墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
3.5k累计阅读
3.5k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
微服务中的逻辑复杂处理时间长的情况，在高并发量下，导致服务线程消耗尽，不能再创建线程处理请求。对这种情况的优化，除了在程序上不断调优(数据库调优，算法调优，缓存等等)，可以考虑在架构上做些调整，先返回结果给客户端，让用户可以继续使用客户端的其他操作，再把服务端的复杂逻辑处理模块做异步化处理。这种异步化处理的方式适合于客户端对处理结果不敏感不要求实时的情况，比如群发邮件、群发消息等。
下面介绍三种异步化架构：
1. 服务端接收到请求后，创建新的线程处理业务逻辑，服务端先回应答给客户端。
2. 服务端接收到请求后，服务端先回应答给客户端，再继续处理业务逻辑。
3. 服务端接收到请求后，服务端把信息保存在消息队列或者数据库，回应答给客户端，服务端业务处理进程再从消息队列或者数据库上读取信息处理业务逻辑
5种主流触觉传感器对比：GelSight、DIGIT、Taxim、GelSlim和TACTO如何选？
本文深度解析了GelSight、DIGIT、Taxim、GelSlim和TACTO五款主流触觉传感器的技术原理与核心特性。通过对比视觉传感与电学传感两大技术路径，为机器人灵巧抓取、精密检测等应用场景提供清晰的选型决策指南，帮助开发者根据项目需求在分辨率、响应速度、集成度与成本之间找到最佳平衡。
异步架构，避免相互依赖的系统耦合
如果按照压力最大的情况部署服务器集群，那么服务器在绝大部分时间内都处于闲置状态，但是利用消息队列，可以将需要处理的消息放入消息队列中，而消费者可以控制消费的速度，因此能够降低系统访问的高峰压力，而在访问低谷的时候，可以继续消费消息队列中未处理的消息，保持系统的资源利用率。这种场景也可以用点对点的模式，由应用程序，也就是消息生产者构造发送邮件的消息，发送到邮件消息队列，以及构造短信消息，构造新用户消息，构造数据库消息分别发送到相关消息队列中，然后由对应的消息消费者程序分别获取消息进行处理。
DEV-C++调试设置
昨天用C/C++去考了CSP，结果用DEV-C++调试总是闪退，按照我的记忆打开了调试参数，迷迷糊糊搞了一通，还是没办法调试，难受了几个小时。所以今天痛下决心，一定要写下DEV-C++设置调试的过程，警示自己！ 解决步骤 1.打开DevC++找到上方工具栏 2.点击选择编译选项，再按下图所示设置即可
「架构」全链路异步模式
总结自尼恩的全链路异步：网关纯异步化网关层的特点：不需要访问业务数据库只做协议转换和流量转发特点是 IO 密集型，特别适合纯异步的架构，可以极大的节省资源。如何进行网关异步化？使用高性能的通信框架Netty，这是一个基于NIO 非阻塞IO+ Reactor 纯异步线程模型的纯异步化框架springcloud getway 它是基于spring 5.0 、spring boot 2.0 和spring reacter，为微服务提供一个简单有效的网关API路由接口。
ATE测试基础——直流参数测试
芯片测试在发展过程中诞生了许多术语，初次接触的人大部分都会被绕晕。因此为方便广大读者理解，在开始介绍测试项之前，需要对测试领域的名词进行解释。还有部分较为抽象的内容，需要略作展开。DUT——Device Under Test，正在被测试的器件Pin——器件引脚，信号引脚分为输入，输出，三态和双向四类，负责与外界进行信息交互；电源引脚分为电源和地两类，结构与信号引脚不同，负责给器件内部运行和外部输出提供电平。输入：在外部信号和器件内部逻辑之间起缓冲作用的信号输入通道;
半导体行业周期分析：库存、需求与复苏路径深度解读
半导体行业作为现代科技产业的基石，其周期性波动受供需关系、库存水平和宏观经济等多重因素影响。从技术原理上看，行业景气度通常通过库存周转天数、晶圆厂产能利用率等核心指标进行监测，这些指标反映了产业链各环节的健康状况。在工程实践中，理解这些指标有助于企业进行库存管理和产能规划，从而提升运营效率。当前，半导体市场正经历结构性分化，其中**库存周转天数**和**晶圆厂产能利用率**成为判断市场拐点的关键。在应用场景上，汽车电子、人工智能等领域需求相对稳健，而消费电子则面临较大压力。本文聚焦于半导体行业的周期特征，探
架构设计 异步处理流程，多种实现模式详解
一、异步处理 1、异步概念 异步处理不用阻塞当前线程来等待处理完成，而是允许后续操作，直至其它线程将处理完成，并回调通知此线程。 必须强调一个基础逻辑，异步是一种设计理念，异步操作不等于多线程，MQ中间件，或者消息广播，这些是可以实现异步处理的方式。 同步处理和异步处理相对，需要实时处理并响应，一旦超过时间会结束会话，在该过程中调用方一直在等待响应方处理完成并返回。同步类似电话沟通，需要实时对话，异步则类似短信交流，发送消息之后无需保持等待状态。 2、异步处理优点 虽然异步处理不能实时响应，但是
DDR4协议规范之（一）DDR4结构和寻址
DDR4 SDRAM结构和寻址DDR4 SDRAM的封装和寻址新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 DDR4 SDRAM的封装和寻址 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习
分布式异步任务框架celery
同时，Celery还支持定时任务，通过Beat服务可以周期性地将任务发往消息队列，实现定时执行的功能。这种设计使得任务的发布和执行可以异步进行，提高了系统的响应速度和吞吐量。通过启动多个工作进程，Celery可以并行处理多个任务，从而充分利用系统资源，提高任务的处理速度。综上所述，Celery通过消息中间件、分布式设计、丰富的任务执行功能以及容错机制等技术手段，实现了高效的异步任务处理。从技术角度来看，Celery是一个功能强大的分布式异步任务框架，它通过一系列关键技术和特性，实现了高效的异步任务处理。
手把手教你用Xilinx SelectIO IP核搞定ADS42LB69高速ADC的DDR数据采集（附仿真调试技巧）
本文详细介绍了如何使用Xilinx SelectIO IP核实现ADS42LB69高速ADC的DDR数据采集，包括IP核配置、仿真验证和硬件调试技巧。通过精准的时序控制和实战调试方法，解决高速数据采集中的时序对齐问题，提升系统稳定性和可靠性。特别适合FPGA工程师和高速ADC接口设计者参考。
SPAD IMX479规格_分辨率
当然IMX479具备IMX459几乎全部的数字架构，但也有一个缺点就是贵，这个让头部的主机厂有些犹豫，毕竟大家都在集中火力想把车载LiDAR玩进千元机。如果用一片IMX479是不太可能实现千元内部的，当然国产也在奋起直追，特别在前面的几家SPAD厂商都具备开发IMX479的实力，但相对来说落地可能更是当下所考虑的，IMX479的迭代是基于IMX459，小编已经注意到国内有一两家已经在挑战479的规格了，如果国产SPAD没有大规模量产就直接流片IMX479的规格，可能就有点忽略市场的反馈闭环。
2、微服务架构中的性能瓶颈：如何通过Dubbo异步化解决线程池耗尽问题？
本文探讨了微服务架构中Dubbo同步调用导致的线程池耗尽问题及其解决方案。通过分析高流量场景下同步调用的性能瓶颈，提出采用异步化技术提升系统吞吐量的方法。文章包含Python异步数据库查询示例和Mermaid流程图展示的端到端工作流，并给出评估业务场景、代码重构和性能测试等实践建议。最后推荐延伸阅读材料，帮助开发者深入理解Dubbo异步调用机制和系统性能优化策略。异步化实践能有效解决线程阻塞问题，提高资源利用率和用户体验。
【2026OD新机考】【不定滑窗】20260415-API请求日志去重分析【Py/Java/C++/C/JS/Go六种语言OD真题】【欧弟算法】全网注释最详细分类最全的华子OD真题题解
中找到所有的连续的相同元素，同时统计对应的连续相同元素对应的值的平均值。：当右指针为第一个元素（没有前一个元素），或者右指针对应的元素。某微服务系统的日志监控平台需分析API调用记录，日志含大量。相等，说明当前元素仍然属于同一个相同元素窗口，将当前元素值。中的所有元素均相等，并且计算窗口和情况即可。请实现一个函数，对给定的日志数据去重合并处理。位置，表示开启一个新的窗口，此时需要重置窗口和。，为了优化重复的请求记录，存储和后续分析需对。：对应的响应时间数组（毫秒）。重新置为当前右指针的元素值。
Spring Cloud Stream与RocketMQ深度整合：构建异步化微服务架构
在新的函数式编程模型下，我们通过定义Supplier和Function来实现消息的发送和接收。@Beanlog.info("收到订单消息：订单号={}, 状态={}, 类型={}",// 具体的业务处理逻辑// 订单处理实现。
win10 跳过U8环境检测的IE WebControls.rar
win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
架构设计的核心解法与权衡艺术（一）：异步化&事件驱动、接口抽象与微服务
如果说之前的模块三，我们扮演的是一名严谨的“诊断医师”，通过“望闻问切”和精密的“检测设备”，找出了系统中存在的种种“病症”——无论是纠缠不清的“坏味道”，还是过度复杂的“肿瘤”，亦或是导致系统“力不从心”的性能瓶颈。我们的目标是，让你在面对不同的耦合场景时，能够胸有成竹地选择最合适的“武器”，给出明确、高效的解决方案。你的系统，可能从一个单体应用开始，逐步引入异步化，然后将某些核心、多变的流程改造为事件驱动，最终，随着团队规模的扩大，再将某些成熟的、独立的限界上下文，拆分为微服务。，实现真正的并行开发。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
异步服务_微服务全链路异步化实践
1. 背景随着公司业务的发展，核心服务流量越来越大，使用到的资源也越来越多。在微服务架构体系中，大部分的业务是基于Java 语言实现的，受限于Java 的线程实现，一个Java 线程映射到一个kernel 线程，造成了高并发场景下线程资源的极大浪费，线程成为提高系统并发和吞吐量的瓶颈。在微服务架构下，使用同步编程模式时不仅造成了资源的极大浪费，并且在流量发生激增波动的时候，受制于系统资源...
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
高并发系统架构设计全链路指南
ShardingSphere 读写分离 + 分库分表。：数据库单点压力大，单表行数过多影响查询效率。：RocketMQ 异步下单 + 线程池优化。：服务无状态化 + 负载均衡 + gRPC。：屏蔽分库分表复杂性，提高开发效率。：避免业务阻塞，提升并发处理能力。：减少单库压力，提高并发处理能力。：降低服务间延迟，提高 QPS。：优化请求调度，提高吞吐能力。：解耦服务，提高系统扩展能力。，优化架构，提高吞吐量。
深度剖析：熔断、降级与异步化防御体系
深度剖析：熔断、降级与异步化防御体系
服务异步化能力、重试/限流/降级/熔断/反压、主从模式、集群模式、AZ内的高可用、单元化、跨region容灾、异地多活容灾
和是微服务架构中常用的两种技术手段，它们在应对系统异常和资源分配方面有着不同的作用和机制。
异步接口同步返回_微服务全链路异步化实践
1. 背景随着公司业务的发展，核心服务流量越来越大，使用到的资源也越来越多。在微服务架构体系中，大部分的业务是基于Java 语言实现的，受限于Java 的线程实现，一个Java 线程映射到一个kernel 线程，造成了高并发场景下线程资源的极大浪费，线程成为提高系统并发和吞吐量的瓶颈。在微服务架构下，使用同步编程模式时不仅造成了资源的极大浪费，并且在流量发生激增波动的时候，受制于系统资源...
架构初探一(如何设计分布式架构)
架构初探一如何设计分布式架构微服务划分维度（本质有两个维度）微服务使用场景考虑微服务架典型模式如何让服务高可用 如何设计分布式架构 微服务划分维度（本质有两个维度） 1.架构层面：如网关、业务逻辑、数据访问等这些层次。 2.业务层面：如商品销售系统中的商品查看、商品订单、商品瓶扣库存等这些业务。 微服务使用场景考虑 产品的需求层面 :如果产品需求比较少，改动点少，业务单一，如：打卡系统，简单的H...
[Java]深度探索微服务架构下高并发系统的性能调优实战
然而，高并发场景下的性能瓶颈也随之凸显：服务间通信延迟、数据库连接池耗尽、资源竞争导致的服务雪崩、分布式事务管理复杂等问题，成为制约系统稳定性的关键因素。- 异步化设计：采用Java `CompletableFuture` 或 Spring Cloud Stream 实现异步调用，并通过消息队列（如RabbitMQ、Kafka）解耦生产与消费。- 缓存层设计：使用Redis缓存高频查询（如商品详情、用户权限），并通过Redis的Pipeline和批量操作（`MGET`、`MSET`）提升吞吐量。
互联网架构下的技术体现
互联网架构下的技术体现高可用设计手段负载均衡技术应用层负载热备多机房部署应用的可用性容错性自我保护能力监控高并发设计用户体验架构层面异步化架构冗余代码层面中间件层面的优化客户端层面的优化存储层面服务的幂等性锁单线程锁分布式锁 高可用设计手段 单点故障 负载均衡技术 硬件负载、F5、Netscalar 软件负载、apach、nginx、lvs、Haproxy 一个负载均衡服务器连接多台tomcat服务器 F5、stantBy。心跳线 nginx，lvs+keepalived（VRRP）
微服务架构实战笔记
为什么MQ 比写DB快，因为MQ99% 都是顺序写，DB 99% 都是随机写。 异步架构中，网关层不用接入MQ是因为网关层是用来过滤掉大量的请求，如果写入mq 则会有大量的脏数据 nginx 不要做web 容器，运维负责 主要做反向代理 和 简单的限流 根据ip限流 微服务使用场景 需求层面 微服务是需求比较频繁，像ERP、OA系统需求就不是很频繁,更新频率低 性能层面 吞吐量会变高，每一层都可...
基于微服务的企业应用架构设计范式
这个话题曾经分别在PWorld大会和QCon2016大会上做过分享，得到不错的反响，今天终于有时间整理到博客上了。 微服务好像是这两年突然火起来的，其实和很多其他架构风格一样，微服务架构也是我们在用软件改变世界的过程中，为了适应内外部环境的变化，而逐渐演化出的一种当前的最佳实践。 比如SOA，比如J2EE，比如传统分布式；微服务架构和它们都有千丝万缕的联系。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
932
扫一扫
