處理的吞吐量，同時也決定了Spark Streaming向Spark提交作業(yè)的頻率和數(shù)據(jù)處理的延遲。需要注意的是，批處理時間間隔的設置會伴隨Spark Streaming應用程序的整個生命周期，無法在程序運行期間動態(tài)修改，所以需要綜合考慮實際應用場景中的數(shù)據(jù)流特點和集群的處理性能等多種因素進行設定。
窗口時間間隔
窗口時間間隔又稱為窗口長度，它是一個抽象的時間概念，決定了Spark Streaming對RDD序列進行處理的范圍與粒度，即用戶可以通過設置窗口長度來對一定時間范圍內(nèi)的數(shù)據(jù)進行統(tǒng)計和分析。如果設批處理時間設為1s，窗口時間間隔為3s，如3圖所示，其中每個實心矩形表示Spark Streaming每1秒鐘切分出的一個RDD，若干個實心矩形塊表示一個以時間為序的RDD序列，而透明矩形框表示窗口時間間隔。易知窗口內(nèi)RDD的數(shù)量最多為3個，即Spark Streming 每次最多對3個RDD中的數(shù)據(jù)進行統(tǒng)計和分析。對于窗口時間間隔還需要注意以下幾點：
以圖3為例，在系統(tǒng)啟動后的前3s內(nèi)，因進入窗口的RDD不足3個，但是隨著時間的推移，最終窗口將被填滿。
不同窗口內(nèi)所包含的RDD可能會有重疊，即當前窗口內(nèi)的數(shù)據(jù)可能被其后續(xù)若干個窗口所包含，因此在一些應用場景中，對于已經(jīng)處理過的數(shù)據(jù)不能立即刪除，以備后續(xù)計算使用。
窗口時間間隔必須是批處理時間間隔的整數(shù)倍。

圖3 窗口時間間隔示意圖
滑動時間間隔
滑動時間間隔決定了Spark Streaming對數(shù)據(jù)進行統(tǒng)計與分析的頻率，多出現(xiàn)在與窗口相關的操作中?；瑒訒r間間隔是基于批處理時間間隔提出的，其必須是批處理時間間隔的整數(shù)倍。在默認的情況下滑動時間間隔設置為與批處理時間間隔相同的值。如果批處理時間間隔為1s，窗口間隔為3s，滑動時間間隔為2s，如圖4所示，其含義是每隔2s對過去3s內(nèi)產(chǎn)生的3個RDD進行統(tǒng)計分析。

圖4 滑動時間間隔、窗口時間間隔、批處理時間間隔綜合示意圖
DStream基本概念
DStream是Spark Streaming的一個基本抽象，它以離散化的RDD序列的形式近似描述了連續(xù)的數(shù)據(jù)流。DStream本質(zhì)上是一個以時間為鍵，RDD為值的哈希表，保存了按時間順序產(chǎn)生的RDD，而每個RDD封裝了批處理時間間隔內(nèi)獲取到的數(shù)據(jù)。Spark Streaming每次將新產(chǎn)生的RDD添加到哈希表中，而對于已經(jīng)不再需要的RDD則會從這個哈希表中刪除，所以DStream也可以簡單地理解為以時間為鍵的RDD的動態(tài)序列。設批處理時間間隔為1s，圖5為4s內(nèi)產(chǎn)生的DStream示意圖。

Spark Streaming編程模式與案例分析
Spark Streaming編程模式
下面以Spark Streaming官方提供的WordCount代碼為例來介紹Spark Streaming的使用方式。
示例1：

創(chuàng)新互聯(lián)主營奈曼網(wǎng)站建設的網(wǎng)絡公司,主營網(wǎng)站建設方案,APP應用開發(fā),奈曼h5微信小程序搭建,奈曼網(wǎng)站營銷推廣歡迎奈曼等地區(qū)企業(yè)咨詢

Spark Streaming應用程序在功能結(jié)構(gòu)上通常包含以下五部分，如上述示例1所示。
導入Spark Streaming相關包：Spark Streaming作為Spark框架上的一個組件，具有很好的集成性。在開發(fā)Spark Streaming應用程序時，只需導入Spark Streaming相關包，無需額外的參數(shù)配置。
創(chuàng)建StreamingContext對象：同Spark應用程序中的SparkContext對象一樣， StreamingContext對象是Spark Streaming應用程序與集群進行交互的唯一通道，其中封裝了Spark集群的環(huán)境信息和應用程序的一些屬性信息。在該對象中通常需要指明應用程序的運行模式(示例1中設為local[2])、設定應用程序名稱(示例1中設為NetworkWordCount)、設定批處理時間間隔(示例1中設為Seconds(1)即1秒鐘)，其中批處理時間間隔需要根據(jù)用戶的需求和集群的處理能力進行適當?shù)卦O置。
創(chuàng)建InputDStream：Spark Streaming需要根據(jù)數(shù)據(jù)源類型選擇相應的創(chuàng)建DStream的方法。示例1中Spark Streaming通過StreamingContext對象調(diào)用socketTextStream方法處理以socket連接類型數(shù)據(jù)源，創(chuàng)建出DStream即lines。Spark Streaming同時支持多種不同的數(shù)據(jù)源類型，其中包括Kafka、Flume、HDFS/S3、Kinesis和Twitter等數(shù)據(jù)源。
操作DStream：對于從數(shù)據(jù)源得到的DStream，用戶可以調(diào)用豐富的操作對其進行處理。示例1中針對lines的一系列操作就是一個典型的WordCount執(zhí)行流程：對于當前批處理時間間隔內(nèi)的文本數(shù)據(jù)以空格進行切分，進而得到words;再將words中每個單詞轉(zhuǎn)換為二元組，進而得到pairs;最后利用reduceByKey方法進行統(tǒng)計。
啟動與停止Spark Streaming應用程序：在啟動Spark Streaming應用程序之前，DStream上所有的操作僅僅是定義了數(shù)據(jù)的處理流程，程序并沒有真正連接上數(shù)據(jù)源，也沒有對數(shù)據(jù)進行任何操作，當ssc.start()啟動后程序中定義的操作才會真正開始執(zhí)行。
文本文件數(shù)據(jù)處理案例
功能需求
實時監(jiān)聽并獲取本地home/dong/Streamingtext目錄中新生成的文件(文件均為英文文本文件，單詞之間使用空格進行間隔)，并對文件中各單詞出現(xiàn)的次數(shù)進行統(tǒng)計。
代碼實現(xiàn)

運行演示
第1步，啟動Hadoop與Spark。

第2步，創(chuàng)建Streaming監(jiān)控目錄。

在dong用戶主目錄下創(chuàng)建Streamingtext為Spark Streaming監(jiān)控的目錄，創(chuàng)建后如圖6所示。

圖6 dong用戶主目錄下創(chuàng)建Streamingtext文件夾
第3步，在IntelliJ IDEA中編輯運行Streaming程序。在IntelliJ IDEA中創(chuàng)建工程StreamingFileWordCount，編輯對象StreamingFileWordCount，如圖7所示。

圖7 IntelliJ IDEA中StreamingFileWordCount示意圖
由于該示例沒有輸入?yún)?shù)，因此不需要配置參數(shù)，可直接單擊右鍵->單擊"Run‘StreamingFileWordCount’ "。
第4步，在監(jiān)聽目錄下創(chuàng)建文本文件。在master節(jié)點上的/home/dong/Streamingtext中分別創(chuàng)建file1.txt與file2.txt。
file1.txt內(nèi)容如下：

file2.txt內(nèi)容如下：

創(chuàng)建后，/home/dong/Streamingtext中內(nèi)容如圖8所示。

圖8 Streamingtext文件夾內(nèi)容示意圖
查看結(jié)果
終端窗口輸出了每個批處理時間間隔(20秒)內(nèi)，/home/dong/Streamingtext中新生成文件所包含的各單詞個數(shù)，如圖9所示。

圖9 StreamingFileWordCount運行結(jié)果示意圖
網(wǎng)絡數(shù)據(jù)處理案例
功能需求
監(jiān)聽本地節(jié)點指定端口傳輸?shù)臄?shù)據(jù)流(本案例為master節(jié)點9999端口的英文文本數(shù)據(jù)，以逗號間隔單詞)，每5秒統(tǒng)計一次該時間間隔內(nèi)收集到的各單詞的個數(shù)。
代碼實現(xiàn)
本案例涉及數(shù)據(jù)流模擬器和分析器兩部分。為了更接近真實的網(wǎng)絡環(huán)境，首先定義數(shù)據(jù)流模擬器，該模擬器以Socket方式監(jiān)聽網(wǎng)絡中指定節(jié)點上的指定端口號(master節(jié)點9999端口)，當外部程序通過該端口連接并請求數(shù)據(jù)時，數(shù)據(jù)流模擬器將定時地從指定文本文件中隨機選取數(shù)據(jù)發(fā)送至指定端口(每間隔1秒鐘數(shù)據(jù)流模擬器從master節(jié)點上的/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給master節(jié)點的9999端口)，通過這種方式模擬網(wǎng)絡環(huán)境下源源不斷的數(shù)據(jù)流。針對獲取到的實時數(shù)據(jù)，再定義分析器(Spark Streaming應用程序)，用以統(tǒng)計時間間隔(5秒)內(nèi)收集到的單詞個數(shù)。
數(shù)據(jù)流模擬器代碼實現(xiàn)如下：

分析器代碼如下：

運行演示
第1步，在IntelliJ IDEA中編輯運行Streaming程序。master節(jié)點啟動IntelliJ IDEA，創(chuàng)建工程NetworkWordCount，編輯模擬器與分析器。模擬器如圖10所示，分析器如圖11所示。

圖10 IntelliJ IDEA中數(shù)據(jù)流模擬器示意圖

圖11 IntelliJ IDEA中分析器示意圖
第2步，創(chuàng)建模擬器數(shù)據(jù)源文件。在master節(jié)點創(chuàng)建/home/dong/Streamingtext目錄，在其中創(chuàng)建文本文件file1.txt。
file1.txt內(nèi)容如下：

第3步，打包數(shù)據(jù)流模擬器。打包過程詳見本書4.3.3節(jié)。在Artifacts打包配置界面中，根據(jù)用戶實際scala安裝目錄，在Class Path中添加下述scala依賴包，如圖12所示。

圖12 在Class Path中添加scala依賴包
打包后在主目錄下生成NetworkWordCount.jar，如圖13所示。
圖13 在dong用戶主目錄下生成NetworkWordCount.jar示意圖
第4步，啟動數(shù)據(jù)流模擬器。在master節(jié)點開啟控制終端，通過下面代碼啟動數(shù)據(jù)流模擬器。

數(shù)據(jù)流模擬器每間隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給master節(jié)點的9999端口。在分析器未連接時，數(shù)據(jù)流模擬器處于阻塞狀態(tài)，終端不會顯示輸出的文本。
第5步，運行分析器。在master上啟動IntelliJ IDEA編寫分析器代碼，然后單擊菜單"Build->"Build Artifacts"，通過Application選項配置分析器運行所需的參數(shù)，其中Socket主機名為master、端口號為9999，參數(shù)之間用空格間隔，如圖13所示。

圖13 分析器參數(shù)配置示意圖
配置好參數(shù)后返回IntelliJ IDEA菜單欄，單擊"Run"->"Build Artifacts"運行分析器。
查看結(jié)果
第1步，在master上查看數(shù)據(jù)流模擬器運行情況。IntelliJ IDEA運行分析器從而與數(shù)據(jù)流模擬器建立連接。當檢測到外部連接時，數(shù)據(jù)流模擬器將每隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給master節(jié)點上的9999端口。為方便講解和說明，file1.txt中每一行只包含一個單詞，因此數(shù)據(jù)流模擬器每次僅發(fā)送一個單詞給端口，如圖14所示。

圖14 在master上模擬器運行結(jié)果
第2步，在master的IntelliJ IDEA中查看分析器運行情況。在IntelliJ IDEA的運行日志窗口中，可以觀察到統(tǒng)計結(jié)果。通過分析可知Spark Streaming每個批處理時間間隔內(nèi)獲取的單詞數(shù)為5，剛好是5秒內(nèi)發(fā)送單詞的總數(shù)，并對各單詞進行了統(tǒng)計，如圖15所示。

stateful應用案例
在很多數(shù)據(jù)流相關的實際應用場景中，對當前數(shù)據(jù)的統(tǒng)計分析需要借助于先前的數(shù)據(jù)處理結(jié)果完成。例如電商每間隔10分鐘統(tǒng)計某一商品當前累計銷售總額、車站每隔3小時統(tǒng)計當前客流總量，等等。此類應用需求可借助于Spark Streaming的有狀態(tài)轉(zhuǎn)換操作實現(xiàn)。
功能需求
監(jiān)聽網(wǎng)絡中某節(jié)點上指定端口傳輸?shù)臄?shù)據(jù)流(slave1節(jié)點9999端口的英文文本數(shù)據(jù)，以逗號間隔單詞)，每5秒分別統(tǒng)計各單詞的累計出現(xiàn)次數(shù)。
代碼實現(xiàn)
本案例功能的實現(xiàn)涉及數(shù)據(jù)流模擬器和分析器兩部分。
分析器代碼：

運行演示
第1步，slave1節(jié)點啟動數(shù)據(jù)流模擬器。
第2步，打包分析器。master節(jié)點啟動IntelliJ IDEA創(chuàng)建工程StatefulWordCount編輯分析器，如圖16所示，并將分析器直接打包至master節(jié)點dong用戶的主目錄下，如圖17所示。

圖16 IntelliJ IDEA中StatefulWordCount示意圖

圖17 master上的StatefulWordCount.jar示意圖
第3步，運行分析器。在master節(jié)點開啟終端，通過下面代碼向Spark集群提交應用程序。

查看結(jié)果
第1步，查看slave1上數(shù)據(jù)流模擬器運行情況。分析器在集群上提交運行后與slave1上運行的數(shù)據(jù)流模擬器建立連接。當檢測到外部連接時，數(shù)據(jù)流模擬器將每隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給slave1節(jié)點上的9999端口。由于該文本文件中每一行只包含一個單詞，因此每秒僅發(fā)送一個單詞給端口。如圖18所示。

圖18 slave1上數(shù)據(jù)流模擬器運行示意圖
第2步，查看master上分析器運行情況。在master節(jié)點的提交窗口中可以查看到統(tǒng)計結(jié)果，如圖19所示。

圖19 master上分析器運行示意圖
圖中表明截至147920770500ms分析器共接收到14個單詞，其中"spark"累計出現(xiàn)3次，"hbase"累計出現(xiàn)5次，"hello"累計出現(xiàn)3次，"world"累計出現(xiàn)3次。由于批處理時間間隔是5s，模擬器每1秒發(fā)送1個單詞，使得分析器在5s內(nèi)共接收到5個單詞，因此截止至147920771000ms，分析器共收到19個單詞，其中"spark"累計出現(xiàn)5次，"hbase"累計出現(xiàn)7次，"hello"累計出現(xiàn)4次，"world"累計出現(xiàn)3次。
第3步，查看HDFS中持久化目錄。運行后查看HDFS上的持久化目錄/user/dong/input/StatefulWordCountlog，如圖20所示。Streaming應用程序?qū)⒔邮盏降木W(wǎng)絡數(shù)據(jù)持久化至該目錄下，便于容錯處理。

圖20 HDFS上持久化目錄示意圖
window應用案例
在實際生產(chǎn)環(huán)境中，與窗口相關的應用場景很常見，例如電商每間隔10分鐘小時統(tǒng)計某一商品前30分鐘內(nèi)累計銷售總額、車站每隔1小時統(tǒng)計前3個小時內(nèi)的客流量等，此類需求可借助Spark Streaming中的window相關操作實現(xiàn)。window應用案例同時涉及批處理時間間隔、窗口時間間隔與滑動時間間隔。
功能需求
監(jiān)聽網(wǎng)絡中某節(jié)點上指定端口傳輸?shù)臄?shù)據(jù)流(slave1節(jié)點上9999端口的英文文本數(shù)據(jù)，以逗號間隔單詞)，每10秒統(tǒng)計前30秒各單詞累計出現(xiàn)的次數(shù)。
代碼實現(xiàn)
本例功能的實現(xiàn)涉及數(shù)據(jù)流模擬器和分析器兩部分。
分析器代碼：

運行演示 第1步，slave1節(jié)點啟動數(shù)據(jù)流模擬器。 第2步，打包分析器。在master節(jié)點啟動IntelliJ IDEA創(chuàng)建工程WindowWordCount編輯分析器，如圖21，并將分析器直接打包至master節(jié)點dong用戶的主目錄下，如圖22所示。

圖21 IntelliJ IDEA中WindowWordCount示意圖

圖22 master上WindowWordCount.jar示意圖
第3步，運行分析器。在master節(jié)點開啟終端，通過下面代碼向Spark集群提交應用程序。

查看結(jié)果
第1步 在slave1上查看數(shù)據(jù)流模擬器運行情況。分析器在集群上提交運行后與slave1上運行的數(shù)據(jù)流模擬器建立連接。當檢測到外部連接時，數(shù)據(jù)流模擬器將每隔1000毫秒從/home/dong/Streamingtext/file1.txt中隨機截取一行文本發(fā)送給slave1節(jié)點的9999端口。由于該文本文件中每一行只包含一個單詞和一個逗號，因此每秒僅發(fā)送一個單詞和一個逗號給端口，如圖23所示。

圖23 在slave1上數(shù)據(jù)流模擬器運行示意圖
第2步，在master上查看分析器運行情況。在master節(jié)點的提交窗口中可以查看到統(tǒng)計結(jié)果。在WindowWordCount應用程序啟動初期，窗口并沒有被接收到的單詞填滿，但隨著時間的推進，每個窗口中的單詞數(shù)目最終固定為30個。圖7.35只是截取了運行結(jié)果中的三個批次。由于設定了窗口時間間隔是30s，滑動時間間隔是10s，且數(shù)據(jù)流模擬器每間隔1s發(fā)送一個單詞，因此WindowWordCount每間隔10s對過去30s內(nèi)收到的各單詞個數(shù)進行統(tǒng)計。圖24中截至1479276925000ms分析器對過去30s內(nèi)收到的30個單詞進行統(tǒng)計，其中"spark"累計出現(xiàn)5次，"hbase"累計出現(xiàn)8次，"hello"累計出現(xiàn)9次，"world"累計出現(xiàn)8次。再間隔10s，截至1479276935000ms，分析器對過去30s內(nèi)收到的30個單詞進行統(tǒng)計，其中"spark"累計出現(xiàn)8次，"hbase"累計出現(xiàn)9次，"hello"累計出現(xiàn)7次，"world"累計出現(xiàn)6次。

圖24 在master上分析器運行示意圖
第3步，查看持久化數(shù)據(jù)。運行后查看HDFS上的持久化目錄/user/dong/input/WindowWordCountlog，如圖25所示。Streaming應用程序?qū)⒔邮盏降木W(wǎng)絡數(shù)據(jù)持久化至該目錄下，便于容錯處理。

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

名稱欄目：大數(shù)據(jù)分析技術與實戰(zhàn)之SparkStreaming-創(chuàng)新互聯(lián)
標題鏈接：http://bm7419.com/article14/hohde.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供虛擬主機、外貿(mào)網(wǎng)站建設、網(wǎng)站改版、定制網(wǎng)站、自適應網(wǎng)站、云服務器

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)