实时分析之客户画像项目实践
2016-03-15 21:36
393 查看
客户画像的背景描述
原来的互联网,以解决用户需求为目的,衍生出众多的网联网产品,以及产生呈数量级递增的海量数据。当用户需求基本得到满足的时候,需要分析这些海量的数据,得以达到最高效的需求实现,最智能的功能服务,以及最精准的产品推荐,最后提升产品的竞争力。简言之,产品由原来的需求驱动转换成数据驱动。客户画像就是数据驱动的代表作之一。具体点讲,客户画像就是用户的标签(使用该产品的群体),程序能自动调整、组合、生成这些标签,最后再通过这些标签,达到精准营销的目的。
当前流行的实时分析框架
首先一提到大数据,大家脑海中浮现的肯定是Hadoop,但是需要实时分析出结果的话,那Hadoop就力不从心了(先不讲数据多少,单单启动一个M/R就要几分钟的时间),如果没有实时性需求的产品分析则另当别论。当下最流行的三大实时分析框架分别是Apache Spark,Apache Samza,Apache Storm。下面是网上找到的三大框架的说明和对比:
三者的整体框架相似,只是各个节点的名字和术语不一样罢了
Storm和Samza在消息发送处理的机制上是至少一次,而Spark是有且仅此一次,换句话讲,Storm和Samza可能存在重复发送数据的情况;在消息处理上,Spark是秒级的,而Storm和Samza是压秒级的(性能都不错,压秒级的也还是可以接受^_^);在语言支持上,这个Storm貌似多点。另外,Storm开源的也比较早,社区比较活跃,版本迭代的比较快,文档相对来说也比较多,Storm相对Spark也比较轻量级,上手简单,这就是作者选择Storm的原因,不过个人还是推荐Spark的。
环境准备、搭建和运行
下面是作者使用的软件版本1. kafka2.11
2. zookeeper3.5.1
3. storm0.9.5
JDK的环境,这个都不明白的人也不用继续看下去了。
作者在测试环境准备了4台虚拟机,修改每台虚拟机的/etc/hosts
172.16.2.235 master 172.16.2.231 slave1 172.16.2.236 slave2 172.16.2.241 slave3
235是主节点,其余三个是子节点,在主节点做好子节点免登录权限设置
主机运行
ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa mv id_dsa.pub authorized_keys chmod 600 authorized_keys scp ~/.ssh/authorized_keys root@slave1:/root/.ssh/ scp ~/.ssh/authorized_keys root@slave2:/root/.ssh/ scp ~/.ssh/authorized_keys root@slave3:/root/.ssh/
(拷贝到各个从机上去)
每个从机都ssh进入一次 记录从机信息
zookeeper
zookeeper是大数据必备的框架之一,它是一个分布式的,开放源码的分布式应用程序协调服务,你可以理解成每个子节点的任务控制中心
解压
tar -zxvf zookeeper-3.5.1-alpha.tar.gz
配置
conf/zoo.cfg
initLimit=10 syncLimit=5 clientPort=2181 tickTime=2000 autopurge.purgeInterval=12 autopurge.snapRetainCount=3 dataDir=/home/zookeeper-3.5.1-alpha/data server.0=master:2888:3888 server.1=slave1:2888:3888 server.2=slave2:2888:3888 server.3=slave3:2888:3888
注意:需要在/home/zookeeper-3.5.1-alpha/data目录下创建一个myid文件,写入该机的序列号,虚拟机就1,2累加下去
echo 0 >> /home/zookeeper-3.5.1-alpha/data/myid
启动
/home/zookeeper-3.5.1-alpha/bin/zkServer.sh start &
jps一下,列表中出现QuorumPeerMain进程则代表启动OK(各个子节点也启动起来,下面的服务都依赖zookeeper)。
kafka
kafka,中文名叫卡夫卡,是一种高吞吐量的分布式发布订阅消息系统,它可以处理消费者规模的网站中的所有动作流数据。简言之,就是数据采集、发送器。
解压
tar -zxvf kafka_2.11-0.8.2.0.tgz
配置,修改
config/server.properties
broker.id=0 port=9092 num.network.threads=3 num.io.threads=8 host.name=master socket.send.buffer.bytes=102400 socket.receive.buffer.bytes=102400 socket.request.max.bytes=104857600 log.dirs=/home/kafka_2.11-0.8.2.0/kafka-logs num.partitions=1 num.recovery.threads.per.data.dir=1 log.retention.hours=168 log.segment.bytes=1073741824 log.retention.check.interval.ms=300000 log.cleaner.enable=false zookeeper.connect=master:2181,slave1:2181,slave2:2181,slave3:2181 zookeeper.connection.timeout.ms=6000 #真正删除topic delete.topic.enable=true
注意:这里的broker.id在各个子节点也不能重复
启动
/home/kafka_2.11-0.8.2.0/bin/kafka-server-start.sh /home/kafka_2.11-0.8.2.0/config/server.properties &
jps一下,列表中出现Kafka进程则代表启动OK。
验证kafka集群运行是否正常:
订阅日志
在log服务器上安装kafka,只解压就好了,不需要配置,然后订阅log
tail -0f /home/bigdata/logs/analytics.log | /home/kafka_2.11-0.8.2.0/bin/kafka-console-producer.sh --broker-list master:9092,slave1:9092,slave2:9092,slave3:9092 --topic bigdata_app_logs &
将最新一行的日志文件传输到kafka集群,消息队列叫做bigdata_app_logs(这个ID在kafka集群中唯一)
再查询队列列表
./kafka-topics.sh --list --zookeeper master:2181,slave1:2181,slave2:2181,slave3:2181
将会出现刚刚订阅的topic:bigdata_app_logs
再
./kafka-console-consumer.sh --zookeeper master:2181,slave1:2181,slave2:2181,slave3:2181 --topic topic:bigdata_app_logs --from-beginning
将会实时同步log服务器上面的日志。这样,kafka集群环境就搭建OK了
下面是作者自己整理的kafka流程图:
这里日志采集有两种方式,一种是网站程序通过log4j记录的log文件,然后再客户端运行,也就是上面介绍的那种。
另一种就是通过KafkaLog4jAppender之间讲日志传输到kafka集群,需要引入一个jar包
<dependency> <groupId>org.apache.kafka</groupId> <artifactId>kafka_2.11</artifactId> <version>0.8.2.0</version> </dependency>
在log4j的两种配置配置
log4j.logger.com.jjshome.bigdata.controller.CommonController=INFO,KAFKA_HIVE_AUDIT log4j.appender.KAFKA_HIVE_AUDIT=kafka.producer.KafkaLog4jAppender log4j.appender.KAFKA_HIVE_AUDIT.BrokerList=master:9092,slave1:9092,slave2:9092,slave3:9092 log4j.appender.KAFKA_HIVE_AUDIT.Topic=bigdata_app_logs log4j.appender.KAFKA_HIVE_AUDIT.layout=org.apache.log4j.PatternLayout log4j.appender.KAFKA_HIVE_AUDIT.layout.ConversionPattern=%m%n log4j.appender.KAFKA_HIVE_AUDIT.ProducerType=async
<!-- kafka --> <appender name="KAFKA_HIVE_AUDIT" class="kafka.producer.KafkaLog4jAppender"> <param name="DatePattern" value="'.'yyyy-MM-dd"/> <param name="BrokerList" value="master:9092,slave1:9092,slave2:9092,slave3:9092"/> <param name="Topic" value="jjs-fang-web-bigDatas"/> <param name="ProducerType" value="async"/> <layout class="org.apache.log4j.PatternLayout"> <param name="ConversionPattern" value="%d{yyyy-MM-dd HH:mm:ss,SSS} %-5p %x - %m%n"/> </layout> </appender>
个人建议使用第二种,但是要做好服务器之间的容错机制,作者前期就吃过亏,在采集日志的时候,直接影响了业务流程。
storm
这里就不介绍了
解压
tar -zxvf apache-storm-0.9.5.tar.gz
配置
conf/storm.yaml
storm.zookeeper.servers: - "master" - "slave1" - "slave2" - "slave3" storm.local.dir: "/home/storm/data" nimbus.host: "master" supervisor.slots.ports: - 6700 - 6701 - 6702 - 6703 ui.port: 80
子节点配置都一样,直接丢过去就好了
启动
作者是在主节点启动nimbus和ui、supervisor,其他的三个节点启动supervisor
主节点
storm nimbus & storm ui & storm supervisor &
jps后出现nimbus和core、supervisor的进程,或者直接访问http://master即可(端口配置的是80)
注:这里作者配置了环境变量,所以可以直接storm
子节点分别都运行
storm supervisor &
下面是作者画的storm结构图
后面的数据落地,是结合业务,将数据存储起来
好了,到此环境以及准备完毕。
若是要关闭各种进程,直接jps后直接kill掉。
Topology开发
topology是storm中job的别名,它的工作流程大概如图:这里spout消息发送源,bolt是数据处理节点,计算出来的记过可以多次使用
项目准备:
storm-lib.zip
[big-data-client]
[big-data-storm]
第一个作者开发的Topology需要的lib包,将该lib替换到所有storm集群的storm/lib下
第二个作者开发环境需要的中间件,第三个storm项目。
项目中有两个案例,一个TopN案例,一个客户画像案例(针对自自有业务的客户画像)
bolt是工作节点,remote是外部调用的数据接口,spout是消息源,topology是job主目录。
下面是客户画像的
Topology
package com.jjshome.storm.topology; import java.util.List; import org.slf4j.Logger; import org.slf4j.LoggerFactory; import storm.kafka.BrokerHosts; import storm.kafka.KafkaSpout; import storm.kafka.SpoutConfig; import storm.kafka.StringScheme; import storm.kafka.ZkHosts; import backtype.storm.Config; import backtype.storm.spout.SchemeAsMultiScheme; import backtype.storm.topology.TopologyBuilder; import backtype.storm.tuple.Fields; import com.google.common.collect.ImmutableList; import com.jjshome.storm.bolt.house.BoltFCWSplit; import com.jjshome.storm.bolt.house.BoltLogFormat; import com.jjshome.storm.bolt.house.BoltLogFormat4App; import com.jjshome.storm.bolt.house.BoltSave; import com.jjshome.storm.bolt.house.BoltThreshold; import com.jjshome.storm.utils.CommonConstant; import com.jjshome.storm.utils.StormRunner; /** * @功能描述: 用户行为分析的Topology * @项目版本: 1.0.0 * @项目名称: 大数据 * @相对路径: com.jjshome.storm.topology.UserLogTopology.java * @创建作者: 欧阳文斌 * @问题反馈: ouyangwenbin2009@live.cn * @创建日期: 2015年12月7日 上午10:20:27 */ public class UserLogTopology { private static Logger logger = LoggerFactory.getLogger(UserLogTopology.class); /** 本地调试运行时间单位(秒) */ private static final int DEFAULT_RUNTIME_IN_SECONDS = 60*30; /** kafka集群 */ private static final String kafka_zookeeper_local = "master:2181,slave1:2181,slave2:2181,slave3:2181"; private static final String kafka_zookeeper_online = "bigdata-99-51-master.jjshome.com:2181,bigdata-99-52-slave.jjshome.com:2181,bigdata-99-53-slave.jjshome.com:2181,bigdata-99-54-slave.jjshome.com:2181"; /** Storm集群列表 */ private static final List<String> zk_servers_local = ImmutableList.of("master","slave1", "slave2", "slave3"); private static final List<String> zk_servers_online = ImmutableList.of("bigdata-99-51-master.jjshome.com","bigdata-99-52-slave.jjshome.com", "bigdata-99-53-slave.jjshome.com", "bigdata-99-54-slave.jjshome.com"); private static Config createTopologyConfiguration() { Config conf = new Config(); //是否是本地模式 conf.setDebug(CommonConstant.IS_LOCAL?true:false); //设置工作机数量 conf.setNumWorkers(CommonConstant.IS_LOCAL?4:16); return conf; } /** * @功能描述: 获取KafkaConfig * @创建作者: 欧阳文斌 * @创建日期: 2015年12月11日 下午2:08:36 * @return */ private static KafkaSpout getKafkaSpout(){ // 房产网 bigdata日志的消息 String kafkaZookeeper = CommonConstant.IS_LOCAL?kafka_zookeeper_local:kafka_zookeeper_online; BrokerHosts brokerHosts = new ZkHosts(kafkaZookeeper); SpoutConfig kafka_config_fang = new SpoutConfig(brokerHosts, "jjs-fang-web-bigDatas", "/jjs-fang-web-bigDatas", "jjs-fang-web-bigDatas"); kafka_config_fang.scheme = new SchemeAsMultiScheme(new StringScheme()); kafka_config_fang.zkServers = CommonConstant.IS_LOCAL?zk_servers_local:zk_servers_online; kafka_config_fang.zkPort = 2181; return new KafkaSpout(kafka_config_fang); } /** * @功能描述: 获取KafkaConfig * @创建作者: 欧阳文斌 * @创建日期: 2015年12月11日 下午2:08:36 * @return */ private static KafkaSpout getKafkaSpout_App(){ // 房产网 bigdata日志的消息 String kafkaZookeeper = CommonConstant.IS_LOCAL?kafka_zookeeper_local:kafka_zookeeper_online; BrokerHosts brokerHosts = new ZkHosts(kafkaZookeeper); SpoutConfig kafka_config_fang = new SpoutConfig(brokerHosts, "bigdata_app_logs", "/bigdata_app_logs", "bigdata_app_logs"); kafka_config_fang.scheme = new SchemeAsMultiScheme(new StringScheme()); kafka_config_fang.zkServers = CommonConstant.IS_LOCAL?zk_servers_local:zk_servers_online; kafka_config_fang.zkPort = 2181; return new KafkaSpout(kafka_config_fang); } public static void main(String[] args) { //Topology构造器 TopologyBuilder builder = new TopologyBuilder(); String topologyName = "UserLogTopology"; //配置器 Config topologyConfig = createTopologyConfiguration(); int runtimeInSeconds = DEFAULT_RUNTIME_IN_SECONDS; final String app_index = "s_app"; final String pc_index = "s_pc"; final String fcwsplit_index = "b_fcwsplit"; final String logformat_index = "b_logformat"; final String logformatapp_index = "b_logformatapp"; //final String mongodb_index = "b_mongodb"; final String threshold_index = "b_threshold"; final String save_index = "b_save"; //设置 手机app log日志源 builder.setSpout(app_index, getKafkaSpout_App(), 4).setNumTasks(4); //设置 房产网日志源 builder.setSpout(pc_index, getKafkaSpout(), 8).setNumTasks(8); //房产网日志切割和过滤 builder.setBolt(fcwsplit_index, new BoltFCWSplit(), 8).setNumTasks(8).shuffleGrouping(pc_index); //日志格式化 builder.setBolt(logformat_index, new BoltLogFormat(), 4).setNumTasks(4).shuffleGrouping(fcwsplit_index); //手机日志格式化 builder.setBolt(logformatapp_index, new BoltLogFormat4App(), 4).setNumTasks(4).shuffleGrouping(app_index); //存储 _USER_INTENTION 到mongoDB /*builder.setBolt(mongodb_index, new BoltMongo(), 2) .shuffleGrouping(logformat_index) .shuffleGrouping(logformatapp_index);*/ //数据 阀 控制 builder.setBolt(threshold_index, new BoltThreshold(2,60), 6).setNumTasks(6) .fieldsGrouping(logformat_index, new Fields("ip")) .fieldsGrouping(logformatapp_index, new Fields("ip")); //数据落地 builder.setBolt(save_index, new BoltSave(), 4).setNumTasks(4).fieldsGrouping(threshold_index, new Fields("ip")); try { StormRunner.runTopologyLocally(builder.createTopology(), topologyName, topologyConfig, runtimeInSeconds); } catch (Exception e) { logger.error("UserLogTopology@main", e); } } }
builder的整个构建过程,实际上也就是数据流的加工过程。kafka的spout是引用第三方的jar,pom中有配置。
bolt
package com.jjshome.storm.bolt.house; import java.util.Map; import java.util.regex.Matcher; import java.util.regex.Pattern; import org.apache.commons.lang.StringUtils; import org.slf4j.Logger; import org.slf4j.LoggerFactory; import backtype.storm.task.OutputCollector; import backtype.storm.task.TopologyContext; import backtype.storm.topology.IRichBolt; import backtype.storm.topology.OutputFieldsDeclarer; import backtype.storm.tuple.Fields; import backtype.storm.tuple.Tuple; import backtype.storm.tuple.Values; import com.jjshome.bigdata.entity.log._JJS_Log; import com.jjshome.bigdata.util.SystemConstant; /** * @功能描述: 房产网日志解析 * @项目版本: 1.0.0 * @项目名称: 大数据 * @相对路径: com.jjshome.storm.bolt.BoltFCWSplit.java * @创建作者: 欧阳文斌 * @问题反馈: ouyangwenbin2009@live.cn * @创建日期: 2015年12月11日 下午2:20:07 */ public class BoltFCWSplit implements IRichBolt { private static final long serialVersionUID = 1L; private Logger logger = LoggerFactory.getLogger(BoltFCWSplit.class); private OutputCollector collector; /** 用户行为分析的LOG正则 */ private static Pattern s = Pattern.compile("" //时间 + "(.*?),.*" //类别 + "(YslHouseController|EsfHouseController|ZfHouseController|AgentInfoController|YywtController).*" //ip + "ip=(.*?),.*" //cityCode + "cityCode=(.*?),.*" //userId + "userId=(.*?),.*" //phone + "phone=(.*?),.*" //refererAddress + "refererAddress=(.*?),.*" //accessAddress + "accessAddress=(.*?),.*" //tags + "tags=(.*?),.*" //keyWord + "keyWord=(.*?),.*" //cookiesId + "cookiesId=(.*?),.*"); @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("object")); } @SuppressWarnings("rawtypes") @Override public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; } @Override public void execute(Tuple input) { String msg = "NOTHING"; try { //获取消息流 msg = input.getString(0); //异常日志判断 if(msg!=null&&msg.length()<1000){ //正则匹配 Matcher sm = s.matcher(msg); if(sm.find()){ //LOG日志格式转换这对象 _JJS_Log jjsLog = new _JJS_Log(); log2entity(sm, jjsLog); if (jjsLog.getUrl_type() == 5) { if (jjsLog.getNew_url() != null && jjsLog.getNew_url().indexOf("saveReserveOrderInfo") > -1 && !"".equals(jjsLog.getUserId()) && null != jjsLog.getUserId()) { //发送消息到下一个bolt collector.emit(new Values(jjsLog)); } } else { //发送消息到下一个bolt collector.emit(new Values(jjsLog)); } } } } catch (Exception e) { //错误记录做记录 不需要重复发送 logger.error("BoltFCWSplit@execute "+msg, e); } finally { //消息处理成功 collector.ack(input); } } @Override public void cleanup() { // TODO Auto-generated method stub } @Override public Map<String, Object> getComponentConfiguration() { // TODO Auto-generated method stub return null; } /** * @功能描述: log日志转化 * @创建作者: 欧阳文斌 * @创建日期: 2015年12月15日 上午11:34:45 * @param sm * @param jjsLog */ private void log2entity(Matcher sm, _JJS_Log jjsLog){ if(sm!=null&&jjsLog!=null){ int i=0; jjsLog.setS_date(sm.group(++i)); jjsLog.setType(SystemConstant.FCW_INDEX); String type = sm.group(++i); if(StringUtils.isNotEmpty(type)){ if(type.equals("YslHouseController")){ jjsLog.setUrl_type(1); }else if(type.equals("EsfHouseController")){ jjsLog.setUrl_type(2); }else if(type.equals("ZfHouseController")){ jjsLog.setUrl_type(3); }else if(type.equals("AgentInfoController")){ jjsLog.setUrl_type(4); } else if(type.equals("YywtController")){ jjsLog.setUrl_type(5); } } jjsLog.setIp(sm.group(++i)); jjsLog.setCityCode(sm.group(++i)); jjsLog.setUserId(sm.group(++i)); jjsLog.setTel_num(sm.group(++i)); jjsLog.setOld_url(sm.group(++i)); jjsLog.setNew_url(sm.group(++i)); jjsLog.setTags(sm.group(++i)); jjsLog.setKeyWord(sm.group(++i)); jjsLog.setCookies(sm.group(++i)); } } }
bolt中就是数据的逻辑处理,关键的方法是input.getString(0);获取数据,collector.emit(new Values(jjsLog));发送数据,collector.ack(input);告诉前一个发送者,信息处理成功。
在topology的grouping策略就是在Spout与Bolt、Bolt与Bolt之间传递Tuple的方式。总共有七种方式:
1)shuffleGrouping(随机分组)
2)fieldsGrouping(按照字段分组,在这里即是同一个单词只能发送给一个Bolt)
3)allGrouping(广播发送,即每一个Tuple,每一个Bolt都会收到)
4)globalGrouping(全局分组,将Tuple分配到task id值最低的task里面)
5)noneGrouping(随机分派)
6)directGrouping(直接分组,指定Tuple与Bolt的对应发送关系)
7)Local or shuffle Grouping
8)customGrouping (自定义的Grouping)
常用的也就是随机分组、按字段分组以及全局分组。
在自己Topology开发完成后,可以讲运行模型修改成本地,然后运行Topology,方便进行调试。若是要发布到进群环境中,则将Storm项目打包,maven install(作者是maven项目),将打好的jar上传到nimbus服务器。
storm jar storm-kafka-topology.jar com.jjshome.storm.topology.UserLogTopology
在jar的根目录上传jar到storm集群中,后面的类名是一个带main的topology,也就是上面的客户画像的topology。
发布成功后,可以在UI界面看到topology的运行情况,各个节点的日志处理数量,延迟时间
topology运行起来后,可以在各个数据存储的节点中,获取storm实时分析的结果。通过分析的结构,得到各个用户实时的各种标签,最后通过这些标签,在产品库中筛选最匹配的产品。
下面是作者的客户画像架构图
数据流程
1.用户操作产生日志
2.kafka收集日志
3.Storm分析处理日志
1)日志详情存储到mongoDB
2)半小时外意向模型存储到mongoDB
3)半小时内意向模型存储到redis
4)如果用户登录后的操作,则唤醒mongodb中所有的半小时意向模型,重新组装模型更新到mysql热表中
5)监控日志,如果发生预警事件操作,则触发意向模型以及精准推荐的生成
模型构建
在生成各种标签集合时,要加入权重因子(可变),针对不同产品,构建不同标签,再对各种操作以及权重因子,来生产用户标签。深度分析可以考虑加入机器学习在里面。
开发问题和运维问题的分析和解决
Q:在搭建集群的时候,通过UI看到各个节点的主机名一样,都是localhost,导致topology完全不工作。A:检测各个虚拟机的hostname,保持和hosts中配置的一致,再重启zookeeper和storm集群
Q:在发布topology到集群上后,在UI界面中看到各种class找不到的错误
A:将storm项目中的lib打包统一都放到storm中lib,这里要注意jar包冲突和版本问题
Q:在日志累加的时候,fail的日志越来越多,导致延迟越来越大
A:这个问题跟业务处理有关系,检查出现问题的bolt,通过删剪法,反复提交测试,找出有问题的代码
Q:发现设置的works节点不生效,实际的比设置的少很多
A:检查topology的配置器,是不是本地模式。
Q:数据实时处理,怎么才能高效的让数据落地
A:作者这里用了滚筒模式,累积半小时的数据,再统一存储,半小时以内的,直接存放在redis集群中
Q:在使用kafka的producer命令监控日志的时候,老是出现日志终端的现象
A:看看log4j是否配置了日志时间戳,因为开启了时间戳,日志将会定时或不定时的将文件重命名,然后新开硬盘地址做存储,这样kafka是没有办法获取新的log硬盘地址。解决办法:换用KafkaLog4jAppender方式,或者让log文件不替换,每天定时清理一次就好了
Q:kafka集群服务器硬盘空间满了
A:在没有什么设定的操作下,kafka收到的日志会存储在硬盘中,终究有一天,硬盘会满掉。解决办法:在各个节点添加crontab计划
0 6 * * * /home/zookeeper/bin/zkCleanup.sh -n 3
相关文章推荐
- [leetcode]6. ZigZag Conversion
- 05.文件系统
- 用Python语言写Hadoop MapReduce程序Writing an Hadoop MapReduce Program in Python
- 面向对象编程(四)继承,概念及super关键字,final关键字,Object类常见方法
- 第五十三天
- 关于阿里云服务器CentOS7的防火墙问题
- oracle 学习笔记 number
- C++中的单例模式(singleton)
- linux下安装tomcat
- 分数线划定
- windows 7下,给android ndk编译libcurl
- Android开发Style的使用,控件共同属性的抽取
- java SE基础(URL访问网络资源)
- 深入学习JVM堆与JVM栈(精华)
- Cocos2dx -- 入门之c++ 调用lua
- 03.deamon进程
- 04.LVM
- matconvnet编译
- HTTP 单线程 模拟迅雷下载
- 校园网&openwrt记(十五)luci module