偷偷摘套内射激情视频,久久精品99国产国产精,中文字幕无线乱码人妻,中文在线中文a,性爽19p

一篇文章帶你深入理解FlinkSQL中的窗口

作者： 大數(shù)據(jù)老哥
大數(shù)據(jù)
時間語義，要配合窗口操作才能發(fā)揮作用。最主要的用途，當然就是開窗口、根據(jù)時間段做計算了。下面我們就來看看 Table API 和 SQL 中，怎么利用時間字段做窗口操作。

[[360693]]

前言

時間語義，要配合窗口操作才能發(fā)揮作用。最主要的用途，當然就是開窗口、根據(jù)時間段做計算了。下面我們就來看看 Table API 和 SQL 中，怎么利用時間字段做窗口操作。在 Table API 和 SQL 中，主要有兩種窗口：Group Windows 和 Over Windows

 

一、分組窗口(Group Windows) 分組窗口(Group Windows)會根據(jù)時間或行計數(shù)間隔，將行聚合到有限的組(Group)中，并對每個組的數(shù)據(jù)執(zhí)行一次聚合函數(shù)。 Table API 中的 Group Windows 都是使用.window(w:GroupWindow)子句定義的，并且必須由 as 子句指定一個別名。為了按窗口對表進行分組，窗口的別名必須在 group by 子句中，像常規(guī)的分組字段一樣引用。例子：

  1. val table = input 
  2. .window([w: GroupWindow] as 'w) 
  3. .groupBy('w, 'a) 
  4. .select('a, 'w.start, 'w.end, 'w.rowtime, 'b.count) 

Table API 提供了一組具有特定語義的預(yù)定義 Window 類，這些類會被轉(zhuǎn)換為底層DataStream 或 DataSet 的窗口操作。

Table API 支持的窗口定義，和我們熟悉的一樣，主要也是三種：滾動(Tumbling)、滑動(Sliding和 會話(Session)。

1.1 滾動窗口

滾動窗口(Tumbling windows)要用 Tumble 類來定義，另外還有三個方法：

  • over：定義窗口長度
  • on：用來分組(按時間間隔)或者排序(按行數(shù))的時間字段
  • as：別名，必須出現(xiàn)在后面的 groupBy 中

實現(xiàn)案例

1.需求

設(shè)置滾動窗口為10秒鐘統(tǒng)計id出現(xiàn)的次數(shù)。

2.數(shù)據(jù)準備

  1. sensor_1,1547718199,35.8 
  2. sensor_6,1547718201,15.4 
  3. sensor_7,1547718202,6.7 
  4. sensor_10,1547718205,38.1 
  5. sensor_1,1547718206,32 
  6. sensor_1,1547718208,36.2 
  7. sensor_1,1547718210,29.7 
  8. sensor_1,1547718213,30.9 

3.代碼實現(xiàn)

  1. package windows 
  2.  
  3. import org.apache.flink.streaming.api.TimeCharacteristic 
  4. import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor 
  5. import org.apache.flink.streaming.api.scala._ 
  6. import org.apache.flink.streaming.api.windowing.time.Time 
  7. import org.apache.flink.table.api.scala._ 
  8. import org.apache.flink.table.api.{EnvironmentSettings, Table, Tumble} 
  9. import org.apache.flink.types.Row 
  10.  
  11. /** 
  12.  * @Package Windows 
  13.  * @File ：FlinkSQLTumBlingTie.java 
  14.  * @author 大數(shù)據(jù)老哥 
  15.  * @date 2020/12/25 21:58 
  16.  * @version V1.0 
  17.  *          設(shè)置滾動窗口 
  18.  */ 
  19. object FlinkSQLTumBlingTie { 
  20.   def main(args: Array[String]): Unit = { 
  21.     val env = StreamExecutionEnvironment.getExecutionEnvironment 
  22.     env.setParallelism(1) 
  23.     env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) 
  24.  
  25.     val settings = EnvironmentSettings.newInstance() 
  26.       .useBlinkPlanner() 
  27.       .inStreamingMode() 
  28.       .build() 
  29.     val tableEnv = StreamTableEnvironment.create(env, settings) 
  30.  
  31.     // 讀取數(shù)據(jù) 
  32.     val inputPath = "./data/sensor.txt" 
  33.     val inputStream = env.readTextFile(inputPath) 
  34.     
  35.  
  36.     // 先轉(zhuǎn)換成樣例類類型（簡單轉(zhuǎn)換操作） 
  37.     val dataStream = inputStream 
  38.       .map(data => { 
  39.         val arr = data.split(",") 
  40.         SensorReading(arr(0), arr(1).toLong, arr(2).toDouble) 
  41.       }) 
  42.       .assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.seconds(1)) { 
  43.         override def extractTimestamp(element: SensorReading): Long = element.timestamp * 1000L 
  44.       }) 
  45.  
  46.     val sensorTable: Table = tableEnv.fromDataStream(dataStream, 'id, 'temperature, 'timestamp.rowtime as 'ts) 
  47.     // 注冊表 
  48.     tableEnv.createTemporaryView("sensor", sensorTable) 
  49.     // table 實現(xiàn) 
  50.     val resultTable = sensorTable 
  51.       .window(Tumble over 10.seconds on 'ts as 'tw) // 每10秒統(tǒng)計一次，滾動時間窗口 
  52.       .groupBy('id, 'tw) 
  53.       .select('id, 'id.count, 'tw.end) 
  54.     //sql 實現(xiàn) 
  55.     val sqlTable = tableEnv.sqlQuery( 
  56.       """ 
  57.         |select 
  58.         |id, 
  59.         |count(id) , 
  60.         |tumble_end(ts,interval '10' second) 
  61.         |from sensor 
  62.         |group by 
  63.         |id, 
  64.         |tumble(ts,interval '10' second) 
  65.         |""".stripMargin) 
  66.  
  67.     /*** 
  68.      * .window(Tumble over 10.minutes on 'rowtime as 'w) （事件時間字段 rowtime） 
  69.      * .window(Tumble over 10.minutes on 'proctime as 'w)（處理時間字段 proctime） 
  70.      * .window(Tumble over 10.minutes on 'proctime as 'w) (類似于計數(shù)窗口，按處理時間排序，10 行一組) 
  71.      */ 
  72.     resultTable.toAppendStream[Row].print("talbe") 
  73.     sqlTable.toRetractStream[Row].print("sqlTable") 
  74.      
  75.     env.execute("FlinkSQLTumBlingTie") 
  76.   } 
  77.  
  78.   case class SensorReading(id: String, timestamp: Long, temperature: Double) 
  79.  
  80. } 

運行結(jié)果

 

1.2 滑動窗口

滑動窗口(Sliding windows)要用 Slide 類來定義，另外還有四個方法：

  • over：定義窗口長度
  • every：定義滑動步長
  • on：用來分組(按時間間隔)或者排序(按行數(shù))的時間字段
  • as：別名，必須出現(xiàn)在后面的 groupBy 中

實現(xiàn)案例

1.需求描述

設(shè)置窗口大小為10秒鐘設(shè)置滑動距離為5秒鐘，統(tǒng)計id的出現(xiàn)的次數(shù)。

2.數(shù)據(jù)準備

  1. sensor_1,1547718199,35.8 
  2. sensor_6,1547718201,15.4 
  3. sensor_7,1547718202,6.7 
  4. sensor_10,1547718205,38.1 
  5. sensor_1,1547718206,32 
  6. sensor_1,1547718208,36.2 
  7. sensor_1,1547718210,29.7 
  8. sensor_1,1547718213,30.9 

3.實現(xiàn)代碼

  1. package windows 
  2.  
  3. import org.apache.flink.streaming.api.TimeCharacteristic 
  4. import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor 
  5. import org.apache.flink.streaming.api.scala._ 
  6. import org.apache.flink.streaming.api.windowing.time.Time 
  7. import org.apache.flink.table.api.{EnvironmentSettings, Slide, Table} 
  8. import org.apache.flink.table.api.scala._ 
  9. import org.apache.flink.types.Row 
  10. import windows.FlinkSQLTumBlingTie.SensorReading 
  11.  
  12. /** 
  13.  * @Package windows 
  14.  * @File ：FlinkSQLSlideTime.java 
  15.  * @author 大數(shù)據(jù)老哥 
  16.  * @date 2020/12/27 22:19 
  17.  * @version V1.0 
  18.  *          滑動窗口 
  19.  */ 
  20. object FlinkSQLSlideTime { 
  21.   def main(args: Array[String]): Unit = { 
  22.     //構(gòu)建運行環(huán)境 
  23.     val env = StreamExecutionEnvironment.getExecutionEnvironment 
  24.     env.setParallelism(1) // 設(shè)置分區(qū)為1 方便后面測試 
  25.     env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) //事件時間 
  26.  
  27.     val settings = EnvironmentSettings.newInstance() 
  28.       .useBlinkPlanner() 
  29.       .inStreamingMode() 
  30.       .build() 
  31.     // 創(chuàng)建表env 
  32.     val tableEnv = StreamTableEnvironment.create(env, settings) 
  33.  
  34.     // 讀取數(shù)據(jù) 
  35.     val inputPath = "./data/sensor.txt" 
  36.     val inputStream = env.readTextFile(inputPath) 
  37.  
  38.     // 先轉(zhuǎn)換成樣例類類型（簡單轉(zhuǎn)換操作） 
  39.     val dataStream = inputStream 
  40.       .map(data => { 
  41.         val arr = data.split(",") 
  42.         SensorReading(arr(0), arr(1).toLong, arr(2).toDouble) 
  43.       }) 
  44.       .assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.seconds(1)) { 
  45.         override def extractTimestamp(element: SensorReading): Long = element.timestamp * 1000L 
  46.       }) 
  47.  
  48.     val sensorTable: Table = tableEnv.fromDataStream(dataStream, 'id, 'temperature, 'timestamp.rowtime as 'ts) 
  49.     // 注冊表 
  50.     tableEnv.createTemporaryView("sensor", sensorTable) 
  51.     // table API 實現(xiàn) 
  52.     val tableApi = sensorTable.window(Slide over 10.seconds every 5.seconds on 'ts as 'w) 
  53.       .groupBy('w, 'id) 
  54.       .select('id, 'id.count, 'w.end) 
  55.     val tableSql = tableEnv.sqlQuery( 
  56.       """ 
  57.         |select 
  58.         |id, 
  59.         |count(id), 
  60.         |HOP_END(ts,INTERVAL '10' SECOND, INTERVAL '5' SECOND )as w 
  61.         |from sensor 
  62.         |group by 
  63.         |HOP(ts,INTERVAL '10' SECOND, INTERVAL '5' SECOND),id 
  64.         |""".stripMargin) 
  65.  
  66.     tableApi.toAppendStream[Row].print("tableApi") 
  67.     tableSql.toAppendStream[Row].print("tableSql") 
  68.     /** 
  69. .window(Slide over 10.minutes every 5.minutes on 'rowtime as 'w) （事件時間字段 rowtime） 
  70. .window(Slide over 10.minutes every 5.minutes on 'proctime as 'w) （處理時間字段 proctime）  
  71. .window(Slide over 10.rows every 5.rows on 'proctime as 'w) (類似于計數(shù)窗口，按處理時間排序，10 行一組) 
  72.    **/ 
  73.     env.execute("FlinkSQLSlideTime") 
  74.   } 
  75. } 

4.運行結(jié)果

 

1.3 會話窗口

會話窗口(Session windows)要用 Session 類來定義，另外還有三個方法：

  • withGap：會話時間間隔
  • on：用來分組(按時間間隔)或者排序(按行數(shù))的時間字段
  • as：別名，必須出現(xiàn)在后面的 groupBy 中實現(xiàn)案例

1.需求描述

設(shè)置一個session 為10秒鐘 統(tǒng)計id的個數(shù)

2.準備數(shù)據(jù)

  1. sensor_1,1547718199,35.8 
  2. sensor_6,1547718201,15.4 
  3. sensor_7,1547718202,6.7 
  4. sensor_10,1547718205,38.1 
  5. sensor_1,1547718206,32 
  6. sensor_1,1547718208,36.2 
  7. sensor_1,1547718210,29.7 
  8. sensor_1,1547718213,30.9 

3.編寫代碼

  1. package windows 
  2.  
  3. import org.apache.flink.streaming.api.TimeCharacteristic 
  4. import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor 
  5. import org.apache.flink.streaming.api.scala._ 
  6. import org.apache.flink.streaming.api.windowing.time.Time 
  7. import org.apache.flink.table.api.{EnvironmentSettings, Session, Table} 
  8. import org.apache.flink.table.api.scala._ 
  9. import org.apache.flink.types.Row 
  10. import windows.FlinkSQLTumBlingTie.SensorReading 
  11.  
  12. /** 
  13.  * @Package windows 
  14.  * @File ：FlinkSqlSessionTime.java 
  15.  * @author 大數(shù)據(jù)老哥 
  16.  * @date 2020/12/27 22:52 
  17.  * @version V1.0 
  18.  */ 
  19. object FlinkSqlSessionTime { 
  20.   def main(args: Array[String]): Unit = { 
  21.     //構(gòu)建運行環(huán)境 
  22.     val env = StreamExecutionEnvironment.getExecutionEnvironment 
  23.     env.setParallelism(1) // 設(shè)置分區(qū)為1 方便后面測試 
  24.     env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) //事件時間 
  25.  
  26.     val settings = EnvironmentSettings.newInstance() 
  27.       .useBlinkPlanner() 
  28.       .inStreamingMode() 
  29.       .build() 
  30.     // 創(chuàng)建表env 
  31.     val tableEnv = StreamTableEnvironment.create(env, settings) 
  32.  
  33.     // 讀取數(shù)據(jù) 
  34.     val inputPath = "./data/sensor.txt" 
  35.     val inputStream = env.readTextFile(inputPath) 
  36.  
  37.     // 先轉(zhuǎn)換成樣例類類型（簡單轉(zhuǎn)換操作） 
  38.     val dataStream = inputStream 
  39.       .map(data => { 
  40.         val arr = data.split(",") 
  41.         SensorReading(arr(0), arr(1).toLong, arr(2).toDouble) 
  42.       }) 
  43.       .assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.seconds(1)) { 
  44.         override def extractTimestamp(element: SensorReading): Long = element.timestamp * 1000L 
  45.       }) 
  46.  
  47.     val sensorTable: Table = tableEnv.fromDataStream(dataStream, 'id, 'temperature, 'timestamp.rowtime as 'ts) 
  48.     // 注冊表 
  49.     tableEnv.createTemporaryView("sensor", sensorTable) 
  50.  
  51.     val tableApi = sensorTable. 
  52.       window(Session withGap 10.seconds on 'ts as 'w) 
  53.       .groupBy('id, 'w) 
  54.       .select('id, 'id.count, 'w.end) 
  55.     val tableSQL = tableEnv.sqlQuery( 
  56.       """ 
  57.         |SELECT 
  58.         |id, 
  59.         |COUNT(id), 
  60.         |SESSION_END(ts, INTERVAL '10' SECOND) AS w 
  61.         |FROM sensor 
  62.         |GROUP BY 
  63.         |id, 
  64.         |SESSION(ts, INTERVAL '10' SECOND) 
  65.         |""".stripMargin) 
  66.     tableApi.toAppendStream[Row].print("tableApi") 
  67.     tableSQL.toAppendStream[Row].print("tableSQL") 
  68.  
  69.     /** 
  70.      * .window(Session withGap 10.minutes on 'rowtime as 'w) 事件時間字段 rowtime） 
  71.      * .window(Session withGap 10.minutes on 'proctime as 'w) 處理時間字段 proctime） 
  72.      */ 
  73.     env.execute("FlinkSqlSessionTime") 
  74.   } 
  75. } 

4.運行結(jié)果

 

二、 Over Windows

Over window 聚合是標準 SQL 中已有的(Over 子句)，可以在查詢的 SELECT 子句中定義。Over window 聚合，會針對每個輸入行，計算相鄰行范圍內(nèi)的聚合。Over windows使用.window(w:overwindows*)子句定義，并在 select()方法中通過別名來引用。例子：

  1. val table = input 
  2. .window([w: OverWindow] as 'w) 
  3. .select('a, 'b.sum over 'w, 'c.min over 'w) 

Table API 提供了 Over 類，來配置 Over 窗口的屬性?？梢栽谑录r間或處理時間，以及指定為時間間隔、或行計數(shù)的范圍內(nèi)，定義 Over windows。

無界的 over window 是使用常量指定的。也就是說，時間間隔要指定 UNBOUNDED_RANGE，或者行計數(shù)間隔要指定 UNBOUNDED_ROW。而有界的 over window 是用間隔的大小指定的。

2.1 無界的 over window

  1. // 無界的事件時間 over window (時間字段 "rowtime") 
  2. .window(Over partitionBy 'a orderBy 'rowtime preceding UNBOUNDED_RANGE as 'w) 
  3. //無界的處理時間 over window (時間字段"proctime") 
  4. .window(Over partitionBy 'a orderBy 'proctime preceding UNBOUNDED_RANGE as 'w) 
  5. // 無界的事件時間 Row-count over window (時間字段 "rowtime") 
  6. .window(Over partitionBy 'a orderBy 'rowtime preceding UNBOUNDED_ROW as 'w) 
  7. //無界的處理時間 Row-count over window (時間字段 "rowtime") 
  8. .window(Over partitionBy 'a orderBy 'proctime preceding UNBOUNDED_ROW as 'w) 

2.2 有界的 over window

  1. // 有界的事件時間 over window (時間字段 "rowtime"，之前 1 分鐘) 
  2. .window(Over partitionBy 'a orderBy 'rowtime preceding 1.minutes as 'w) 
  3. // 有界的處理時間 over window (時間字段 "rowtime"，之前 1 分鐘) 
  4. .window(Over partitionBy 'a orderBy 'proctime preceding 1.minutes as 'w) 
  5. // 有界的事件時間 Row-count over window (時間字段 "rowtime"，之前 10 行) 
  6. .window(Over partitionBy 'a orderBy 'rowtime preceding 10.rows as 'w) 
  7. // 有界的處理時間 Row-count over window (時間字段 "rowtime"，之前 10 行) 
  8. .window(Over partitionBy 'a orderBy 'proctime preceding 10.rows as 'w) 

2.3 代碼練習

我們可以綜合學習過的內(nèi)容，用一段完整的代碼實現(xiàn)一個具體的需求。例如，統(tǒng)計每個sensor每條數(shù)據(jù)，與之前兩行數(shù)據(jù)的平均溫度。

數(shù)據(jù)準備

  1. sensor_1,1547718199,35.8 
  2. sensor_6,1547718201,15.4 
  3. sensor_7,1547718202,6.7 
  4. sensor_10,1547718205,38.1 
  5. sensor_1,1547718206,32 
  6. sensor_1,1547718208,36.2 
  7. sensor_1,1547718210,29.7 
  8. sensor_1,1547718213,30.9 

代碼分析：

  1. package windows 
  2.  
  3. import org.apache.flink.streaming.api.TimeCharacteristic 
  4. import org.apache.flink.streaming.api.functions.timestamps.BoundedOutOfOrdernessTimestampExtractor 
  5. import org.apache.flink.streaming.api.scala._ 
  6. import org.apache.flink.streaming.api.windowing.time.Time 
  7. import org.apache.flink.table.api.{EnvironmentSettings, Over, Tumble} 
  8. import org.apache.flink.table.api.scala._ 
  9. import org.apache.flink.types.Row 
  10.  
  11. /** 
  12. * @Package windows 
  13. * @File ：FlinkSqlTumBlingOverTime.java 
  14. * @author 大數(shù)據(jù)老哥 
  15. * @date 2020/12/28 21:45 
  16. * @version V1.0 
  17. */ 
  18. object FlinkSqlTumBlingOverTime { 
  19.  def main(args: Array[String]): Unit = { 
  20.    // 構(gòu)建運行環(huán)境 
  21.    val env = StreamExecutionEnvironment.getExecutionEnvironment 
  22.    env.setParallelism(1) // 設(shè)置并行度為1方便后面進行測試 
  23.    env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime) // 設(shè)置事件時間 
  24.  
  25.    val settings = EnvironmentSettings.newInstance() 
  26.      .useBlinkPlanner() 
  27.      .inStreamingMode() 
  28.      .build() 
  29.    //構(gòu)建table Env 
  30.    val tableEnv = StreamTableEnvironment.create(env, settings) 
  31.  
  32.    // 讀取數(shù)據(jù) 
  33.    val inputPath = "./data/sensor.txt" 
  34.    val inputStream = env.readTextFile(inputPath) 
  35.    // 先轉(zhuǎn)換成樣例類類型（簡單轉(zhuǎn)換操作） 
  36.    // 解析數(shù)據(jù) 封裝成樣例類 
  37.    val dataStream = inputStream 
  38.      .map(data => { 
  39.        val arr = data.split(",") 
  40.        SensorReading(arr(0), arr(1).toLong, arr(2).toDouble) 
  41.      }) 
  42.      .assignTimestampsAndWatermarks(new BoundedOutOfOrdernessTimestampExtractor[SensorReading](Time.seconds(1)) { 
  43.        override def extractTimestamp(element: SensorReading): Long = element.timestamp * 1000L 
  44.      }) 
  45.    // 將數(shù)據(jù)注冊成一張臨時表 
  46.    val dataTable = tableEnv.fromDataStream(dataStream,'id, 'temperature, 'timestamp.rowtime as 'ts) 
  47.    tableEnv.createTemporaryView("sensor",dataTable) 
  48.    var tableRes= dataTable.window( Over partitionBy 'id orderBy  'ts preceding 2.rows as 'ow) 
  49.     .select('id,'ts,'id.count over 'ow, 'temperature.avg over 'ow) 
  50.  
  51.   var tableSql= tableEnv.sqlQuery( 
  52.      """ 
  53.        |select 
  54.        |id, 
  55.        |ts, 
  56.        |count(id) over ow, 
  57.        |avg(temperature) over ow 
  58.        |from sensor 
  59.        |window ow as( 
  60.        | partition by id 
  61.        | order by ts 
  62.        | rows between 2 preceding and current row 
  63.        |) 
  64.        |""".stripMargin) 
  65.  
  66.    tableRes.toAppendStream[Row].print("tableRes") 
  67.    tableSql.toAppendStream[Row].print("tableSql") 
  68.    env.execute("FlinkSqlTumBlingOverTime") 
  69.  } 
  70.  case class SensorReading(id: String, timestamp: Long, temperature: Double) 
  71.  
  72. } 

運行結(jié)果

 

 

總結(jié)

好了到這里FlinkSql中窗口使用到這里就結(jié)束啦，喜歡的可以給了三連。其中FlinkSql中的窗口的用法還是比較多得，所有還是要多加練習。老話說的好，師傅領(lǐng)進門，修行在個人。

本文轉(zhuǎn)載自微信公眾號「 大數(shù)據(jù)老哥」，可以通過以下二維碼關(guān)注。轉(zhuǎn)載本文請聯(lián)系 大數(shù)據(jù)老哥公眾號。

 

責任編輯：武曉燕 來源： 大數(shù)據(jù)老哥
FlinkSQL排序
相關(guān)推薦

2020-11-27 08:02:41

Promise

2025-01-09 11:26:47

2021-10-15 07:57:04

Docker 日志容器

2018-11-21 08:00:05

Dubbo分布式系統(tǒng)

2022-02-21 09:44:45

Git開源分布式

2021-06-30 00:20:12

Hangfire.NET平臺

2023-05-12 08:19:12

Netty程序框架

2021-05-18 09:00:28

Python類class

2021-08-12 14:19:14

Slice數(shù)組類型內(nèi)存

2020-09-29 15:13:14

C++語言開發(fā)

2023-05-08 08:21:15

JavaNIO編程

2024-04-19 14:23:52

SwitchJavaScript開發(fā)

2023-09-06 14:57:46

JavaScript編程語言

2023-07-30 15:18:54

JavaScript屬性

2021-02-26 20:01:57

SVG濾鏡元素

2021-01-26 23:46:32

JavaScript數(shù)據(jù)結(jié)構(gòu)前端

2021-06-24 09:05:08

JavaScript日期前端

2021-05-18 08:30:42

JavaScript 前端JavaScript時

2024-01-30 13:47:45

2021-03-05 18:04:15

JavaScript循環(huán)代碼
點贊
收藏

51CTO技術(shù)棧公眾號