首页 > 其他分享 >Spark 开发与应用_tyt2023

Spark 开发与应用_tyt2023

时间：2023-12-27 11:12:11浏览次数：32  
标签：val scala Scala 应用 org Spark com tyt2023

本实验基于MRS环境，主要介绍如何利用Spark RDD的常用算子进行简单统计分析，以及如何利用SparkSQL进行结构化批处理。

购买弹性公网IP

购买MRS集群

 

选择“自定义购买”

区域：华北—北京四

计费模式：按需计费

集群名称：mrs-bigdata

版本类型：普通版

集群版本：MRS 3.1.0 WXL

集群类型：自定义

勾选组件：Hadoop/Spark2x/HBase/Hive

可用区：任意均可

虚拟私有云：vpc-bigdata

子网：subnet-bigdata

安全组：sg-bigdata

弹性公网IP：选择下拉框中已购买的ip

常用模板：默认选项

开启“拓扑调整”，勾选如下图位置所示的“DN, NM, RS”。此操作表示在Master3节点分别部署DataNode, NodeManager, RegionServer以解决如上警告。

安装jdk环境

wget https://sandbox-expriment-files.obs.cn-north-1.myhuaweicloud.com/hccdp/HCCDP/jdk-8u341-linux-x64.tar.gz
 

下载完成后，运行下列命令进行解压：

  
                                tar -zxvf jdk-8u341-linux-x64.tar.gz

下载解压Maven环境

wget https://sandbox-expriment-files.obs.cn-north-1.myhuaweicloud.com/hccdp/HCCDP/apache-maven-3.6.0.tar.gz
 

利用如下命令进行解压：

  
tar -zxvf apache-maven-3.6.0.tar.gz

安装Scala环境

Spark编程推荐使用Scala，语法简洁，且更符合Spark Core运行逻辑。在xfce命令行运行下列代码下载Scala压缩文件，直接下载到/home/user目录下即可，方便查找。

  
                                wget https://sandbox-expriment-files.obs.cn-north-1.myhuaweicloud.com/hccdp/HCCDP/scala-2.11.8.tgz

下载完成后，运行下列命令进行解压：

  
tar -zxf scala-2.11.8.tgz

解压成功后，修改配置文件。使用如下命令进入配置文件编辑界面

  
                                vim ~/.bashrc

export JAVA_HOME=/home/user/jdk1.8.0_341
export JRE_HOME=${JAVA_HOME}/jre
export CLASSPATH=.:${JAVA_HOME}/lib:${JRE_HOME}/lib
export SCALA_HOME=/home/user/scala-2.11.8
export PATH=${JAVA_HOME}/bin:${SCALA_HOME}/bin:$PATH

 

激活修改后的环境：

source ~/.bashrc

利用如下命令查看是否安装成功：

java -version
scala -version


安装IDEA

打开xfce命令行，利用下列命令下载IDEA：

 wget https://sandbox-expriment-files.obs.cn-north-1.myhuaweicloud.com/hccdp/ideaIC.tar.gz

下载完成后，利用如下命令进行解压：

  
                                tar -zxvf ideaIC.tar.gz

解压完成后，利用下列命令安装idea：

  
                                /home/user/idea-IC/bin/idea.sh


修改Maven配置

等待安装完毕，出现IDEA界面，在界面左侧找到Customize标签，点击该标签。

在Customize窗口下找到All settings，点击弹出配置窗口。

在新窗口左侧找到“Build, Execution, Deployment”，展开该标签，选择“Build Tools”-“Maven”标签进入如下界面。

 

直接编辑“Maven home path”，修改为如下路径：

  
                                /home/user/apache-maven-3.6.0

修改“User settings file”为相关配置路径（记得点选右侧的Override）：

  
                                /home/user/apache-maven-3.6.0/conf/setting.xml

确认无误后点击OK即可。

安装Scala插件

在IDEA初始界面找到Plugins标签，单击打开

选择Marketplace，在搜索框中输入scala，完成scala插件安装。

安装scala插件后，点击绿色的Restart IDE重启IntelliJ IDEA。

点击New Project，如果在Language标签下显示Scala，表示已成功安装。

Spark RDD编程实验 

Spark是个轻量级的组件，底层用Scala实现，充分利用Scala语言的简洁和丰富表达力。同时巧妙利用了Hadoop的基础设施。Spark计算过程的中间数据放在内存中，对于迭代运算、批处理计算的效率更高，延迟更低性能上提升高于Mapreduce100倍（全内存计算）。Spark对小数据集可达到亚秒级的延迟。允许扩展新的数据算子、新的数据源。

Spark核心概念是RDD，RDD是Spark对基础数据的抽象。本任务通过介绍Spark RDD的相关Scala API编程，针对部分客户收入和支出情况数据进行统计分析，以便掌握Spark Core的运行原理与核心机制。

新建Scala Maven工程

点击”New Project” 按钮，新建一个项目。此时记得勾选Maven Archetype。

 

按如下配置项目信息：

① Name：SparkRDD

② Location：~/IdeaProjects

③ JDK：下拉，找到最下方的 ~/jdk1.8.0_341

④ Catalog：Internal

⑤ Archetype：org.scala-tools.archetypes:scala-archetype-simple (可以手动输入scala单词，方便筛选)

⑥ Version：1.2

⑦ Advanced Settings：

⑧ GroupId：com.huawei

⑨ ArtifactId：SparkRDD

⑩ Version：1.0-SNAPSHOT

确认无误后点击Create。

此时系统会自动从华为云中央仓库拉取所需的依赖。此步骤所耗时间较长，预计需耐心等待约5分钟。

项目架构安装完毕后，会看到下方出现以下信息。此时可以进行下一步操作。

 

配置POM文件

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>cn.com.hw</groupId>
<artifactId>SPARKRDD</artifactId>
<version>1.0-SNAPSHOT</version>
<inceptionYear>2008</inceptionYear>
<properties>
<scala.version>2.11.8</scala.version>
</properties>

<repositories>
<repository>
<id>scala-tools.org</id>
<name>Scala-Tools Maven2 Repository</name>
<url>http://scala-tools.org/repo-releases</url>
</repository>
</repositories>

<pluginRepositories>
<pluginRepository>
<id>scala-tools.org</id>
<name>Scala-Tools Maven2 Repository</name>
<url>http://scala-tools.org/repo-releases</url>
</pluginRepository>
</pluginRepositories>

<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.3.1</version>
</dependency>
<dependency>
<groupId>org.scala-tools</groupId>
<artifactId>maven-scala-plugin</artifactId>
<version>2.11</version>
</dependency>
</dependencies>


<build>
<sourceDirectory>src/main/scala</sourceDirectory>
<testSourceDirectory>src/test/scala</testSourceDirectory>
<plugins>
<plugin>
<groupId>org.scala-tools</groupId>
<artifactId>maven-scala-plugin</artifactId>
<executions>
<execution>
<goals>
<goal>compile</goal>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
<configuration>
<scalaVersion>${scala.version}</scalaVersion>
<args>
<arg>-target:jvm-1.5</arg>
</args>
</configuration>
</plugin>
</plugins>
</build>
<reporting>
<plugins>
<plugin>
<groupId>org.scala-tools</groupId>
<artifactId>maven-scala-plugin</artifactId>
<configuration>
<scalaVersion>${scala.version}</scalaVersion>
</configuration>
</plugin>
</plugins>
</reporting>
</project>

复制粘贴后会自动下载依赖，此时会占用大量内存。下载依赖需要一定时间，预计约需10分钟左右。

如果POM文件中有标红报错的行，请展开右侧Maven标签，在该标签中有“刷新”按钮，点击即可继续下载：

 

等到POM文件中所有标红的错误均已消失，此时表示依赖已安装完毕。

（注：如果此时发生闪退，请再次于xfce命令行执行下列命令：

  
/home/user/idea-IC-221.5921.22/bin/idea.sh

如果闪退后重新进入IDEA界面，出现SparkRDD工程不存在的情况，可以点击左上角的File，然后点击Open，选到~/IdeaProjects目录下的SparkRDD文件夹，然后Trust 该工程，点击This Window，即可继续下载依赖了。）

编写RDD业务代码

依赖安装完毕后，左侧能看到src文件夹，一直展开该文件夹下所有子目录，可以看到如下结构：

 接下来需要在com.huawei文件夹下新建一个名为RDD的Scala Object. 右键点击com.huawei，选择New>Scala Class.

 在新界面中选择下方黄色的Object选项，并填入名称为RDD。回车即可创建成功。

 打开新建的RDD文件，编辑代码如下

package com.huawei

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

object RDD {
def main (args: Array[String]) {
// 设置Spark application的名称
val conf = new SparkConf().setAppName("CollectOutInfo")
// 初始化Spark，设置日志级别为警告
val sc = new SparkContext(conf)
sc.setLogLevel("WARN")
// 读取指定的目录或文件，由参数指定
val text = sc.textFile(args(0))
// val text = rdd1
// 过滤出支出的项目
val data = text.filter(_.contains("out"))
// 统计每个人的支出总和
val result:RDD[(String,Int)] = data.map(line =>{
val t= line.split(',')
(t(0),t(2).toInt)
}).reduceByKey(_ + _)

println("支出的结果统计为：")
result.collect().map(x => x._1 + ',' + x._2).foreach(println)
sc.stop()
}
}

然后将系统自带的名为App的Scala Object删除。

右键点击App，选择Delete

同样的方法，将test文件夹整个删除。

Maven打包并上传

打开编译器右上角的maven 标签，在Lifecycle下面找到package，双击package，此时编译器下面会开始进行build。

 

打包时同样会下载补充依赖文件，预计需等待约2分钟。

package结束后会出现BUILD SUCCESS，此时我们就可以在相应的目录下查看jar包。

打开桌面上的xfce终端，利用以下命令进入安装目录：

cd ~/IdeaProjects/SparkRDD/target/
 使用ls命令即可看到对应的SPARKRDD-1.0-SNAPSHOT.jar。 利用scp命令将SPARKRDD-1.0-SNAPSHOT.jar上传到MRS集群中： 
scp ~/IdeaProjects/SparkRDD/target/SPARKRDD-1.0-SNAPSHOT.jar [email protected]:/root
 

运行并验证

使用ssh命令远程登录到MRS集群中。

将该jar包上传到HDFS上，路径为/tmp/

  
                                hdfs dfs -put SPARKRDD-1.0-SNAPSHOT.jar /tmp/

 

利用Vim编辑器，在本地编辑一个文件。输入以下命令：

  
                                vim data.txt

按ecs退出编辑模式，然后输入“ :wq ”(不包含引号，但需包含冒号)，回车即可退出vim编辑器环境，回到Linux环境。

使用如下命令创建HDFS路径，并上传文件到对应路径中
hdfs dfs -mkdir /tmp/test/ 
hdfs dfs -put data.txt /tmp/test/
 hdfs dfs -ls /tmp/test/
使用yarn-client模式提交任务，将结果直接打印在控制台：
  
spark-submit --class com.huawei.RDD --master yarn-client SPARKRDD-1.0-SNAPSHOT.jar /tmp/test/data.txt
 SparkSQL编程实验

Spark SQL是Spark中用于结构化数据处理的模块。在Spark应用中，可以无缝的使用SQL语句亦或是DataFrame API对结构化数据进行查询。

DataFrame提供了详细的结构信息，使得Spark SQL可以清楚地知道该数据集中包含哪些列，每列的名称和类型各是什么。DataFrame提供了数据的结构信息，即schema。Spark SQL将SQL语言解析成RDD，再由Spark Core执行。在spark2.0版本之前，Spark SQL中SQLContext是创建DataFrame和执行SQL的入口，可以利用hiveContext通过hive sql语句操作hive表数据，兼容hive操作，并且hiveContext继承自SQLContext。

本任务通过介绍Spark SQL的相关编程，帮助大家掌握如何利用DataFrame的Java 及Scala API完成相关业务的开发与应用。

新建Scala Maven工程

点击”New Project” 按钮，新建一个项目。记得勾选Maven Archetype。

按如下配置项目信息：

① Name：SparkSQL

② Location：~/IdeaProjects

③ JDK：1.8

④ Catalog：Internel

⑤ Archetype：org.scala-tools.archetypes:scala-archetype-simple

⑥ Version：1.2

⑦ Advanced Settings：

⑧ GroupId：com.huawei

⑨ ArtifactId：SparkSQL

⑩ Version：1.0-SNAPSHOT

 

确认无误后点击Create。

如果弹出以下窗口，选择This Window，可以节约内存空间：

配置POM文件

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/maven-v4_0_0.xsd">
<modelVersion>4.0.0</modelVersion>
<groupId>cn.com.hw</groupId>
<artifactId>SparkSQL</artifactId>
<version>1.0-SNAPSHOT</version>
<inceptionYear>2008</inceptionYear>
<properties>
<scala.version>2.11.8</scala.version>
</properties>

<dependencies>
<dependency>
<groupId>org.scala-lang</groupId>
<artifactId>scala-library</artifactId>
<version>${scala.version}</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-core_2.11</artifactId>
<version>2.3.1</version>
</dependency>
<dependency>
<groupId>org.apache.spark</groupId>
<artifactId>spark-sql_2.11</artifactId>
<version>2.3.1</version>
</dependency>
</dependencies>

<build>
<sourceDirectory>src/main/scala</sourceDirectory>
<plugins>
<plugin>
<groupId>org.scala-tools</groupId>
<artifactId>maven-scala-plugin</artifactId>
<executions>
<execution>
<goals>
<goal>compile</goal>
<goal>testCompile</goal>
</goals>
</execution>
</executions>
<configuration>
<scalaVersion>${scala.version}</scalaVersion>
<args>
<arg>-target:jvm-1.5</arg>
</args>
</configuration>
</plugin>
</plugins>
</build>
<reporting>
<plugins>
<plugin>
<groupId>org.scala-tools</groupId>
<artifactId>maven-scala-plugin</artifactId>
<configuration>
<scalaVersion>${scala.version}</scalaVersion>
</configuration>
</plugin>
</plugins>
</reporting>
</project>

生成随机数据

在com.huawei文件夹下新建一个名为SamplePeopleInfo的Java类。

 

 

package com.huawei;

import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
import java.util.Random;

/**
* args[0] : 文件路径
* args[1] : 生成数据量条数
*/
class dataProducer {
public static void main(String[] args) {
String filePath = "/home/user/SparkSQLData.txt";
int peopleNum = 1000; //测试数据量1000条

File file = new File(filePath);
FileWriter fw = null;
BufferedWriter writer = null;
Random rand = new Random();
int age = 0;
int se = 0;
String sex = null;
try {
fw = new FileWriter(file);
writer = new BufferedWriter(fw);
for(int i = 1;i<= peopleNum ;i++){
//通过随机数生成年龄、性别数据
age = rand.nextInt(100)+120;
se = rand.nextInt(2);
if(se!=0){
sex = "F";
}else {
sex = "M";
}
writer.write(i+","+sex+","+age);
writer.newLine(); //换行
writer.flush();
}
} catch (IOException e) {
e.printStackTrace();
}finally {
try {
writer.close();
fw.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
}

编辑好后，按照之前类似的方法，删除App对象和test文件夹：

在代码编辑窗口点击鼠标右键，选择Run 'dataProducer.main()'

看到有如下信息输出：

此时打开xcfe窗口，使用如下命令，即可看到SparkSQLData.txt文件。

 

编写SparkSQL业务代码

在com.huawei文件夹下新建一个名为DataStatistics的Scala Object。

 

 

package com.huawei

import org.apache.spark.rdd.RDD
import org.apache.spark.sql.types.{StringType, StructField, StructType}
import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.storage.StorageLevel
import org.apache.spark.{SparkConf, SparkContext}

/**
* args(0) : HDFS数据文件地址
*/
object DataStatistics {
private val schemaString = "id,gender,height"

def main(args: Array[String]): Unit = {
if (args.length < 1) {
//未输入数据源路径参数，则报错退出
println("Usage:dataStatistics filePath")
System.exit(1)
}
//配置工程
val conf = new SparkConf().setAppName("dataStatistics")
val sc = new SparkContext(conf)
//屏蔽警告等级以下的信息
sc.setLogLevel("WARN")
//读取数据源路径
val peopleDateRdd = sc.textFile(args(0).trim);
val sqlCtx = new SQLContext(sc)

val schemaArr = schemaString.split(",")
//设置数据源的schema信息
val schema = StructType(schemaArr.map(fieldName => StructField(fieldName,StringType,true)))
//读取数据并转化为特定DataFrame格式
val rowRdd : RDD[Row] = peopleDateRdd
.map(_.split(","))
.map(eachRow => Row(eachRow(0),eachRow(1),eachRow(2)))
val peopleDF = sqlCtx.createDataFrame(rowRdd,schema)

//将数据源缓存在内存中,会根据数据量节省很多时间
peopleDF.persist(StorageLevel.MEMORY_ONLY_SER)
peopleDF.createOrReplaceTempView("people")

//获取男性身高超过180cm的数据
val higherMale180 = sqlCtx.sql("select * from people where height > 180 and gender = 'M'")
println("Men whose height are more than 180: " + higherMale180.count())

//获取男性身高超过210cm的数据，只显示前10条
println("Men whose height is more than 210")
peopleDF.filter(peopleDF("gender").equalTo("M")).filter(peopleDF("height") > 210).show(10)

//将身高由高到低排序，获取前10人的数据
println("Sorted the people by height in descend order,Show top 10 people")
peopleDF.sort(peopleDF("height").desc).take(10).foreach { println }

//获取男性平均身高
println("The Average height for Men")
peopleDF.filter(peopleDF("gender").equalTo("M")).agg(Map("height" -> "avg")).show()

//获取女性最高身高
println("The Max height for Women:")
peopleDF.filter(peopleDF("gender").equalTo("F")).agg("height" -> "max").show()

println("All the statistics actions are finished on structured People data.")
}
}

Maven打包并上传

打开编译器右上角的maven project，在Lifecycle下面找到package，双击package，此时编译器下面会开始进行build。

package结束后会出现BUILD SUCCESS，此时我们就可以在相应的目录下查看jar包。

打开桌面上的xfce终端，利用以下命令进入安装目录：

  
cd ~/IdeaProjects/SparkSQL/target/

利用scp命令将SPARKRDD-1.0-SNAPSHOT.jar和SparkSQLData.txt两份文件上传到MRS集群中（需分两步操作，不能一次复制两条）：

  
  scp ~/IdeaProjects/SparkSQL/target/SparkSQL-1.0-SNAPSHOT.jar [email protected]:/root

scp ~/SparkSQLData.txt [email protected]:/root

运行并验证

使用ssh命令远程登录到MRS集群中。同样在xfce终端中，输入以下命令：

  
ssh [email protected]

将jar包和数据文件上传到HDFS的/tmp/路径中：

  
 hdfs dfs -put SparkSQL-1.0-SNAPSHOT.jar /tmp/
hdfs dfs -put SparkSQLData.txt /tmp/

使用yarn-client模式提交任务，将结果直接打印在控制台：
spark-submit --class com.huawei.DataStatistics --master yarn-client SparkSQL-1.0-SNAPSHOT.jar /tmp/SparkSQLData.txt

 


 

标签：val,scala,Scala,应用,org,Spark,com,tyt2023
From： https://www.cnblogs.com/playforever/p/17930026.html

相关文章

  • Java应用怎么调优？【转】
    一、Java应用调优的关键指标调优之前首先我们要知道怎样才算是“优”，不能笼统的说我的程序性能很好，所以就需要有一个具体的指标来衡量性能情况，而在JVM里面衡量性能两个指标分别“吞吐量”和“停顿时间”。吞吐量程序运行过程中执行两种任务，分别是执行业务代码和进行垃圾回收，吞......
  • MRS基础组件之HBase与Hive开发应用_tyt2023
    MRS基础组件之HBase与Hive开发应用本实验基于MRS环境，介绍如何利用HBase与Hive来进行相关操作。其中，HBase主要介绍包括如何利用JavaAPI创建数据表、写入数据、查看数据以及删除数据；而Hive则通过介绍UDF、UDTF和UDAF等自定义函数的基本操作，讲解如何进行自定义数据处理和清洗作业。......
  • 深度学习原理与实战：深度学习在推荐系统中的应用
    1.背景介绍推荐系统是现代互联网企业的核心业务之一，它通过对用户的行为、兴趣和需求进行分析，为用户提供个性化的产品或服务建议。随着数据量的增加和计算能力的提升，深度学习技术在推荐系统中的应用逐渐成为主流。本文将从深度学习的原理和算法入手，详细介绍深度学习在推荐系统中的应......
  • 深度学习原理与实战：深度学习在医疗领域的应用
    1.背景介绍深度学习（DeepLearning）是一种人工智能（ArtificialIntelligence）技术，它通过模拟人类大脑中的神经网络来进行数据处理和模式识别。在过去的几年里，深度学习技术在图像识别、自然语言处理、语音识别等领域取得了显著的成果，并且被广泛应用于各个行业。在医疗领域，深度学习技术的......
  • 深度学习原理与实战：深度学习在游戏AI中的应用
    1.背景介绍深度学习是一种人工智能技术，它通过模拟人类大脑中的神经网络结构和学习过程，来实现对数据的自动学习和分析。随着计算能力的提高和大量的数据的积累，深度学习技术在各个领域得到了广泛的应用，包括图像识别、自然语言处理、语音识别、游戏AI等。在游戏领域，AI技术的应用可以让......
  • 深度学习原理与实战：深度学习在无人驾驶中的应用
    1.背景介绍无人驾驶技术是当今最热门的研究领域之一，它涉及到多个技术领域，包括计算机视觉、机器学习、人工智能等。深度学习是机器学习的一个分支，它主要基于神经网络的结构和算法，具有很强的表示和学习能力。因此，深度学习在无人驾驶技术中发挥着重要作用。在这篇文章中，我们将从以下几......
  • 数据科学在能源与环境领域的应用：可持续发展与资源管理
    1.背景介绍能源和环境是当今世界最重要的问题之一。随着人口增长和经济发展，能源需求和环境污染问题日益严重。数据科学在这些领域发挥了重要作用，为我们提供了有力的工具来解决这些问题。在这篇文章中，我们将探讨数据科学在能源和环境领域的应用，以及如何通过数据驱动的方法来实现可持......
  • 太阳能技术在建筑业的广泛应用：绿色建筑的未来
    1.背景介绍太阳能技术在建筑业的广泛应用，是绿色建筑的一个重要组成部分。随着全球气候变化的加剧，人类对于减少碳排放的迫切需求也越来越强。太阳能技术在建筑业的应用，可以有效地降低能源消耗，减少碳排放，并且能够在长期内保持稳定的价格。此外，太阳能技术在建筑业的应用，还可以提高建筑......
  • HarmonyOS实践之应用状态变量共享
     平时在开发的过程中，我们会在应用中共享数据，在不同的页面间共享信息。虽然常用的共享信息，也可以通过不同页面中组件间信息共享的方式，但有时使用应用级别的状态管理会让开发工作变得简单。根据不同的使用场景，ArkTS提供了以下几种应用状态管理的能力：○ LocalStorage：使用范围......
  • 浅析消防应急照明和疏散指示系统的设计在建筑行业的应用
    安科瑞张田田【摘要】：火灾时*先要保证的是生命安全，尽*大努力保全人命大于一切。人员疏散本就是一个棘手的问题，随着我国经济发展，楼层越来越高，建筑内的人口密度越来越大，一旦发生火灾，人员疏散的难度很大。火灾时疏散通道上的应急照明和疏散指示对人员的逃生有着至关重要的作用。设计......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99