????????????從hadoop框架與MapReduce模式中談海量數(shù)據(jù)處理

前言

??? 幾周前，當(dāng)我最初聽到，以致后來初次接觸Hadoop與MapReduce這兩個東西，我便稍顯興奮，覺得它們很是神秘，而神秘的東西常能勾起我的興趣，在看過介紹它們的文章或論文之后，覺得Hadoop是一項富有趣味和挑戰(zhàn)性的技術(shù)，且它還牽扯到了一個我更加感興趣的話題：海量數(shù)據(jù)處理。

??? 由此，最近凡是空閑時，便在看“Hadoop”，“MapReduce”“海量數(shù)據(jù)處理”這方面的論文。但在看論文的過程中，總覺得那些論文都是淺嘗輒止，常常看的很不過癮，總是一個東西剛要講到緊要處，它便結(jié)束了，讓我好生“憤懣”。

??? 盡管我對這個Hadoop與MapReduce知之甚淺，但我還是想記錄自己的學(xué)習(xí)過程，說不定，關(guān)于這個東西的學(xué)習(xí)能督促我最終寫成和“經(jīng)典算法研究系列”一般的一系列文章。

??? Ok，閑話少說。本文從最基本的mapreduce模式，Hadoop框架開始談起，然后由各自的架構(gòu)引申開來，談到海量數(shù)據(jù)處理，最后談?wù)勌詫毜暮Ａ繑?shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，以為了兼?zhèn)錅\出與深入之效，最終，希望得到讀者的喜歡與支持。謝謝。

??? 由于本人是初次接觸這兩項技術(shù)，文章有任何問題，歡迎不吝指正。再謝一次。Ok，咱們開始吧。

第一部分、mapreduce模式與hadoop框架深入淺出

架構(gòu)扼要

???????? 想讀懂此文，讀者必須先要明確以下幾點，以作為閱讀后續(xù)內(nèi)容的基礎(chǔ)知識儲備：

Mapreduce是一種模式。

Hadoop是一種框架。

Hadoop是一個實現(xiàn)了mapreduce模式的開源的分布式并行編程框架。

??? 所以，你現(xiàn)在，知道了什么是mapreduce，什么是hadoop，以及這兩者之間最簡單的聯(lián)系，而本文的主旨即是，一句話概括：在hadoop的框架上采取mapreduce的模式處理海量數(shù)據(jù)。下面，咱們可以依次深入學(xué)習(xí)和了解mapreduce和hadoop這兩個東西了。

Mapreduce模式

??? 前面說了，mapreduce是一種模式，一種什么模式呢?一種云計算的核心計算模式，一種分布式運算技術(shù)，也是簡化的分布式編程模式，它主要用于解決問題的程序開發(fā)模型，也是開發(fā)人員拆解問題的方法。

??? Ok，光說不上圖，沒用。如下圖所示，mapreduce模式的主要思想是將自動分割要執(zhí)行的問題（例如程序）拆解成map（映射）和reduce（化簡）的方式，流程圖如下圖1所示：

??? 在數(shù)據(jù)被分割后通過Map 函數(shù)的程序?qū)?shù)據(jù)映射成不同的區(qū)塊，分配給計算機機群處理達(dá)到分布式運算的效果，在通過Reduce 函數(shù)的程序?qū)⒔Y(jié)果匯整，從而輸出開發(fā)者需要的結(jié)果。

??? MapReduce 借鑒了函數(shù)式程序設(shè)計語言的設(shè)計思想，其軟件實現(xiàn)是指定一個Map 函數(shù)，把鍵值對(key/value)映射成新的鍵值對(key/value)，形成一系列中間結(jié)果形式的key/value 對，然后把它們傳給Reduce(規(guī)約)函數(shù)，把具有相同中間形式key 的value 合并在一起。Map 和Reduce 函數(shù)具有一定的關(guān)聯(lián)性。函數(shù)描述如表1 所示：

??? MapReduce致力于解決大規(guī)模數(shù)據(jù)處理的問題，因此在設(shè)計之初就考慮了數(shù)據(jù)的局部性原理，利用局部性原理將整個問題分而治之。MapReduce集群由普通PC機構(gòu)成，為無共享式架構(gòu)。在處理之前，將數(shù)據(jù)集分布至各個節(jié)點。處理時，每個節(jié)點就近讀取本地存儲的數(shù)據(jù)處理（map），將處理后的數(shù)據(jù)進行合并（combine）、排序（shuffle and sort）后再分發(fā)（至reduce節(jié)點），避免了大量數(shù)據(jù)的傳輸，提高了處理效率。無共享式架構(gòu)的另一個好處是配合復(fù)制（replication）策略，集群可以具有良好的容錯性，一部分節(jié)點的down機對集群的正常工作不會造成影響。

??? ok，你可以再簡單看看下副圖，整幅圖是有關(guān)hadoop的作業(yè)調(diào)優(yōu)參數(shù)及原理，圖的左邊是MapTask運行示意圖，右邊是ReduceTask運行示意圖：

??? 如上圖所示，其中map階段，當(dāng)map task開始運算，并產(chǎn)生中間數(shù)據(jù)后并非直接而簡單的寫入磁盤，它首先利用內(nèi)存buffer來對已經(jīng)產(chǎn)生的buffer進行緩存，并在內(nèi)存buffer中進行一些預(yù)排序來優(yōu)化整個map的性能。而上圖右邊的reduce階段則經(jīng)歷了三個階段，分別Copy->Sort->reduce。我們能明顯的看出，其中的Sort是采用的歸并排序，即merge sort。

??? 了解了什么是mapreduce，接下來，咱們可以來了解實現(xiàn)了mapreduce模式的開源框架—hadoop。

Hadoop框架

??? 前面說了，hadoop是一個框架，一個什么樣的框架呢?Hadoop 是一個實現(xiàn)了MapReduce 計算模型的開源分布式并行編程框架，程序員可以借助Hadoop 編寫程序，將所編寫的程序運行于計算機機群上，從而實現(xiàn)對海量數(shù)據(jù)的處理。

??? 此外，Hadoop 還提供一個分布式文件系統(tǒng)(HDFS）及分布式數(shù)據(jù)庫（HBase）用來將數(shù)據(jù)存儲或部署到各個計算節(jié)點上。所以，你可以大致認(rèn)為：Hadoop=HDFS（文件系統(tǒng)，數(shù)據(jù)存儲技術(shù)相關(guān)）+HBase（數(shù)據(jù)庫）+MapReduce（數(shù)據(jù)處理）。Hadoop 框架如圖2 所示：

??? 借助Hadoop 框架及云計算核心技術(shù)MapReduce 來實現(xiàn)數(shù)據(jù)的計算和存儲，并且將HDFS 分布式文件系統(tǒng)和HBase 分布式數(shù)據(jù)庫很好的融入到云計算框架中，從而實現(xiàn)云計算的分布式、并行計算和存儲，并且得以實現(xiàn)很好的處理大規(guī)模數(shù)據(jù)的能力。

Hadoop的組成部分

??? 我們已經(jīng)知道，Hadoop是Google的MapReduce一個Java實現(xiàn)。MapReduce是一種簡化的分布式編程模式，讓程序自動分布到一個由普通機器組成的超大集群上并發(fā)執(zhí)行。Hadoop主要由HDFS、MapReduce和HBase等組成。具體的hadoop的組成如下圖：

??? 由上圖，我們可以看到：

??? 1、?????????????Hadoop HDFS是Google GFS存儲系統(tǒng)的開源實現(xiàn)，主要應(yīng)用場景是作為并行計算環(huán)境（MapReduce）的基礎(chǔ)組件，同時也是BigTable（如HBase、HyperTable）的底層分布式文件系統(tǒng)。HDFS采用master/slave架構(gòu)。一個HDFS集群是有由一個Namenode和一定數(shù)目的Datanode組成。Namenode是一個中心服務(wù)器，負(fù)責(zé)管理文件系統(tǒng)的namespace和客戶端對文件的訪問。Datanode在集群中一般是一個節(jié)點一個，負(fù)責(zé)管理節(jié)點上它們附帶的存儲。在內(nèi)部，一個文件其實分成一個或多個block，這些block存儲在Datanode集合里。如下圖所示（HDFS體系結(jié)構(gòu)圖）：

??? 2、?????????????Hadoop MapReduce是一個使用簡易的軟件框架，基于它寫出來的應(yīng)用程序能夠運行在由上千個商用機器組成的大型集群上，并以一種可靠容錯的方式并行處理上TB級別的數(shù)據(jù)集。

??? 一個MapReduce作業(yè)（job）通常會把輸入的數(shù)據(jù)集切分為若干獨立的數(shù)據(jù)塊，由 Map任務(wù)（task）以完全并行的方式處理它們。框架會對Map的輸出先進行排序，然后把結(jié)果輸入給Reduce任務(wù)。通常作業(yè)的輸入和輸出都會被存儲在文件系統(tǒng)中。整個框架負(fù)責(zé)任務(wù)的調(diào)度和監(jiān)控，以及重新執(zhí)行已經(jīng)失敗的任務(wù)。如下圖所示（Hadoop MapReduce處理流程圖）：

??? 3、?????????????Hive是基于Hadoop的一個數(shù)據(jù)倉庫工具，處理能力強而且成本低廉。

主要特點：

存儲方式是將結(jié)構(gòu)化的數(shù)據(jù)文件映射為一張數(shù)據(jù)庫表。提供類SQL語言，實現(xiàn)完整的SQL查詢功能。可以將SQL語句轉(zhuǎn)換為MapReduce任務(wù)運行，十分適合數(shù)據(jù)倉庫的統(tǒng)計分析。

不足之處：

采用行存儲的方式（SequenceFile）來存儲和讀取數(shù)據(jù)。效率低：當(dāng)要讀取數(shù)據(jù)表某一列數(shù)據(jù)時需要先取出所有數(shù)據(jù)然后再提取出某一列的數(shù)據(jù)，效率很低。同時，它還占用較多的磁盤空間。

由于以上的不足，有人（查禮博士）介紹了一種將分布式數(shù)據(jù)處理系統(tǒng)中以記錄為單位的存儲結(jié)構(gòu)變?yōu)橐粤袨閱挝坏拇鎯Y(jié)構(gòu)，進而減少磁盤訪問數(shù)量，提高查詢處理性能。這樣，由于相同屬性值具有相同數(shù)據(jù)類型和相近的數(shù)據(jù)特性，以屬性值為單位進行壓縮存儲的壓縮比更高，能節(jié)省更多的存儲空間。如下圖所示（行列存儲的比較圖）：

4、?????????????HBase

??? HBase是一個分布式的、面向列的開源數(shù)據(jù)庫，它不同于一般的關(guān)系數(shù)據(jù)庫,是一個適合于非結(jié)構(gòu)化數(shù)據(jù)存儲的數(shù)據(jù)庫。另一個不同的是HBase基于列的而不是基于行的模式。HBase使用和 BigTable非常相同的數(shù)據(jù)模型。用戶存儲數(shù)據(jù)行在一個表里。一個數(shù)據(jù)行擁有一個可選擇的鍵和任意數(shù)量的列，一個或多個列組成一個ColumnFamily，一個Fmaily下的列位于一個HFile中，易于緩存數(shù)據(jù)。表是疏松的存儲的，因此用戶可以給行定義各種不同的列。在HBase中數(shù)據(jù)按主鍵排序，同時表按主鍵劃分為多個HRegion，如下圖所示（HBase數(shù)據(jù)表結(jié)構(gòu)圖）：

??? Ok，行文至此，看似洋洋灑灑近千里，但若給讀者造成閱讀上的負(fù)擔(dān)，則不是我本意。接下來的內(nèi)容，我不會再引用諸多繁雜的專業(yè)術(shù)語，以給讀者心里上造成不良影響。

??? 我再給出一副圖，算是對上文所說的hadoop框架及其組成部分做個總結(jié)，如下圖所示，便是hadoop的內(nèi)部結(jié)構(gòu)，我們可以看到，海量的數(shù)據(jù)交給hadoop處理后，在hadoop的內(nèi)部中，正如上文所述：hadoop提供一個分布式文件系統(tǒng)（HDFS）及分布式數(shù)據(jù)庫（Hbase）用來存儲或部署到各個計算點上，最終在內(nèi)部采取mapreduce的模式對其數(shù)據(jù)進行處理，然后輸出處理結(jié)果：

第二部分、淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)解讀—學(xué)習(xí)海量數(shù)據(jù)處理經(jīng)驗

??? 在上面的本文的第一部分中，我們已經(jīng)對mapreduce模式及hadoop框架有了一個深入而全面的了解。不過，如果一個東西，或者一個概念不放到實際應(yīng)用中去，那么你對這個理念永遠(yuǎn)只是停留在理論之內(nèi)，無法向?qū)嵺`邁進。

??? Ok，接下來，本文的第二部分，咱們以淘寶的數(shù)據(jù)魔方技術(shù)架構(gòu)為依托，通過介紹淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，來進一步學(xué)習(xí)和了解海量數(shù)據(jù)處理的經(jīng)驗。

淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)

??? 如下圖2-1所示，即是淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，咱們下面要針對這個架構(gòu)來一一剖析與解讀。

??? 相信，看過本博客內(nèi)其它文章的細(xì)心讀者，定會發(fā)現(xiàn)，圖2-1最初見于本博客內(nèi)的此篇文章：從幾幅架構(gòu)圖中偷得半點海量數(shù)據(jù)處理經(jīng)驗之上，同時，此圖2-1最初發(fā)表于《程序員》8月刊，作者：朋春。

??? 在此之前，有一點必須說明的是：本文下面的內(nèi)容大都是參考自朋春先生的這篇文章：淘寶數(shù)據(jù)魔方技術(shù)架構(gòu)解析所寫，我個人所作的工作是對這篇文章的一種解讀與關(guān)鍵技術(shù)和內(nèi)容的抽取，以為讀者更好的理解淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)。與此同時，還能展示我自己讀此篇的思路與感悟，順帶學(xué)習(xí)，何樂而不為呢?。

??? Ok，不過，與本博客內(nèi)之前的那篇文章（幾幅架構(gòu)圖中偷得半點海量數(shù)據(jù)處理經(jīng)驗）不同，本文接下來，要詳細(xì)闡述這個架構(gòu)。我也做了不少準(zhǔn)備工作（如把這圖2-1打印了下來，經(jīng)常琢磨）：

?

??????????????????????????????????????????? ? 圖2-1 淘寶海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)

??? 好的，如上圖所示，我們可以看到，淘寶的海量數(shù)據(jù)產(chǎn)品技術(shù)架構(gòu)，分為以下五個層次，從上至下來看，它們分別是：數(shù)據(jù)源，計算層，存儲層，查詢層和產(chǎn)品層。我們來一一了解這五層：

數(shù)據(jù)來源層。存放著淘寶各店的交易數(shù)據(jù)。在數(shù)據(jù)源層產(chǎn)生的數(shù)據(jù)，通過DataX，DbSync和Timetunel準(zhǔn)實時的傳輸?shù)较旅娴?點所述的“云梯”。

計算層。在這個計算層內(nèi)，淘寶采用的是hadoop集群，這個集群，我們暫且稱之為云梯，是計算層的主要組成部分。在云梯上，系統(tǒng)每天會對數(shù)據(jù)產(chǎn)品進行不同的mapreduce計算。

存儲層。在這一層，淘寶采用了兩個東西，一個使MyFox，一個是Prom。MyFox是基于MySQL的分布式關(guān)系型數(shù)據(jù)庫的集群，Prom是基于hadoop Hbase技術(shù) 的（讀者可別忘了，在上文第一部分中，咱們介紹到了這個hadoop的組成部分之一，Hbase—在hadoop之內(nèi)的一個分布式的開源數(shù)據(jù)庫）的一個NoSQL的存儲集群。

查詢層。在這一層中，有一個叫做glider的東西，這個glider是以HTTP協(xié)議對外提供restful方式的接口。數(shù)據(jù)產(chǎn)品通過一個唯一的URL來獲取到它想要的數(shù)據(jù)。同時，數(shù)據(jù)查詢即是通過MyFox來查詢的。下文將具體介紹MyFox的數(shù)據(jù)查詢過程。

?產(chǎn)品層。簡單理解，不作過多介紹。

??? 接下來，咱們重點來了解第三層-存儲層中的MyFox與Prom，然后會稍帶分析下glide的技術(shù)架構(gòu)，最后，再了解下緩存。文章即宣告結(jié)束。

??? 我們知道，關(guān)系型數(shù)據(jù)庫在我們現(xiàn)在的工業(yè)生產(chǎn)中有著廣泛的引用，它包括Oracle，MySQL、DB2、Sybase和SQL Server等等。

MyFOX

??? 淘寶選擇了MySQL的MyISAM引擎作為底層的數(shù)據(jù)存儲引擎。且為了應(yīng)對海量數(shù)據(jù)，他們設(shè)計了分布式MySQL集群的查詢代理層-MyFOX。

如下圖所示，是MySQL的數(shù)據(jù)查詢過程：

??????????????????????????????????????????????????????????? 圖2-2 MyFOX的數(shù)據(jù)查詢過程

??? 在MyFOX的每一個節(jié)點中，存放著熱節(jié)點和冷節(jié)點兩種節(jié)點數(shù)據(jù)。顧名思義，熱節(jié)點存放著最新的，被訪問頻率較高的數(shù)據(jù)；冷節(jié)點，存放著相對而來比較舊的，訪問頻率比較低的數(shù)據(jù)。而為了存儲這兩種節(jié)點數(shù)據(jù)，出于硬件條件和存儲成本的考慮，你當(dāng)然會考慮選擇兩種不同的硬盤，來存儲這兩種訪問頻率不同的節(jié)點數(shù)據(jù)。如下圖所示：

?????????????????????????????????????????????????????????? 圖2-3 MyFOX節(jié)點結(jié)構(gòu)

??? ?“熱節(jié)點”，選擇每分鐘15000轉(zhuǎn)的SAS硬盤，按照一個節(jié)點兩臺機器來計算，單位數(shù)據(jù)的存儲成本約為4.5W/TB。相對應(yīng)地，“冷數(shù)據(jù)”我們選擇了每分鐘7500轉(zhuǎn)的SATA硬盤，單碟上能夠存放更多的數(shù)據(jù)，存儲成本約為1.6W/TB。

Prom

出于文章篇幅的考慮，本文接下來不再過多闡述這個Prom了。如下面兩幅圖所示，他們分別表示的是Prom的存儲結(jié)構(gòu)以及Prom查詢過程：

??????????????????????????????????????????????圖2-4 Prom的存儲結(jié)構(gòu)

?

????????????????????????????????????????????????????????? 圖2-5 Prom查詢過程

glide的技術(shù)架構(gòu)

???

???????????????????????????????????????????? ? 圖2-6 glider的技術(shù)架構(gòu)

??? 在這一層-查詢層中，淘寶主要是基于用中間層隔離前后端的理念而考慮。Glider這個中間層負(fù)責(zé)各個異構(gòu)表之間的數(shù)據(jù)JOIN和UNION等計算，并且負(fù)責(zé)隔離前端產(chǎn)品和后端存儲，提供統(tǒng)一的數(shù)據(jù)查詢服務(wù)。

緩存

??? 除了起到隔離前后端以及異構(gòu)“表”之間的數(shù)據(jù)整合的作用之外，glider的另外一個不容忽視的作用便是緩存管理。我們有一點須了解，在特定的時間段內(nèi)，我們認(rèn)為數(shù)據(jù)產(chǎn)品中的數(shù)據(jù)是只讀的，這是利用緩存來提高性能的理論基礎(chǔ)。

在上文圖2-6中我們看到，glider中存在兩層緩存，分別是基于各個異構(gòu)“表”（datasource）的二級緩存和整合之后基于獨立請求的一級緩存。除此之外，各個異構(gòu)“表”內(nèi)部可能還存在自己的緩存機制。

?????????????????????????????????????????? ????????????? ??圖2-7 緩存控制體系

??? 圖2-7向我們展示了數(shù)據(jù)魔方在緩存控制方面的設(shè)計思路。用戶的請求中一定是帶了緩存控制的“命令”的，這包括URL中的query string，和HTTP頭中的“If-None-Match”信息。并且，這個緩存控制“命令”一定會經(jīng)過層層傳遞，最終傳遞到底層存儲的異構(gòu)“表”模塊。

??? 緩存系統(tǒng)往往有兩個問題需要面對和考慮：緩存穿透與失效時的雪崩效應(yīng)。

緩存穿透是指查詢一個一定不存在的數(shù)據(jù)，由于緩存是不命中時被動寫的，并且出于容錯考慮，如果從存儲層查不到數(shù)據(jù)則不寫入緩存，這將導(dǎo)致這個不存在的數(shù)據(jù)每次請求都要到存儲層去查詢，失去了緩存的意義。至于如何有效地解決緩存穿透問題，最常見的則是采用布隆過濾器（這個東西，在我的此篇文章中有介紹：），將所有可能存在的數(shù)據(jù)哈希到一個足夠大的bitmap中，一個一定不存在的數(shù)據(jù)會被這個bitmap攔截掉，從而避免了對底層存儲系統(tǒng)的查詢壓力。

??? 而在數(shù)據(jù)魔方里，淘寶采用了一個更為簡單粗暴的方法，如果一個查詢返回的數(shù)據(jù)為空（不管是數(shù)據(jù)不存在，還是系統(tǒng)故障），我們?nèi)匀话堰@個空結(jié)果進行緩存，但它的過期時間會很短，最長不超過五分鐘。

??????2、緩存失效時的雪崩效應(yīng)盡管對底層系統(tǒng)的沖擊非常可怕。但遺憾的是，這個問題目前并沒有很完美的解決方案。大多數(shù)系統(tǒng)設(shè)計者考慮用加鎖或者隊列的方式保證緩存的單線程（進程）寫，從而避免失效時大量的并發(fā)請求落到底層存儲系統(tǒng)上。

??? 在數(shù)據(jù)魔方中，淘寶設(shè)計的緩存過期機制理論上能夠?qū)⒏鱾€客戶端的數(shù)據(jù)失效時間均勻地分布在時間軸上，一定程度上能夠避免緩存同時失效帶來的雪崩效應(yīng)。

本文參考：

基于云計算的海量數(shù)據(jù)存儲模型，侯建等。

基于hadoop的海量日志數(shù)據(jù)處理，王小森

基于hadoop的大規(guī)模數(shù)據(jù)處理系統(tǒng)，王麗兵。

淘寶數(shù)據(jù)魔方技術(shù)架構(gòu)解析，朋春。

Hadoop作業(yè)調(diào)優(yōu)參數(shù)整理及原理，guili。

讀者點評@xdylxdyl：

We want to count all the books in the library. You count up shelf #1, I count up shelf #2. That's map. The more people we get, the faster it goes. Now we get together and add our individual counts. That's reduce。

數(shù)據(jù)魔方里的緩存穿透,架構(gòu),空數(shù)據(jù)緩存這些和Hadoop一點關(guān)系都么有，如果是想講一個Hadoop的具體應(yīng)用的話,數(shù)據(jù)魔方這部分其實沒講清楚的。

感覺你是把兩個東西混在一起了。不過這兩個都是挺有價值的東西,或者說數(shù)據(jù)魔方的架構(gòu)比Hadoop可能更重要一些,基本上大的互聯(lián)網(wǎng)公司都會選擇這么做。Null對象的緩存保留五分鐘未必會有好的結(jié)果吧,如果Null對象不是特別大,數(shù)據(jù)的更新和插入不多也可以考慮實時維護。

Hadoop本身很笨重，不知道在數(shù)據(jù)魔方里是否是在扮演著實時數(shù)據(jù)處理的角色?還是只是在做線下的數(shù)據(jù)分析的？

結(jié)語：寫文章是一種學(xué)習(xí)的過程。尊重他人勞動成果，轉(zhuǎn)載請注明出處。謝謝。July、2011/8/20。完。

轉(zhuǎn)載于:https://www.cnblogs.com/v-July-v/archive/2011/08/20/3125431.html

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的从Hadoop框架与MapReduce模式中谈海量数据处理（含淘宝技术架构）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。