HDFS 分布式存储基石

最新推荐文章于 2025-07-04 01:12:40 发布
原创 最新推荐文章于 2025-07-04 01:12:40 发布 · 437 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Hadoop #HDFS

本文详细介绍了HDFS的分布式存储基石，包括其基本概念、工作原理、数据读写过程、Namenode的深入解析、HDFS HA机制以及常见问题。HDFS设计目标是存储超大文件和海量文件，支持顺序写入，强调硬件容错和高吞吐量。文中还讨论了小文件问题、NameNode管理以及如何扩展存储容量。

HDFS 分布式存储基石

HDFS简介

HDFS是Hadoop 分布式文件系统。

所处角色

在这里插入图片描述

基本概念

  • 基于JAVA实现的一个分布式文件系统
  • 基于unix/linux
  • 是Hadoop最重要的核心组件
  • 支持顺序写入，而非随机定位读写

HDFS前提和设计目标

  • 存储超大文件
    HDFS 适合存储大文件，单个文件大小通常在百MB以上
    HDFS适合存储海量文件

  • 硬件容错
    基于普通机器搭建，硬件错误是常态而不是异常，因此错误检测和快速、自动的恢复是HDFS最核心的架构目标

  • 流式数据访问
    为数据批处理而设计，关注数据访问的高吞吐量

  • 简单的一致性模型
    一次写入，多次读取
    一个文件经过创建、写入、关闭之后就不需要改变

  • 本地计算
    将计算移动到数据附近

HDFS构成及工作原理解析

基本构成

  • 数据块
    • 文件以块为单位进行切分存储，块通常设置的比较大（最小6M，默认128M）
    • 块越大，寻址越快，读取效率越高，但同时由于MapReduce任务也是以块为最小单位来处理，所以太大的块不利于对数据的并行处理
    • 一个文件至少占用一个块（逻辑概念）
  • Namenode与Datanode
    • namenode负责维护整个文件系统的信息，包括：整个文件树，文件的块分布信息，文件系统的元数据，数据复制策略等
    • datanode存储文件内容存储文件内容，负责文件实际的读写操作，保持与namenode的通信，同步文件块信息

数据读写过程

集群结构

在这里插入图片描述

HDFS读取写入过程

在这里插入图片描述
通过网络拓扑图判断距离
在这里插入图片描述

namenode深入

作用：

  • Namespace管理：负责管理文件系统的树状目录结构以及文件与数据块的映射关系
  • 块信息管理：负责管理文件系统中文件的物理块与实际存储位置的映射关系BlocksMap
  • 集群信息管理：机架信息，datanode信息
  • 集中式缓存管理：从Hadoop2.3开始，支持datanode将文件缓存到内存中，这部分缓存通过NN集中管理

存储结构：

  • 内存：Namespace数据，BlocksMap数据，其他信息
  • 文件：
    • 已持久化的namespace数据：FsImage
    • 未持久化的namespace操作：Edits

启动过程：
在这里插入图片描述

  1. 开启安全模式：不能执行数据修改操作
  2. 加载fsimage
  3. 逐个执行所有Edits文件中的每一条操作将操作合并到fsimage，完成后生成一个空的edits文件
  4. 接受datanode发送来的心跳消息和块信息
  5. 根据以上信息确定文件系统状态
  6. 退出安全模式
  • 安全模式：文件系统只接受读数据请求，而不接受删除、修改等变更请求
  • 什么情况下进入：NameNode主节点启动时，HDFS进入安全模式
  • 什么时候退出：系统达到安全标准时，HDFS退出安全模式
    • dfs.namenode.safemode.min.datanodes : 最小可用datanode数量
    • dfs.namenode.safemode.threshold-pct : 副本数达到最小要求后的block占系统总block数的百分比
    • dfs.namenode.safemode.extention : 稳定时间
  • 相关命令：
    • hdfs dfsadmin -safemode get : 查看当前状态
    • hdfs dfsadmin -safemode enter : 进入安全模式
    • hdfs dfsadmin -safemode leave : 强制离开安全模式
    • hdfs dfsadmin -safemode wait : 一直等待直到安全模式结束
HDFS HA
  • Datanode：通过数据冗余保证数据可用性
  • Namenode：在2.0之前存在SPOF风险，从2.0后：
    1.把name.dir指向NFS（Network File System）——冷备
    在这里插入图片描述
    2.QJM方案（公司常用）——热备
    在这里插入图片描述
HDFS文件格式

HDFS支持任意文件格式

HDFS文件类型

列式与行式存储
在这里插入图片描述

HDFS文件类型

常用文件类型
在这里插入图片描述
如何使用？

ALTER TABLE table_name SET FILEFORMAT PARQUET;
CREATE TABLE table_name (x INT, y STRING) STORED AS PARQUET;
SET hive.default.fileformat=Orc

HDFS常用设置及常见问题

常用配置

配置文件路径：$ HADOOP_HOME $/etc/hadoop
主要配置文件：

  • hdfs-site.xml
  • core-site.xml
    在这里插入图片描述
常见问题
  • 小文件问题
    • 定义： 大量大小小于块大小的文件
    • 实际场景： 网页， Hive动态分区插入数据等
    • 背景： 每个文件的元数据对象约占150byte， 所以如果有1千万个小文件，
    • 每个文件占用一个block， 则NameNode大约需要2G空间。 如果存储1亿个文件， 则NameNode需要20G空间； 数据以块为单位进行处理。
    • 影响： 占用资源， 降低处理效率
    • 解决方案：
      • 从源头减少小文件
      • 使用archive打包
      • 使用其他存储方式， 如Hbase， ES等
Namenode管理

大数据量下的namenode问题：

  1. 启动时间边长
  2. 性能开始下降
  3. NameNode JVM FGC风险较高

解决方案：

  1. 根据数据增长情况，预估namenode内存需求，提前做好预案
  2. 使用HDFS Federation，扩展NameNode分散单点负载
  3. 引入外部系统支持NameNode内存数据
  4. 合并小文件
  5. 调整合适的BlockSize

反思问题

  • 数据块的复制策略？
  • 调整块的大小会造成哪些影响？
  • namenode 启动过程？
  • namenode HA方案？
  • secondary namenode 的作用？
  • hdfs常用文件格式有哪些？ 各有什么优缺点？
  • 如何扩展HDFS的存储容量？
HDFS分布式存储系统简述
weixin_52496695的博客
04-12 2345
HDFS分布式存储系统 HDFS存储架构 文件存储系统原理 文件存储在磁盘上，磁盘读取数据靠的是机械运动。 当需要从磁盘读取数据时，系统会将数据逻辑地址传给磁盘，磁盘的控制电路按照寻址逻辑将逻辑地址翻译成物理地址，即确定要读的数据在哪个磁道，哪个扇区。为了读取这个扇区的数据，需要将磁头放到这个扇区上方， 为了实现这一点，磁头需要移动对准相应磁道，这个过程叫做寻道，所耗费时间叫做寻道时间，然后磁盘旋转将目标扇区旋转到磁头下，这个过程耗费的时间叫做旋转时间。 最后是对读取数据的传输。 所以每次读取数据花费
HDFS分布式存储的意义及技术解析
HDFSpt的博客
09-14 1242
HDFS引领分布式存储浪潮,成为新基建的“助推器”！ 自“新基建”的概念和范围发布以来，新型基础设施建设在稳投资、稳增长中所发挥的作用就引起市场关注。在公开场合，发改委、财政部等部门相关负责人，也多次表态称将加快推进“两新一重”建设，对市场而言，这种发声背后，或许意味着未来将会有一系列政策予以支持。 新基建对数据处理提出了海量、多元、实时、多元的挑战，大数据中心构成了新基建的“基石”，服务器、分布式存储、带宽成为刚需，企业需利用分布式存储架构在性能和容量扩展方面的优势，解决大规模、高并发场景下对数据存储的挑
后端分布式系列：分布式存储－HDFS 架构解析
iteye_2022的博客
08-21 519
本文以 Hadoop 提供的分布式文件系统（HDFS）为例来进一步展开解析分布式存储服务架构设计的要点。 架构目标 任何一种软件框架或服务都是为了解决特定问题而产生的。还记得我们在 《分布式存储 - 概述》一文中描述的几个关注方面么？分布式文件系统属于分布式存储中的一种面向文件的数据模型，它需要解决单机文件系统面临的容量扩展和容错问题。 所以 HDFS 的架构设计目标就呼之欲出了： ...
分布式存储系统HDFS
apple_50595445的博客
12-06 3865
3.1 HDFS简介 Hadoop平台解决两大核心问题： 分布式存储 分布式处理 HDFS就是解决海量数据分布式存储 背景：大数据时代，对于海量的数据，单个计算机无法处理，只能借助整个集群来处理海量数据。 文件系统结构（主从结构）： 主节点：承担起目录作用，比如元数据服务。 从节点：实现数据存取的任务。 实现目标： 兼容廉价的硬件设备 实现流数据读写（对于数据整个读写或者大部分读写，不会访问某一个子集，或一个块），满足海量数据批处理需求 支持大数据集 支持简单的文件模型，牺牲一些相关的性能，但是
分布式存储-HDFS
mizui_i的博客
12-07 1809
一.特点 高容错和高可用性 流式数据访问 弹性存储,支持大规模数据集 简答一致性模型(一次写,多次读) 移动计算而非移动数据 协议和接口多样 多样的数据管理功能 二.架构设计 2.1核心组件 NameNode(NN) 元数据管理者,管理NameSpace(文件系统命名空间)记录文件是如何切分并存储在那些节点上的一些信息 NameSpace上任何属性的更改都由NameNode记录,维护整个系统的文件和目录. DataNode(DN) DN是文件系统的工作节点,根据客户端或者NameN
HDFS的存储原理
weixin_49107940的博客
09-16 1558
在hdfs中，文件是被划分了一堆堆的block块，那如果文件很大、以及文件很多，Hadoop是如何记录和整理文件和block块的关系呢？对于已经存在HDFS的文件，修改dfs.replication属性不会生效，如果要修改已存在文件可以通过命令。edits文件，是一个流水账文件，记录了hdfs中的每一次操作，以及本次操作影响的文件其对应的block。除了配置文件外，我们还可以在上传文件的时候，临时决定被上传文件以多少个副本存储。将全部的edits文件，合并为最终结果，即可得到一个FSImage文件。
Hadoop HDFS分布式文件系统原理及应用介绍
weixin_51689029的博客
09-07 2221
HDFS有着高容错性特点，且设计用来部署在低廉的硬件上，提供高吞吐量来访问应用程序的数据，适合那些有着超大数据集的应用程序。HDFS放宽了POSIX的要求，可以实现流的形式访问文件系统中的数据。Hadoop分布式文件系统HDFS是一种被设计成适合运行在通用硬件上的分布式文件系统。HDFS是一个高度容错性的系统，适合部署在廉价的机器上。它能提供高吞吐量的数据访问非常适合大规模数据集上的应用。HDFS概念。
精选资源
基于hdfs和mapreduce的分布式存储和计算框架.zip
03-13
《基于HDFS和MapReduce的分布式存储与计算框架详解》 在当今大数据时代，处理海量数据成为企业面临的挑战。为了应对这一挑战，一种名为Hadoop的开源框架应运而生，它以其强大的分布式存储和计算能力，成为了业界的...
揭秘大数据存储基石HDFS-理论篇.pptx_揭秘大数据存储基石HDFS_pptx_
09-29
**大数据存储基石：HDFS（Hadoop Distributed File System）理论篇** HDFS是Apache Hadoop项目的核心组件之一，是为处理大规模数据集而设计的一种分布式文件系统。它以高容错性和高可用性为目标，旨在运行在廉价的...
Hadoop HDFS：分布式存储的“智能仓储系统“
bill的博客
07-04 783
分布式存储解决容量瓶颈副本机制保障数据安全机架感知优化访问效率正如现代物流离不开智能仓储系统，大数据生态也离不开HDFS这个基石。掌握其运作原理，就掌握了开启大数据世界的钥匙。
【OpenCV】高手勿入! 半小时学会基本操作 9 滤波器_opencv 高斯核函数在x方向上的标准偏差 csdn
2401_84166147的博客
04-28 525
高斯噪声 (Gaussian Noise) 是概率密度函数服从高斯分布的一类噪声.高斯滤波器 (Gauss Filter) 是一种线性平滑滤波, 适用于高斯噪声.中值滤波器 (Median Filter) 用中值填充.
第二章 HDFS 实现分布式存储
我若成佛，天下无魔；我若入魔，佛奈我何！
02-25 889
1、HDFS的体系结构 HDFS的优势： 存储超大文件 标准流式访问：“一次写入，多次读取” 运行在廉价的商用机器集群上 HDFS的缺点： 不能满足低延迟的数据访问 无法高效存储大量小文件 暂时不支持多用户写入及随意修改文件 HDFS体系结构： （图2.1） HDFS体系...
Hadoop家族之HDFS分布式文件系统
优快云博客技术，java高级工程师，业务层架构师，高级管理认证，毕业设计可以联系我
03-21 1254
HDFS是 Hadoop Distribute File System 的简称，意为：Hadoop分布式文件系统。是Hadoop核心组件之一，作为最底层的分布式存储服务而存在。分布式文件系统解决的问题就是大数据存储。它们是横跨在多台计算机上的存储系统。分布式文件系统在大数据时代有着广泛的应用前景，它们为存储和处理超大规模数据提供所需的扩展能力。DFS使用多台计算机存储文件，并且提供统一的访问接口，像是访问一个普通文件系统一样使用分布式文件系统。
分布式存储与HDFS
每个人为不同的理由带着面具说谎，动机也只有一种名字那 叫做欲望
10-09 585
大数据学习一什么是大数据简述大数据技术分布式存储分布式计算机器学习分布式存储HDFS备份机制client向DataNode写数据client向datanode读数据持久化的详细过程再来简单说说心跳机制当集群启动时安全模式HDFS集群注意事项鸣谢 什么是大数据 简述 短时间内 快速的 产生 海量的 多种多样的 有价值的 数据。 提取出 大数据的四个特性(4个V): volumes 海量的数据 ...
Secondary NameNode作用
Bloddy的博客
05-29 2560
在讲解Secondary NameNode作用之前，先看下没有Secondary NameNode存在的问题。 没有Secondary NameNode存在的问题 NameNode主要是用来保存HDFS的元数据信息，比如命名空间信息，块信息等。主要通过以下两种文件来管理。 fsimage - 它是在NameNode启动时对整个文件系统的快照 edit logs - 它是在NameNode启...
分布式文件存储系统&&HDFS
dfq737211338的博客
06-13 542
HDFSHadoop Distributed File System，它是一个分布式文件存储系统。适用于适合一次写入，多次读出的场景。优点高容错性数据自动保存多个副本，通过增加副本的形式，提高容错性。一个副本丢失以后，可以自动恢复。适合处理大数据数据规模：能够处理数据规模达到GB、TB甚至PB级别的数据文件规模：能够处理百万规模以上的文件数量，数量相当之大可以构建在廉价机器上，通过多副本机制，提高可靠性。缺点不适合低延时数据访问：比如无法做到毫秒级的存储数据。
【云原生】简单谈谈分布式存储组件HBase
隐风的博客
07-30 825
是一个非关系型数据库（稀疏矩阵）关系型数据库有固定的列，每一列的数据类型明确非结构化数据，半结构化数据。存储的目标数据数据量大结构简单基于key的快速查找能力可以面向列进行查询为什么要有hbase，为什么不用hdfs因为hdfs适用的场景是海量的数据批读写，不支持海量数据中的个别数据修改而Hbase支持在海量数据中，修改某一个数据。Hbase的快，是相对于hdfs来说的。...
Linux常用服务部署实战三(万字长文)：分布式存储-GlusterFS
github_31369641的博客
01-13 1396
glusterfs是一个免费,开源的分布式文件系统（它属于文件存储类型主要由 Z RESEARCH 公司负责开发。GlusterFS 具有强大的横向扩展能力，通过扩展能够支持数PB存储容量和处理数千客户端。GlusterFS 可以将物理分布的存储资源聚集在一起，使用单一全局命名空间来管理数据，可为各种不同的数据负载提供优异的性能。GlusterFS 主要由存储服务器（Brick Server）、客户端以及 NFS/Samba 存储网关组成。
分布式存储
2301_76288258的博客
01-16 3561
2）在 Ceph 中，一切皆对象。Ceph从Nautilus版本（14.2.0）开始，每年都会有一个新的稳定版发行，预计是每年的3月份发布，每年的新版本都会起一个新的名称（例如，“Mimic”）和一个主版本号（例如，13代表Mimic，因为“M”是字母表的第13个字母）。例如OSS，一个存储可以被多服务同时访问，具备块存储的高速读写能力，也具备文件存储共享的特性，适用图片存储、视频存储 基于API接口提供的文件存储，每一个文件都是一个对象，且文件大小各不相同的，文件的元数据和实际数据是存放在一起的。
HDFS分布式系统是什么
最新发布
07-18
<think>我们正在讨论HDFS分布式文件系统的基本原理和应用场景。根据用户提供的引用材料，我们可以总结如下： HDFS（Hadoop Distributed File System）是Hadoop的核心组件之一，设计用于存储和管理大规模数据集（TB级甚至PB级）。它基于“分而治之”的思想，将大文件分割成多个块（Block），并分布存储在多台机器上，同时通过副本机制提供高容错性。 ### 基本原理 1. **主从架构**：HDFS采用Master/Slave架构，包含两类节点： - **NameNode（主节点）**：负责管理文件系统的命名空间（NameSpace），存储元数据（如文件目录树、文件到数据块的映射、数据块位置等）[^2][^4]。 - **DataNode（从节点）**：存储实际的数据块，并定期向NameNode发送心跳和块报告[^2][^4]。 2. **数据分块与副本**： - 文件被分割成固定大小的块（默认为128MB），每个块被复制多份（默认3份）存储在不同的DataNode上，以实现容错和高可用[^2][^5]。 - 副本放置策略：第一个副本放在客户端所在节点（或随机节点），第二个副本放在不同机架的节点，第三个副本放在与第二个副本相同机架的不同节点[^2]。 3. **写数据流程**： 1. 客户端向NameNode发起写请求。 2. NameNode检查权限后，返回可写入的DataNode列表。 3. 客户端将数据块写入第一个DataNode，该节点再转发给第二个节点，依次形成流水线复制。 4. 所有DataNode确认写入成功后，客户端通知NameNode完成写入[^2][^4]。 4. **读数据流程**： 1. 客户端向NameNode请求文件位置。 2. NameNode返回文件块所在的DataNode列表（按网络拓扑排序）。 3. 客户端直接从最近的DataNode读取数据块[^2][^4]。 5. **容错机制**： - **NameNode高可用**：通过主备模式（如Secondary NameNode或HA方案）防止单点故障[^2][^4]。 - **数据完整性**：DataNode使用校验和验证数据块完整性，损坏的块会从其他副本恢复[^4][^5]。 - **安全模式**：启动时NameNode进入安全模式，等待DataNode汇报块信息，确保系统状态健康[^2]。 ### 应用场景 1. **大数据存储**： - 适用于存储海量数据（如日志、视频、图像等非结构化数据），支持PB级扩展[^3][^5]。 2. **批处理分析**： - 与MapReduce、Spark等计算框架集成，支持离线数据分析（如用户行为分析、报表生成）[^3][^5]。 3. **高吞吐访问**： - 设计为“一次写入，多次读取”模式，适合数据写入后频繁读取的场景（如数据仓库查询）[^2][^3]。 4. **容灾备份**： - 多副本机制可防止硬件故障导致的数据丢失，适合对可靠性要求高的场景[^5]。 ### 优缺点分析 | 优点 | 缺点 | |------|------| | 高容错性（副本机制） | 不适合低延迟访问（如毫秒级响应） | | 高吞吐量（并行读写） | 小文件存储效率低（占用NameNode内存） | | 可扩展性（支持10k+节点） | 不支持文件修改（仅追加写） | | 低成本（通用硬件） | | > 💡 **总结**：HDFS是构建大数据平台的基础存储系统，核心价值在于**分布式存储**和**高容错性**。它解决了单机无法存储海量数据的问题，并通过副本机制保障数据安全。实际应用中常与YARN、MapReduce、Spark等组件配合使用[^1][^3]。 §§相关问题§§ 1. HDFS副本放置策略如何优化跨机架容灾？ 2. 为什么HDFS不适合存储小文件？如何解决？ 3. HDFS的Secondary NameNode与HA方案有何区别？ 4. 如何通过FUSE实现HDFS挂载为本地文件系统？ > 引用来源： > [^1]: HDFS解决了单机存储瓶颈问题，实现多机文件统一管理 > [^2]: HDFS主从架构与读写流程详解 > [^3]: HDFS适用于海量数据存储与批处理场景 > [^4]: HDFS的容错机制与运维管理 > [^5]: HDFS设计原理与核心特性（高可用、高吞吐）</think>### HDFS分布式文件系统基本原理与应用场景 #### **一、HDFS的核心概念** 1. **设计目标** - 解决单机存储瓶颈：通过分布式架构存储**超大规模数据**（TB/PB级）[^1]。 - **高容错性**：自动处理硬件故障（如节点宕机、磁盘损坏）。 - **高吞吐量**：支持海量客户端并发读写，适合批处理场景[^5]。 2. **核心组件** | 组件 | 作用 | |------------------|----------------------------------------------------------------------| | **NameNode** | 存储元数据（文件目录树、数据块位置），管理文件系统命名空间[^2][^4]。 | | **DataNode** | 存储实际数据块，定期向NameNode发送心跳和块报告[^2][^4]。 | | **Secondary NameNode** | 辅助NameNode合并元数据快照（非热备）[^4]。 | | **Client** | 读写请求发起端，通过SDK与HDFS交互[^5]。 | 3. **数据存储原理** - **分块存储**：文件被分割为固定大小的块（默认128MB），分散存储在多台DataNode上[^2]。 - **多副本机制**：每个数据块默认复制3份，放置在不同机架的节点上，确保容灾[^4][^5]。 ```plaintext 副本放置策略： 副本1: 客户端所在节点 副本2: 同一机架的不同节点 副本3: 不同机架的节点 ``` --- #### **二、HDFS的工作原理** 1. **文件写入流程** ```mermaid graph LR A[Client] --> B[请求NameNode写入路径] B --> C[NameNode验证权限并分配DataNode列表] C --> D[Client将数据块写入第一个DataNode] D --> E[DataNode流水线复制到其他节点] E --> F[所有DataNode确认写入成功] F --> G[Client通知NameNode完成写入] ``` - 关键点：数据通过**流水线复制**（Pipeline）并行传输，提升效率[^2][^5]。 2. **文件读取流程** ```mermaid graph LR A[Client] --> B[请求NameNode获取数据块位置] B --> C[NameNode返回最近的DataNode列表] C --> D[Client直接从DataNode读取数据块] D --> E[合并数据块输出完整文件] ``` - 关键点：Client**就近读取**数据块，减少网络延迟[^4]。 3. **容错机制** - **DataNode故障**：NameNode检测到心跳超时后，触发副本复制到健康节点[^4]。 - **数据校验**：通过**校验和**（Checksum）验证数据完整性，损坏时自动修复[^4]。 - **安全模式**：启动时NameNode不响应写请求，等待DataNode汇报块信息[^2]。 --- #### **三、HDFS的应用场景** 1. **适合场景** - **海量数据存储**：日志、视频、图像等非结构化数据仓库（如数仓底层存储）[^3][^5]。 - **批处理分析**：与MapReduce/Spark集成，处理离线数据（如用户行为分析）[^3]。 - **高吞吐读写**：流式数据访问（如传感器数据实时入库）[^2]。 - **容灾备份**：多副本机制保障数据安全[^5]。 2. **不适用场景** - ❌ 低延迟访问：如在线交易系统（HDFS设计为高吞吐，非低延迟）。 - ❌ 频繁修改文件：HDFS仅支持**追加写入**，不支持随机修改[^2][^4]。 - ❌ 小文件存储：大量小文件会耗尽NameNode内存（需合并为SequenceFile等格式）。 --- #### **四、HDFS的优缺点** | **优点** | **缺点** | |-----------------------------------|-----------------------------------| | 高容错性（多副本机制）[^5] | 不适合低延迟访问[^2] | | 高吞吐量（并行读写）[^5] | 小文件存储效率低[^4] | | 可扩展性（支持10k+节点）[^5] | 不支持文件随机修改[^4] | | 低成本（通用硬件）[^5] | 单NameNode瓶颈（联邦集群可缓解） | > 💡 **总结**： > HDFS是**分布式数据存储的基石**，核心价值在于通过分块、多副本和主从架构，实现**海量数据的高可靠存储与高吞吐访问**。适合大数据离线分析、日志存储等场景，但需避免用于实时交互系统[^1][^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值