1、Hive数据仓库——概念及架构
文章目录
- Hive 1.2.1
- 大数据体系概述
- Hive架构
- 数据仓库
- Hive 是什么
- Hive的安装
- 版本介绍
- 学习Hive
- 安装主要流程
- Hive与传统数据库比较
- Hive的存储格式
- TextFile
- RCFile
- ORCFile
- Parquet
- SEQUENCEFILE
- AVRO
- Hive的四大常用存储格式存储效率及执行速度对比
- Hive操作客户端
- Hive的metastore
- Hive元数据表结构
- 1、存储Hive版本的元数据表(VERSION)
- 2、Hive数据库相关的元数据表(DBS、DATABASE_PARAMS)
- 3、Hive表和视图相关的元数据表
- 4、Hive文件存储信息相关的元数据表
- 5、Hive表字段相关的元数据表
- 6、Hive表分分区相关的元数据表
- 6、其他不常用的元数据表
Hive 1.2.1
大数据体系概述
Hive架构
数据仓库
很久很久以前，我们的世界分为：人族、矮人族、精灵、兽族…本来世界很和平。
突然有一天，有一个人，有一个想法，这个想法很可怕，打破了这样的平静，他想统治整个世界，怎么做呢?
他想了一个主意，他会魔法，他用他的魔法，打造出魔戒，然后他把这个魔戒分别送个各个种族的首领,方便各个首领更好的统治;
然后他又偷偷的制造了一个至尊魔戒，这个至尊魔戒可以统治普通的魔戒，以此实现他的统一世界的梦想。。。。。。
如果把世界上每一个生物当作一条记录，那么魔戒就好比数据库，而我们的至尊魔戒就是数据仓库。
数据仓库(Data WareHouse) 实际上是为了公司能够统一各种业务数据，将各个不同数据源中的数据融合，这些数据通常可以做数据分析、数据挖掘、报表，帮助公司做决策。
Hive 是什么
Hive是建立在Hadoop上的数据仓库基础架构。它提供了一系列的工具，可以用来进行数据提取转化加载（ ETL ），这是一种可以存储、查询和分析存储在 Hadoop 中的大规模数据的机制。Hive 定义了简单的类 SQL 查询语言，称为 HQL ，它允许熟悉 SQL 的用户查询数据。同时，这个语言也允许熟悉 MapReduce 开发者的开发自定义的 mapper 和 reducer 来处理内建的 mapper 和 reducer 无法完成的复杂的分析工作。
数据仓库，英文名称为Data Warehouse，可简写为DW或DWH。数据仓库，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它出于分析性报告和决策支持目的而创建。为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制。
Hive是SQL解析引擎，它将SQL语句转译成M/R Job然后在Hadoop执行。
Hive的表其实就是HDFS的目录，按表名把文件夹分开。如果是分区表，则分区值是子文件夹，可以直接在M/R Job里使用这些数据。
Hive相当于hadoop的客户端工具，部署时不一定放在集群管理节点中，可以放在某个节点上。
Hive的安装
Hive的详细安装过程请点击下方靓仔原创博客链接：
Hive数据仓库——环境搭建及简单使用
版本介绍
- Hive数据仓库——环境搭建及简单使用
- 1.2.1和1.2.2 稳定版本，为Hive2版本（主流版本）
- 1.2.1的程序只能连接hive1.2.1 的hiveserver2
学习Hive
- java 1.8.0_171
- hadoop 2.7.6
- hive 1.2.1
- mysql：5.7
自己使用的过程中一定严格按照这个版本去使用（版本兼容）
安装主要流程
- 安装MySQL服务
- 安装hive包，解压
- 修改配置文件，连接mysql，连接hadoop
- 启动
Hive的详细安装过程请点击下方靓仔原创博客链接：
Hive数据仓库——环境搭建及简单使用
Hive与传统数据库比较
| 查询语言 | HiveQL | SQL |
|---|---|---|
| 数据存储位置 | HDFS | Raw Device or 本地 FS |
| 数据格式 | 用户定义 | 系统决定 |
| 数据更新 | 不支持（1.x以后版本支持） | 支持 |
| 索引 | 新版本有，但弱 | 有 |
| 执行 | MapReduce | Executor |
| 执行延迟 | 高 | 低 |
| 可扩展性 | 高 | 低 |
| 数据规模 | 大 | 小 |
- 查询语言，类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。
- 数据存储位置，所有 Hive 的数据都是存储在 HDFS 中的。而数据库则可以将数据保存在块设备或者本地文件系统中。
- 数据格式，Hive 中没有定义专门的数据格式。而在数据库中，所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
- 数据更新，Hive 对数据的改写和添加比较弱化，0.14版本之后支持，需要启动配置项。而数据库中的数据通常是需要经常进行修改的。
- 索引，Hive 在加载数据的过程中不会对数据进行任何处理。因此访问延迟较高。数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
- 执行计算，Hive 中执行是通过 MapReduce 来实现的而数据库通常有自己的执行引擎。
- 数据规模，由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。
Hive的存储格式
- Hive的数据存储基于Hadoop HDFS。
- Hive没有专门的数据文件格式,常见的有以下几种：
- TEXTFILE
- SEQUENCEFILE
- AVRO
- RCFILE
- ORCFILE
- PARQUET
TextFile
TEXTFILE 即正常的文本格式，是Hive默认文件存储格式，因为大多数情况下源数据文件都是以text文件格式保存（便于查看验数和防止乱码）。此种格式的表文件在HDFS上是明文，可用hadoop fs -cat命令查看，从HDFS上get下来后也可以直接读取。
TEXTFILE 存储文件默认每一行就是一条记录，可以指定任意的分隔符进行字段间的分割。但这个格式无压缩，需要的存储空间很大。虽然可结合Gzip、Bzip2、Snappy等使用，使用这种方式，Hive不会对数据进行切分，从而无法对数据进行并行操作。
一般只有与其他系统由数据交互的接口表采用TEXTFILE 格式，其他事实表和维度表都不建议使用。
RCFile
Record Columnar的缩写。是Hadoop中第一个列文件格式。能够很好的压缩和快速的查询性能。通常写操作比较慢，比非列形式的文件格式需要更多的内存空间和计算量。 RCFile是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取。
ORCFile
Hive从0.11版本开始提供了ORC的文件格式，ORC文件不仅仅是一种列式文件存储格式，最重要的是有着很高的压缩比，并且对于MapReduce来说是可切分 （Split） 的。因此，在Hive中使用ORC作为表的文件存储格式，不仅可以很大程度的节省HDFS存储资源，而且对数据的查询和处理性能有着非常大的提升，因为ORC较其他文件格式压缩比高，查询任务的输入数据量减少，使用的Task也就减少了。ORC能很大程度的节省存储和计算资源，但它在读写时候需要消耗额外的CPU资源来压缩和解压缩，当然这部分的CPU消耗是非常少的。
Parquet
通常我们使用关系数据库存储结构化数据，而关系数据库中使用数据模型都是扁平式的，遇到诸如List、Map和自定义Struct的时候就需要用户在应用层解析。但是在大数据环境下，通常数据的来源是服务端的埋点数据，很可能需要把程序中的某些对象内容作为输出的一部分，而每一个对象都可能是嵌套的，所以如果能够原生的支持这种数据，这样在查询的时候就不需要额外的解析便能获得想要的结果。
Parquet的灵感来自于2010年Google发表的Dremel论文，文中介绍了一种支持嵌套结构的存储格式，并且使用了列式存储的方式提升查询性能。Parquet仅仅是一种存储格式，它是语言、平台无关的，并且不需要和任何一种数据处理框架绑定。这也是parquet相较于orc的仅有优势：支持嵌套结构。Parquet 没有太多其他可圈可点的地方,比如他不支持update操作(数据写成后不可修改),不支持ACID等。
SEQUENCEFILE
SequenceFile是Hadoop API 提供的一种二进制文件，它将数据以 <key,value> 的形式序列化到文件中。这种二进制文件内部使用Hadoop 的标准的Writable 接口实现序列化和反序列化。它与Hadoop API中的MapFile 是互相兼容的。Hive 中的SequenceFile 继承自Hadoop API 的SequenceFile，不过它的key为空，使用value 存放实际的值， 这样是为了避免MR 在运行map 阶段的排序过程。
SequenceFile支持三种压缩选择：NONE, RECORD, BLOCK。 Record压缩率低，一般建议使用BLOCK压缩。 SequenceFile最重要的优点就是Hadoop原生支持较好，有API，但除此之外平平无奇，实际生产中不会使用。
AVRO
Avro是一种用于支持数据密集型的二进制文件格式。它的文件格式更为紧凑，若要读取大量数据时，Avro能够提供更好的序列化和反序列化性能。并且Avro数据文件天生是带Schema定义的，所以它不需要开发者在API 级别实现自己的Writable对象。Avro提供的机制使动态语言可以方便地处理Avro数据。最近多个Hadoop 子项目都支持Avro 数据格式，如Pig 、Hive、Flume、Sqoop 和 Hcatalog。
Hive的四大常用存储格式存储效率及执行速度对比
| 存储格式 | 占用空间 | 压缩率%（压缩后：压缩前） | sql编号 | 执行时间(s) |
|---|---|---|---|---|
| TextFile | 15.1 | 100.0 | 1 | 118 |
| 2 | 217 | |||
| ORC | 1.3 | 8.61 | 1 | 33 |
| 2 | 3 | |||
| Parquet | 4.3 | 28.48 | 1 | 40 |
| 2 | 71 | |||
| RCFile | 12.3 | 81.64 | 1 | 88 |
| 2 | 71 |
| 编号 | sql |
|---|---|
| 1 | select count(*) from table_test; |
| 2 | select name,sum(table_test.price) as nums from table_test group by name; |
| 3 | benchmark 其它很多增删改的操作 |
结论：ORCFile存储文件读操作效率最高
耗时比较：ORC<Parquet<RC<Text
结论：ORCFile存储文件占用空间少，压缩效率高
占用空间：ORC<Parquet<RC<Text
Hive操作客户端
常用的2个：CLI，JDBC/ODBC
- CLI，即Shell命令行
- JDBC/ODBC 是 Hive 的Java，与使用传统数据库JDBC的方式类似。
- Hive 将元数据存储在数据库中 (metastore) ，目前只支持 mysql、derby。
- Hive 中的元数据包括表的名字，表的列和分区及其属性，表的属性（是否为外部表等），表的数据所在目录等；由解释器、编译器、优化器完成 HQL 查询语句从词法分析、语法分析、编译、优化以及查询计划 （plan） 的生成。生成的查询计划存储在 HDFS 中，并在随后由 MapReduce 调用执行。
- Hive 的数据存储在 HDFS 中，大部分的查询由 MapReduce 完成（包含 * 的查询，比如 select * from table 不会生成 MapRedcue 任务）
Hive的metastore
- metastore是hive元数据的集中存放地。
- metastore默认使用内嵌的derby数据库作为存储引擎。
- Derby引擎的缺点：一次只能打开一个会话。
- 使用MySQL作为外置存储引擎，多用户同时访问
- 元数据表结构
Hive元数据表结构
1、存储Hive版本的元数据表(VERSION)
该表比较简单，但很重要。
| VER_ID | SCHEMA_VERSION | VERSION_COMMENT |
|---|---|---|
| ID主键 | Hive版本 | 版本说明 |
| 1 | 1.2.1 | Set by MetaStore |
如果该表出现问题，根本进入不了Hive-Cli。比如该表不存在，当启动Hive-Cli时候，就会报错”Table ‘hive.version’ doesn’t exist”。
2、Hive数据库相关的元数据表(DBS、DATABASE_PARAMS)
DBS：该表存储Hive中所有数据库的基本信息，字段如下:
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| DB_ID | 数据库ID | 1 |
| DESC | 数据库描述 | Default Hive database |
| DB_LOCATION_URI | 数据HDFS路径 | hdfs://193.168.100.100:9000/test-warehouse |
| NAME | 数据库名 | default |
| OWNER_NAME | 数据库所有者用户名 | public |
| OWNER_TYPE | 所有者角色 | ROLE |
DATABASE_PARAMS：该表存储数据库的相关参数，在CREATE DATABASE时候用WITH
DBPROPERTIES(property_name=property_value, …)指定的参数。
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| DB_ID | 数据库ID | 1 |
| PARAM_KEY | 参数名 | createdby |
| PARAM_VALUE | 参数值 | root |
DBS和DATABASE_PARAMS这两张表通过DB_ID字段关联。
3、Hive表和视图相关的元数据表
主要有TBLS、TABLE_PARAMS、TBL_PRIVS，这三张表通过TBL_ID关联。
TBLS:该表中存储Hive表，视图，索引表的基本信息。
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| TBL_ID | 表ID | 21 |
| CREATE_TIME | 创建时间 | 1645194826 |
| DB_ID | 数据库ID | 1 |
| LAST_ACCESS_TIME | 上次访问时间 | 1645194826 |
| OWNER | 所有者 | root |
| RETENTION | 保留字段 | 0 |
| SD_ID | 序列化配置信息 | 41，对应SDS表中的SD_ID |
| TBL_NAME | 表名 | ex_detail_ufdr_30streaming |
| TBL_TYPE | 表类型 | EXTERNAL_TABLE |
| VIEW_EXPANDED_TEXT | 视图的详细HQL语句 | |
| VIEW_ORIGINAL_TEXT | 视图的原始HQL语句 |
TABLE_PARAMS:该表存储表/视图的属性信息
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| TBL_ID | 表ID | 1 |
| PARAM_KEY | 属性名 | totalSize，numRows，EXTERNAL |
| PARAM_VALUE | 属性值 | 970107336、21231028、TRUE |
TBL_PRIVS：该表存储表/视图的授权信息
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| TBL_GRANT_ID | 授权ID | 1 |
| CREATE_TIME | 授权时间 | 1645194826 |
| GRANT_OPTION | 授与权限 | 0 |
| GRANTOR | 授权执行用户 | root |
| GRANTOR_TYPE | 授权者类型 | USER |
| PRINCIPAL_NAME | 被授权用户 | username |
| PRINCIPAL_TYPE | 被授权用户类型 | USER |
| TBL_PRIV | 权限 | Select、Alter |
| TBL_ID | 表ID | 21，对应TBLS表的TBL_ID |
4、Hive文件存储信息相关的元数据表
主要涉及SDS、SD_PARAMS、SERDES、SERDE_PARAMS，由于HDFS支持的文件格式很多，而建Hive表时候也可以指定各种文件格式，Hive在将HQL解析成MapReduce时候，需要知道去哪里，使用哪种格式去读写HDFS文件，而这些信息就保存在这几张表中。
SDS:该表保存文件存储的基本信息，如INPUT_FORMAT、OUTPUT_FORMAT、是否压缩等。TBLS表中的SD_ID与该表关联，可以获取Hive表的存储信息。
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| SD_ID | 存储信息ID | 41 |
| CD_ID | 字段信息ID | 21，对应CDS表 |
| INPUT_FORMAT | 文件输入格式 | org.apache.hadoop.mapred.TextInputFormat |
| IS_COMPRESSED | 是否压缩 | 0 |
| IS_STOREDASSUBDIRECTORIES | 是否以子目录存储 | 0 |
| LOCATION | HDFS路径 | username |
| PRINCIPAL_TYPE | 被授权用户类型 | hdfs://193.168.100.100:9000/detail_ufdr_streaming_test |
| NUM_BUCKETS | 分桶数量 | 0 |
| OUTPUT_FORMAT | 文件输出格式 | org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat |
| SERDE_ID | 序列化类ID | 41，对应SERDES表 |
SD_PARAMS: 该表存储Hive存储的属性信息，在创建表时候使用STORED BY ‘storage.handler.class.name’ [WITH SERDEPROPERTIES (…)指定。
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| SD_ID | 存储配置ID | 41 |
| PARAM_KEY | 存储属性名 | |
| PARAM_VALUE | 存储属性值 |
SERDES:该表存储序列化使用的类信息
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| SERDE_ID | 序列化类配置ID | 41 |
| NAME | 序列化类别名 | NULL |
| SLIB | 序列化类 | org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe |
SERDE_PARAMS:该表存储序列化的一些属性、格式信息，比如:行、列分隔符
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| SERDE_ID | 序列化类配置ID | 41 |
| PARAM_KEY | 属性名 | field.delim |
| PARAM_VALUE | 属性值 | I |
5、Hive表字段相关的元数据表
要涉及COLUMNS_V2
COLUMNS_V2：该表存储表对应的字段信息
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| CD_ID | 字段信息ID | 21 |
| COMMENT | 字段注释 | NULL |
| COLUMN_NAME | 字段名 | air_port_duration |
| TYPE_NAME | 字段类型 | bigint |
| INTEGER_IDX | 字段顺序 | 119 |
6、Hive表分分区相关的元数据表
主要涉及PARTITIONS、PARTITION_KEYS、PARTITION_KEY_VALS、PARTITION_PARAMS
PARTITIONS:该表存储表分区的基本信息
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| PART_ID | 分区ID | 21 |
| CREATE_TIME | 分区创建时间 | 1645194826 |
| LAST_ACCESS_TIME | 最后一次访问时间 | 0 |
| PART_NAME | 分区名 | hour=15/last_msisdn=0 |
| SD_ID | 分区存储ID | 43 |
| TBL_ID | 表ID | 22 |
| LINK_TARGET_ID | 链接模板ID | NULL |
PARTITION_KEYS:该表存储分区的字段信息
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| TBL_ID | 表ID | 22 |
| PKEY_COMMENT | 分区字段说明 | NULL |
| PKEY_NAME | 分区字段名 | hour |
| PKEY_TYPE | 分区字段类型 | int |
| INTEGER_IDX | 分区字段顺序ID | 0 |
PARTITION_KEY_VALS:该表存储分区字段值
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| PART_ID | 分区ID | 21 |
| PART_KEY_VAL | 分区字段值 | 0 |
| INTEGER_IDX | 分区字段值顺序 | 1 |
PARTITION_PARAMS:该表存储分区的属性信息
| 表字段 | 说明 | 示例数据 |
|---|---|---|
| PART_ID | 分区ID | 21 |
| PARAM_KEY | 分区属性名 | 0 |
| INTEGER_IDX | 分区字段值顺序 | numFiles，numRows |
| PARAM_VALUE | 分区属性值 | 1，502195 |
6、其他不常用的元数据表
- DB_PRIVS，数据库权限信息表。通过GRANT语句对数据库授权后，将会在这里存储。
- IDXS，索引表，存储Hive索引相关的元数据。
- INDEX_PARAMS，索引相关的属性信息。
- TBL_COL_STATS，表字段的统计信息。使用ANALYZE语句对表字段分析后记录在这里。
- TBL_COL_PRIVS，表字段的授权信息。
- PART_PRIVS，分区的授权信息。
- PART_COL_PRIVS， 分区字段的权限信息。
- PART_COL_STATS，分区字段的统计信息。
- FUNCS，用户注册的函数信息。
- FUNC_RU，用户注册函数的资源信息。
到底啦！关注靓仔学习更多的大数据知识 (❁´◡`❁)
1、Hive数据仓库——概念及架构相关推荐
- Hive数据仓库工具基本架构和入门部署详解
- 大数据项目之电商数仓、数据仓库概念、项目需求及架构设计
文章目录 1.数据仓库概念 2. 项目需求及架构设计 2.1 项目需求分析 2.1.1 采集平台 2.1.2 离线需求 2.1.3 实时需求 2.1.4 思考题 2.2 项目框架 2.2.1 技术选型 ...
- 数据仓库和hive的概念
一.数据仓库概念 1.1 数据仓库的基本概念 数据仓库的英文名称为Data Warehouse,可简写为DW或DWH. 数据仓库的目的是构建面向分析的集成化数据环境,为企业提供决策支持(Decisio ...
- 数据仓库概念和项目架构
最近跟着尚硅谷做一个数据仓库项目,想以此项目来检验自己过去这段时间学习大数据技术的成果并以此提升自己,通过文章的方式记录自己做项目的过程,在项目中遇到的问题及解决过程,我都会记录在文章中,希望同时能帮 ...
- 2021年大数据Hive（一）：Hive基本概念
全网最详细的Hive文章系列,强烈建议收藏加关注! 后面更新文章都会列出历史文章目录,帮助大家回顾知识重点. 目录 历史文章 前言 Hive基本概念 一.Hive介绍 1.什么是Hive 2.为什么使 ...
- Hive数据仓库实战
文章目录 前言 一.Hive原理和功能介绍 二.Hive安装部署 三.Hive SQL操作 UDF函数 Hive 数据仓库模型设计 总结 前言 Hive作为大数据平台Hadoop之上的主流应用,公司一 ...
- Hive 的概念、应用场景、安装部署及使用、数据存储 、table(内部表)和external table(外部表)、partition(分区表)和bucket(分桶表)
目录 1.Hive 的概念 2.Hive 的特点 3.Hive 和 RDBMS(关系型数据库) 的对比 4.Hive 和 HBase 的差别 5.Hive 架构 6.Hive安装与使用方法介绍 7.H ...
- 从Hadoop框架来入门学习数据仓库概念
前言: 我了解数据仓库的时间很短, 所写的内容是一个初学者对数据仓库的理解, 所写的目的是以此作为自己梳理数据仓库概念的方法. 文中所用的图均来源于其他, 只是为了方便阅读的理解, 我也不太清楚怎么能 ...
- Hive数据仓库简介
文章目录 Hive数据仓库简介 一.数据仓库简介 1. 什么是数据仓库 2. 数据仓库的结构 2.1 数据源 2.2 数据存储与管理 2.3 OLAP服务器 2.4 前端工具 3. 数据仓库的数据模型 ...
最新文章
- python显示图像文件要放在哪儿_opencv显示图像要把图像放在哪里
- FreeMarker 语法 include 引用模板
- 一个初学者的SAP Cloud Platform学习笔记
- 工业级以太网交换机的应用领域有哪些？
- 凡事多找找自己的原因_布袋除尘器灰斗积粉过多、堵灰该咋办？别急，从这8个方面找原因...
- 论文浅尝 | 对于知识图谱嵌入表示的几何形状理解
- php中new与构造函数,php - 在构造函数中使用“ new”关键字 - SO中文参考 - www.soinside.com...
- C++之指针探究(五)：数组指针和二维数组
- vba monthview控件64位_VBA学习
- 【SPOJ1297】Palindrome (SA+RMQ)
- Swing的Look And Feel机制研究
- 集算器（仓库版）发布，黑科技获得用户好评
- 力扣刷题 DAY_76 贪心
- IT“茫一代”转型记：创业维艰 苦乐皆有
- 类脑计算芯片作为基础前沿技术重大突破成果，荣登CCTV《新闻联播》
- F. Equalize the Array(思维+前缀和)
- GAN网络详解（从零入门）
- 用算法撩妹都不会，别跟我说你是程序员
- CVPR 2021 论文解读I 动态区域感知卷积，进一步提升分类/检测/分割性能|Dynamic Region-Aware Convolution
- 如何用PS切图和输出网页？
热门文章
- Aspose介绍：带你解锁高效、便捷的文档管理方案~
- 试妆魔镜APP初步构想
- Software is preventing Firefox from safely connecting to this site
- 英飞凌 AURIX 系列单片机的HSM详解（1）——何为HSM
- 公交查询系统--支持来电通数据库
- 1024程序员节主题征文 | 程序员节节日祝福语大全
- VNWare+MAC+J2Objc+Eclipse 环境配置和搭建---（J2Objc的使用）
- Assert.notNull的作用
- 孢子社群：今日推荐ARVR微信群：中国VR/AR/MR/人工智能脑控体验
- 日常记录生活中的那些小小事01