2024年福建省大数据应用开发赛项样题解析-模块C：实时数据处理-任务二：实时指标计算

0405266

任务要求：编写Scala 工程代码，使用Flink 消费Kafka 中dwd 层的Topic数据,表结构与离线数据表结构相同。

本任务共有两个子任务组成。点击正文链接，可快速跳转到相应子任务实现部分：

  • 查看子任务1的实现

  • 查看子任务2的实现

子任务1

子任务1描述

1.使用Flink 消费kafka 中的数据，统计商品的UV 和PV，将结果写入HBase 中的表ads：online_uv_pv 中。使用Hive cli 查询ads.pv_uv_result 表，查询出10 条数据,将结果截图粘贴至客户端桌面【Release\模块C 提交结果.docx】中对应的任务序号下;

子任务1分析

首先了解题目中相关术语的概念和含义。

(1) 商品的UV：可以理解为独立商品数，即单一商品数统计。但是这里题意模糊，所以假定任务是想要实时统计全部商品的UV。

(2) 商品的PV：可以理解为商品总数。因为任务描述中没有明确是统计每个商品的PV，还是全部商品的PV，因此这里假定是要统计订单中全部商品数量的累加。

(3) 商品信息位于商品明细表(order_detail)中。我们另外创建一个fact_order_detail表，然后实时数据获取路径为：insert fact_order_detail => maxwell binlog => Kafka fact_order_detail主题。

(4) Flink流程序消费Kafka fact_order_detail主题数据，实时统计UV和PV，写入HBase表。

(5) 用Hive cli查询HBase，说明要为HBase映射Hive表（多么奇葩的做法啊!）

注意，结果写入HBase中时，rowkey的规则是什么？任务描述中没有给出任何说明。 本参考实现中采取的规则是：rowkey = 随机数（0-9）+ yyyyMMddHHmmssSSS。比赛时以具体要求为准。

将Flink流数据写入到HBase表的方法有多种，其中主要有以下两种方式：

  • （1）直接调用HBase Java API，通过编码构造行键(rowkey)和列，然后以put的方式将数据写入HBase表；

  • （2）使用Flink的Table API和SQL，以临时表的形式写入HBase。

其中第二种方法更加简单、流畅。本示例采用第二种方法，即使用Flink Table API/SQL的形式将流数据写入到HBase表。

子任务1参考实现

请按以下步骤操作。

1）首先，在HBase中，创建命名空间(即任务描述中的数据库)和要写入的表，语句如下：

hbase> create_namespace 'ads'
hbase> create 'ads:online_uv_pv','cf'

2）创建Hive外表

在Hive中创建HBase对应的外表，语句如下：

hive> CREATE DATABASE ads;
​
hive> CREATE EXTERNAL TABLE ads.online_uv_pv(
     key STRING,
     uv BIGINT,
     pv BIGINT
) ROW FORMAT SERDE 'org.apache.hadoop.hive.hbase.HBaseSerDe'
STORED BY 'org.apache.hadoop.hive.hbase.HBaseStorageHandler'
with serdeproperties('hbase.columns.mapping'=':key,cf:uv,cf:pv')
tblproperties('hbase.table.name'='ads:online_uv_pv','hbase.table.default.storage.type'='binary');

3）开发环境准备

(1) 在IDEA中创建一个Maven项目。

(2) 打开项目中的pom.xml文件，配置依赖，添加如下依赖项：

    <properties>
        <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
        <flink.version>1.14.0</flink.version>
        <target.java.version>1.8</target.java.version>
        <scala.binary.version>2.12</scala.binary.version>
        <scala.version>2.12.11</scala.version>
        <maven.compiler.source>8</maven.compiler.source>
        <maven.compiler.target>8</maven.compiler.target>
        <log4j.version>2.12.1</log4j.version>
    </properties>
​
    <dependencies>
        <!-- Apache Flink dependencies -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-scala_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-streaming-scala_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-clients_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
            <scope>provided</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-planner_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <!-- 如果使用的是scala语言... -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-api-scala-bridge_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-table-common</artifactId>
            <version>${flink.version}</version>
        </dependency>
​
        <!-- Scala Library, provided by Flink as well. -->
        <dependency>
            <groupId>org.scala-lang</groupId>
            <artifactId>scala-library</artifactId>
            <version>${scala.version}</version>
            <scope>provided</scope>
        </dependency>
​
        <!-- Add connector dependencies here. They must be in the default scope (compile). -->
        <!-- Example:-->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-base</artifactId>
            <version>${flink.version}</version>
        </dependency>
​
        <!--HBase -->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-hbase-base_2.12</artifactId>
            <version>1.14.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-hbase-2.2_2.12</artifactId>
            <version>1.14.0</version>
        </dependency>
        <dependency>
            <groupId>org.apache.hbase</groupId>
            <artifactId>hbase-client</artifactId>
            <version>2.2.3</version>
        </dependency>
​
        <!--JDBC连接器-->
        <!-->flink-connector-jdbc flink版本需在1.11.0之后<!-->
        <dependency>
            <groupId>org.apache.flink</groupId>
            <artifactId>flink-connector-jdbc_${scala.binary.version}</artifactId>
            <version>${flink.version}</version>
        </dependency>
        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.48</version>
        </dependency>
​
        <!-- Add logging framework, to produce console output when running in the IDE. -->
        <!-- These dependencies are excluded from the application JAR by default. -->
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-slf4j-impl</artifactId>
            <version>${log4j.version}</version>
            <scope>runtime</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-api</artifactId>
            <version>${log4j.version}</version>
            <scope>runtime</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.logging.log4j</groupId>
            <artifactId>log4j-core</artifactId>
            <version>${log4j.version}</version>
            <scope>runtime</scope>
        </dependency>
    </dependencies>

  1. 创建Flink流处理程序Task02Job1.scala，编辑代码如下：

package com.ss2023
​
import com.google.gson.JsonParser
import org.apache.flink.api.common.eventtime.WatermarkStrategy
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.connector.kafka.source.KafkaSource
import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer
import org.apache.flink.streaming.api.scala.StreamExecutionEnvironment
import org.apache.flink.table.api.bridge.scala.StreamTableEnvironment
//import org.apache.flink.streaming.api.scala._
import org.apache.flink.api.scala._
​
/**
 *
 * 本版本使用 流API和表API混合的方式
 */
​
object Task02Job1 {
​
  // case class,流事件类型
  case class Product(pid: String)
​
  def main(args: Array[String]) {
    // 设置流执行环境
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    // 设置并行度
    env.setParallelism(1)
​
    // 流表执行环境
    val tableEnvironment = StreamTableEnvironment.create(env)
​
    // kafka source
    val source = KafkaSource.builder[String]
      .setBootstrapServers("192.168.190.139:9092")      // 请替换为自己的IP
      .setTopics("fact_order_detail")
      .setGroupId("group-test")
      .setStartingOffsets(OffsetsInitializer.earliest)
      .setValueOnlyDeserializer(new SimpleStringSchema)
      .build
​
    // 创建Sink表
    val product_pv_uv_hbase_create =
      """
        |CREATE TEMPORARY TABLE product_pv_uv_hbase (
        |   row_key STRING,
        |   cf ROW <uv BIGINT, pv BIGINT>,
        |   PRIMARY KEY (row_key) NOT ENFORCED
        |) WITH ('connector' = 'hbase-2.2',
        |        'table-name' = 'ads:online_uv_pv',
        |        'zookeeper.quorum' = '192.168.190.139:2181'
        | )
        |""".stripMargin
    tableEnvironment.executeSql("DROP TABLE IF EXISTS product_pv_uv_hbase")
    tableEnvironment.executeSql(product_pv_uv_hbase_create)
​
    // 读取源数据，并转换
    val dataStream = env
      // kafka源
      .fromSource(source, WatermarkStrategy.noWatermarks[String], "Kafka Source")
      // map转换
      .map(line => {
    val jsonObj = JsonParser.parseString(line).getAsJsonObject.getAsJsonObject("product_id")  // 取商品id字段        
        Product(jsonObj.toString)       // 构造Product对象
      })
​
    // 流转表，返回一个Table
    val inputTable = tableEnvironment.fromDataStream(dataStream)
​
    // 将Table对象注册为视图并查询它
    tableEnvironment.createTemporaryView("InputTable", inputTable)
​
    // 使用SQL计算rowKey，UV 和 PV
    // 其中rowkey使用随机数（0-9）+yyyyMMddHHmmssSSS
    tableEnvironment.sqlQuery(
      """
        |select concat(cast(rand_integer(10) as string), date_format(now(),'yyyyMMddHHmmssSSS')) as row_key,
        |row(count(distinct(pid)), count(pid)) as cf
        |from InputTable
        |""".stripMargin)
      .executeInsert("product_pv_uv_hbase")   // 将表写入HBase表
​
    // TableEnvironment 使用 executeSql() 方法已经执行了sql语句，不需要再使用execute()方法。
  }
​
}

子任务1部署准备

1). Flink安装目录的lib文件夹下jar包问题：

(1.1) 将flink-sql-connector-hbase-2.2_2.12-1.14.0.jar包移出lib目录；（如果有这个包的话）

(1.2) 将以下两个jar包拷贝到lib目录下：

  • flink-connector-hbase-2.2_2.12-1.14.0.jar

  • hbase-client-2.2.3.jar

(1.3) 编辑$FLINK_HOME/conf/flink-conf.yaml文件，在文件的最后增加如下一行：

classloader.resolve-order: parent-first

注：Flink版本迭代太快，“萝卜快了不洗泥”，一堆的兼容性问题。以上配置是为了解决可能会出现的包冲突问题。

2). 将hbase-site.xml文件拷贝到项目的resources目录下，并在其中添加如下内容：

<property>
        <name>hbase.defaults.for.version.skip</name>
        <value>true</value>
</property>

3). 在Linux的/etc/profile配置文件中，加入下面这两项：

export HADOOP_CLASSPATH=`hadoop classpath`
export HBASE_CLASSPATH=/opt/module/hbase-2.2.3/lib/*

然后执行以下语句：

source /etc/profile

子任务1执行步骤

请首先确保已经启动了大数据运行环境（在PBCP2023中是执行startall.sh脚本，或者分别启动HDFS、YARN、HBase、Zookeeper、Kafka等），然后按以下步骤执行。

  1. 启动Hive元数据服务，并保持运行。打开一个终端窗口，执行如下命令：

# hive --service metastore

  1. 创建Kafka主题fact_order_detail：

# cd /opt/module/kafka_2.12-2.4.1/
​
# ./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 4 --topic fact_order_detail
​
# 查看主题
# ./bin/kafka-topics.sh --list --zookeeper localhost:2181

  1. 项目打包。在IDEA中，打开Termianl终端，执行如下命令打包：

mvn clean package

然后将打好的jar包（位于项目的target目录下）拷贝到Linux中。

  1. 将Flink流处理jar包部署到YARN集群上运行(yarn-per-job模式)，命令如下：

# cd /opt/module/flink-1.14.0
​
# export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HBASE_CLASSPATH
# ./bin/flink run -m yarn-cluster -t yarn-per-job --class com.ss2023.Task02Job1 xxx.jar

请将上述命令中的xxx.jar替换为你部署的jar包名称，类名替换为你自己写的类名。

  1. 执行数据生成器程序，生成实时订单明细数据发往Kafka。

注：因为样题中对此数据说明模糊不清，未明确如何发送订单明细数据，所以这里使用PBCP自定义的数据生成器程序模拟生成订单明细数据并发往Kafka的fact_order_detail主题。在比赛时正式任务书中应当有明确的说明（例如在实时数据采集阶段同时采集订单明细数据到Kafka等），大家相应进行修改即可。

  1. HBase中查看数据

打开hbase shell，执行以下命令，查看插入到person表中的数据：

hbase(main):001:0> scan 'ads:online_uv_pv'

  1. 在Hive中执行Hive QL查询语句，查询写入HBase中的数据。

hive> select * from ads.online_uv_pv limit 10;

子任务2

子任务2描述

2.使用Flink 消费kafka 中的数据，统计商城每分钟的GMV，将结果存入redis 中，key 为store_gmv，使用redis cli 以get key方式获取store_gmv 值，将每次截图粘贴至客户端桌面【Release\模块C 提交结果.docx】中对应的任务序号下（每分钟查询一次，至少查询3 次）。

子任务2分析

术语GMV

GMV(全称Gross Merchandise Volume)，即商品交易总额，是成交总额(一定时间段内)的意思。

请注意GMV和实际交易额的区别。

GMV：那些只要下单付款的订单金额，就会被计入到GMV当中，管你取消不取消订单、拒不拒收货物、退不退货呢；

实际交易额：只有买家收到货并确认收货，事后也不退款的订单金额，才能被计入到实际交易额中。

GMV在电商中是一个非常重要的指标，但不同的电商对于GMV的算法完全不一样；算法不同，计算出的数据也千差万别。

根据题意，我们可以得出以下几点：

(1) 使用订单表order_master进行统计：只取payment_money字段即可。

(2) 只统计订单状态（order_status）为“已付款”的订单的支付金额。

(3) 统计“每分钟”的GMV，意味着使用1分钟大小的滚动窗口。

子任务2实现参考

Flink流处理程序实现代码如下：

package com.ss2023
​
import com.google.gson.JsonParser
import org.apache.flink.api.common.eventtime.WatermarkStrategy
import org.apache.flink.api.common.functions.AggregateFunction
import org.apache.flink.api.common.serialization.SimpleStringSchema
import org.apache.flink.connector.kafka.source.KafkaSource
import org.apache.flink.connector.kafka.source.enumerator.initializer.OffsetsInitializer
import org.apache.flink.streaming.api.scala._
import org.apache.flink.streaming.api.scala.function.ProcessWindowFunction
import org.apache.flink.streaming.api.windowing.assigners.TumblingEventTimeWindows
import org.apache.flink.streaming.api.windowing.time.Time
import org.apache.flink.streaming.api.windowing.windows.TimeWindow
import org.apache.flink.streaming.connectors.redis.RedisSink
import org.apache.flink.streaming.connectors.redis.common.config.FlinkJedisPoolConfig
import org.apache.flink.streaming.connectors.redis.common.mapper.{RedisCommand, RedisCommandDescription, RedisMapper}
import org.apache.flink.util.Collector
//flink需要手动添加隐式转换，implicit
import org.apache.flink.api.scala._
​
/**
 *
 * fact_order_master Topic中数据的JSON格式如下：
 * {
 *  "order_id":6097,
 *  "order_sn":"2022111417659492",
 *  "customer_id":583,
 *  "shipping_user":"龚桂芳",
 *  "province":"上海市",
 *  "city":"上海市",
 *  "address":"上海市上海市真光路12889755号3层",
 *  "order_source":1,
 *  "payment_method":3,
 *  "order_money":4125.78,
 *  "district_money":0.00,
 *  "shipping_money":39.06,
 *  "payment_money":4164.84,
 *  "shipping_comp_name":"韵达",
 *  "shipping_sn":"9846757521358",
 *  "create_time":"20221110023759",
 *  "shipping_time":"20221110132159",
 *  "pay_time":"20221110032759",
 *  "receive_time":"20221112203359",
 *  "order_status":"已签收",
 *  "order_point":416,
 *  "invoice_title":"雨林木风计算机传媒有限公司",
 *  "modified_time":"2022-11-12 12:33:59"
 * }
 *
 */
​
object Task03Job2 {
​
  // 输入订单事件类型（只取订单状态和支付金额两个字段）
  case class OrderEvent(order_status:String, payment_money: Double)
​
  // 主方法
  def main(args: Array[String]) {
    // 设置流执行环境
    val env = StreamExecutionEnvironment.getExecutionEnvironment
    env.setParallelism(1)   // 设置并行度，便于观察
​
    // kafka source
    val source = KafkaSource.builder[String]
      .setBootstrapServers("192.168.190.139:9092")       // 记得改为自己的IP地址
      .setTopics("fact_order_master")
      .setGroupId("group-test")
      .setStartingOffsets(OffsetsInitializer.earliest)
      .setValueOnlyDeserializer(new SimpleStringSchema)
      .build
​
    // 定义redis sink的配置 (默认端口号6379)
    val conf = new FlinkJedisPoolConfig.Builder()
      .setMaxTotal(1000)
      .setMaxIdle(32)
      .setTimeout(10*1000)
      .setHost("192.168.190.139")   // 记得改为自己的IP地址
      .setPort(6379)
      .build()
​
    // 流处理管道
    val orderStream = env
      // 指定Kafka数据源
      .fromSource(source, WatermarkStrategy.noWatermarks[String], "Kafka Source")
      // 转换为OrderEvent对象
      .map(line => {
    val jsonObj = JsonParser.parseString(line).getAsJsonObject
        val order_status = jsonObj.getAsJsonObject("order_status").toString    // 订单状态
        val payment_money = jsonObj.getAsJsonObject("payment_money").toDouble  // 支付金额
        OrderEvent(order_status, payment_money)
      })
      // 过滤出"已付款"的订单项
      .filter(_.order_status=="已付款")
      // 分区
      .keyBy(_.order_status)
      // 指定窗口
      .window(TumblingEventTimeWindows.of(Time.minutes(1)))
      // 执行窗口聚合函数
      .aggregate(new AggAvgTemp, new ProcessAvgTemp)
​
    // orderStream.print()
​
    // Redis Sink
    orderStream.addSink(new RedisSink[Double](conf, new RedisSinkMapper))
​
    // execute program
    env.execute("Flink Streaming Task03")
  }
​
  // 窗口增量聚合函数
  class AggAvgTemp extends AggregateFunction[OrderEvent, Double, Double] {
    // 创建初始ACC
    override def createAccumulator = 0.0
​
    // 累加每个订单的支付金额
    override def add(input: OrderEvent, acc: Double) = {
      acc + input.payment_money
    }
​
    // 分区合并
    override def merge(acc1: Double, acc2: Double) = {
      acc1 + acc2
    }
​
    // 返回已下单订单的总支付金额
    override def getResult(acc: Double): Double = acc
  }
​
  // 窗口处理函数
  class ProcessAvgTemp extends ProcessWindowFunction[Double, Double, String, TimeWindow] {
    override def process(id: String,
                         context: Context,
                         events: Iterable[Double],
                         out: Collector[Double]): Unit = {
      // 注意，Iterable[Double]将只包含一个读数,
      // 即MyReduceFunction计算出的预先聚合的平均值。
      val total_pay_money = events.iterator.next
      out.collect(total_pay_money)
    }
  }
​
  // redisMap接口，设置key和value
  // Redis Sink 核心类是 RedisMappe 接口，使用时要编写自己的redis操作类实现这个接口中的三个方法
  class RedisSinkMapper extends RedisMapper[Double] {
    // getCommandDescription：设置数据使用的数据结构 HashSet 并设置key的名称
    override def getCommandDescription: RedisCommandDescription = {
      // RedisCommand.HSET 指定存储类型
      new RedisCommandDescription(RedisCommand.SET)
    }
​
    /**
     * 获取 value值 value的数据是键值对
     *
     * @param data
     * @return
     */
    //指定key
    // 查看所有key：keys *             查看指定key：get top3itemamount
    override def getKeyFromData(event: Double): String = "store_gmv"
​
    // 指定value
    override def getValueFromData(event: Double): String = event.toString
  }
}

项目编译并打包。在IDEA中，打开Termianl终端，执行如下命令打包：

mvn clean package

然后将打好的jar包（位于项目的target目录下）拷贝到Linux中。

子任务2执行步骤

请首先确保已经启动了大数据运行环境（执行startall.sh脚本，或者分别启动HDFS、YARN、HBase、Zookeeper、Kafka等），然后按以下步骤执行。

  1. 创建Kafka主题fact_order_master（如果之前没有创建的话）：

# cd /opt/module/kafka_2.12-2.4.1/
​
# ./bin/kafka-topics.sh --create --zookeeper localhost:2181 --replication-factor 1 --partitions 4 --topic fact_order_master
​
# 查看主题
# ./bin/kafka-topics.sh --list --zookeeper localhost:2181

  1. 运行Redis服务器。在命令行切换到Redis安装目录，执行下面的命令，运行Redis服务器，并保持运行：

# cd /opt/module/redis-6.2.6
​
# ./bin/redis-server ./conf/redis.conf

  1. 将Flink流处理jar包部署到YARN集群上运行(yarn-per-job模式)，命令如下：

# cd /opt/module/flink-1.14.0
​
# export HADOOP_CLASSPATH=$HADOOP_CLASSPATH:$HBASE_CLASSPATH
# ./bin/flink run -m yarn-cluster -t yarn-per-job --class com.ss2023.Task02Job2 xxx.jar

请将上述命令中的xxx.jar替换为你部署的jar包名称。

(5) 执行数据生成器程序，生成实时订单数据发往Kafka。

(6) 另打开一个终端，切换到Redis安装目录，运行Redis CLI：

# cd /opt/module/redis-6.2.6
# ./bin/redis-cli

(7) 然后在redis命令行，执行查询，查询命令如下：

redis> get store_gmv
© 版权声明
版权声明
本站网络名称： 知趣
本站永久网址： https://www.qubaa.top
网站侵权说明： 本网站的文章部分内容可能来源于网络，仅供大家学习与参考，如有侵权，请联系站长删除处理。
1 本站一切资源不代表本站立场，并不代表本站赞同其观点和对其真实性负责。
2 本站一律禁止以任何方式发布或转载任何违法的相关信息，访客发现请向站长举报
3 本站资源大多存储在云盘，如发现链接失效，请联系我们我们会第一时间更新。
THE END
大数据真题解析专题大数据真题解析
# 大数据# bigdata# scala# 赛题# 解析
喜欢就支持一下吧
点赞266赞赏 分享
one的头像-知趣
大流量卡 每月19元295G，办卡手册！-知趣
大流量卡 每月19元295G，办卡手册！
大流量卡 每月19元295G，办卡手册！
1年前 5803
酷我音乐 v10.7.6.6 破解豪华 VIP 版 + HD v8.5.4.2 会员版 + v6.0.1.0 车机 会员版 + 酷我音乐时代 v1.9.33 盒子会员版 + v1.1.9 手表会员版-知趣
酷我音乐 v10.7.6.6 破解豪华 VIP 版 + HD v8.5.4.2 会员版 + v6.0.1.0 车机 会员版 + 酷我音乐时代 v1.9.33 盒子会员版 + v1.1.9 手表会员版
酷我音乐 v10.7.6.6 破解豪华 VIP 版 + HD v8.5.4.2 会员版 + v6.0.1...
1年前 2143
庆余年 第二季 (2024)国语中字 高码率版 + 在线观看-知趣
庆余年 第二季 (2024)国语中字 高码率版 + 在线观看
庆余年 第二季 (2024)国语中字 高码率版 + 在线观看
12个月前 1202
张雪峰高考志愿填报课程 【网盘】+ 各大高校留学、保研、考研、就业经验分享-知趣
张雪峰高考志愿填报课程 【网盘】+ 各大高校留学、保研、考研、就业经验分享
张雪峰高考志愿填报课程 【网盘】+ 各大高校留学、保研、考研、就业...
11个月前 1162
飞驰人生2(2024) 4K60帧+4K120帧+4KHDR 简中-知趣
飞驰人生2(2024) 4K60帧+4K120帧+4KHDR 简中
飞驰人生2(2024) 4K60帧+4K120帧+4KHDR 简中
1年前 1141
Adobe Photoshop 2024 (v25.7.0.504) 2024.04.23发布-知趣
Adobe Photoshop 2024 (v25.7.0.504) 2024.04.23发布
Adobe Photoshop 2024 (v25.7.0.504) 2024.04.23发布
1年前 1132
相关推荐
前端框架vue.js系列教程(6)-vue.js远程访问RESTful API接口示例-知趣
前端框架vue.js系列教程(6)-vue.js远程访问RESTful API接口示例
前端框架vue.js系列教程(6)-vue.js远程访问RESTful API接口示例
12个月前 660
5-3.大数据国赛数据可视化-用折线图展示每年上架商品数量的变化-知趣
5-3.大数据国赛数据可视化-用折线图展示每年上架商品数量的变化
5-3.大数据国赛数据可视化-用折线图展示每年上架商品数量的变化
1年前 821
1-9.ZooKeeper分布式安装配置-知趣
1-9.ZooKeeper分布式安装配置
1-9.ZooKeeper分布式安装配置
1年前 422
前端框架vue.js系列教程(2)-vue.js工程项目创建-知趣
前端框架vue.js系列教程(2)-vue.js工程项目创建
前端框架vue.js系列教程(2)-vue.js工程项目创建
12个月前 514
5-5.大数据国赛数据可视化-折柱混合图展示省份和地区平均消费额-知趣
5-5.大数据国赛数据可视化-折柱混合图展示省份和地区平均消费额
5-5.大数据国赛数据可视化-折柱混合图展示省份和地区平均消费额
1年前 561
11.1文件IO-知趣
11.1文件IO
11.1文件IO
1年前 593
评论 抢沙发
头像
欢迎您留下宝贵的见解！
提交
头像

昵称

夸夸
夸夸
还有吗！没看够！
取消
昵称

请填写用户信息：

  • 昵称(必填)
  • 邮箱(必填)
表情
[aoman][baiyan][bishi][bizui][cahan][ciya][dabing][daku][deyi][doge][fadai][fanu][fendou][ganga][guzhang][haixiu][hanxiao][zuohengheng][zhuakuang][zhouma][zhemo][zhayanjian][zaijian][yun][youhengheng][yiwen][yinxian][xu][xieyanxiao][xiaoku][xiaojiujie][xia][wunai][wozuimei][weixiao][weiqu][tuosai][tu][touxiao][tiaopi][shui][se][saorao][qiudale][qinqin][qiaoda][piezui][penxue][nanguo][liulei][liuhan][lenghan][leiben][kun][kuaikule][ku][koubi][kelian][keai][jingya][jingxi][jingkong][jie][huaixiao][haqian][aini][OK][qiang][quantou][shengli][woshou][gouyin][baoquan][aixin][bangbangtang][xiaoyanger][xigua][hexie][pijiu][lanqiu][juhua][hecai][haobang][caidao][baojin][chi][dan][kulou][shuai][shouqiang][yangtuo][youling]
代码

请输入代码：

确认
图片

    暂无评论内容