高并发架构（消息队列），被面试官问的大数据开发问题难倒了

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新大数据全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip204888 （备注大数据）

正文

发起请求，等待个 1s，这几乎是不可接受的。

![image-20240222155023714](https://img-blog.csdnimg.cn/img_convert/2e91ef1b5011a5a22a903179df7ee8b6.png)


一般互联网类的企业，对于用户直接的操作，一般要求是每个请求都必须在 200 ms 以内完成，  
 对用户几乎是无感知的。

如果使用 MQ，那么 A 系统连续发送 3 条消息到 MQ 队列中，假如耗时 5ms，A 系统从接受一
个请求到返回响应给用户，总时长是 3 + 5 = 8ms，对于用户而言，其实感觉上就是点个按钮，
8ms 以后就直接返回了，爽！网站做得真好，真快！

![image-20240222155149294](https://img-blog.csdnimg.cn/img_convert/8d34cc0ce9a1b8169cb332f41caad43b.png)


##### 3.削峰


就好比购物的时间段一样，优惠时期数量太大 需要承受的住，平常的量一般，所以要做到灵活的变化，从而节省成本及提高性能。保持最大的处理量，稳步进行

1.每天 0:00 到 12:00，A 系统风平浪静，每秒并发请求数量就 50 个。结果每次一到 12:00 ~ 13:00，每秒并发请求数量突然会暴增到 5k+ 条。但是系统是直接基于 MySQL 的，大量的请求涌入MySQL，每秒钟对 MySQL 执行约 5k 条 SQL。
2.一般的 MySQL，扛到每秒 2k 个请求就差不多了，如果每秒请求到 5k 的话，可能就直接把MySQL 给打死了，导致系统崩溃，用户也就没法再使用系统了。
3.但是高峰期一过，到了下午的时候，就成了低峰期，可能也就 1w 的用户同时在网站上操作，
每秒中的请求数量可能也就 50 个请求，对整个系统几乎没有任何的压力。

![image-20240222155749582](https://img-blog.csdnimg.cn/img_convert/8de7183d9b284a7d82151e9e679de20d.png)

如果使用 MQ，每秒 5k 个请求写入 MQ，A 系统每秒钟最多处理 2k 个请求，因为 MySQL 每秒钟
最多处理 2k 个。A 系统从 MQ 中慢慢拉取请求，每秒钟就拉取 2k 个请求，不要超过自己每秒
能处理的最大请求数量就 ok，这样下来，哪怕是高峰期的时候，A 系统也绝对不会挂掉。而
MQ 每秒钟 5k 个请求进来，就 2k 个请求出去，结果就导致在中午高峰期（1 个小时），可能有
几十万甚至几百万的请求积压在 MQ 中。

![image-20240222160101910](https://img-blog.csdnimg.cn/img_convert/5adeeebc2cabdc88dc87709dc393602f.png)

这个短暂的高峰期积压是 ok 的，因为高峰期过了之后，每秒钟就 50 个请求进 MQ，但是 A 系
统依然会按照每秒 2k 个请求的速度在处理。所以说，只要高峰期一过，A 系统就会快速将积压
的消息给解决掉。

#### 二、优缺点


##### 优点


使用的场景 ，解决的问题 如上面所说


##### 缺点


1.系统可用性降低  
 系统引入的外部依赖越多，越容易挂掉。本来你就是 A 系统调用 BCD 三个系统的接口就好了，  
 ABCD 四个系统还好好的，没啥问题，你偏加个 MQ 进来，万一 MQ 挂了咋整？MQ 一挂，整套  
 系统崩溃，你不就完了？如何保证消息队列的高可用，可以点击这里查看。  
 2.系统复杂度提高  
 硬生生加个 MQ 进来，你怎么保证消息没有重复消费？怎么处理消息丢失的情况？怎么保证  
 消息传递的顺序性？头大头大，问题一大堆，痛苦不已。  
 3.一致性问题  
 A 系统处理完了直接返回成功了，人都以为你这个请求就成功了；但是问题是，要是 BCD 三个  
 系统那里，BD 两个系统写库成功了，结果 C 系统写库失败了，咋整？你这数据就不一致了。  
 所以消息队列实际是一种非常复杂的架构，你引入它有很多好处，但是也得针对它带来的坏处  
 做各种额外的技术方案和架构来规避掉，做好之后，你会发现，妈呀，系统复杂度提升了一个  
 数量级，也许是复杂了 10 倍。但是关键时刻，用，还是得用的。


![image-20240222160803737](https://img-blog.csdnimg.cn/img_convert/b0fd273edc0c41235da2859b3929caca.png)


总结：activeMQ 、RabbitMQ、 RocketMQ 、Kafka


时效性：基本都是ms 级，RabbitMQ是微秒


消息可靠性：基本不会丢失


可用性：基本都是高可用  
 吞吐量：RocketMQ 、Kafka 十万级别 ，activeMQ 、RabbitMQ 万级别


使用场景：

综上，各种对比之后，有如下建议：
1.一般的业务系统要引入 MQ，最早大家都用 ActiveMQ，但是现在确实大家用的不多了，没经过大规模吞吐量场景的验证，社区也不是很活跃，所以大家还是算了吧，我个人不推荐用这个了；后来大家开始用 RabbitMQ，但是确实 erlang 语言阻止了大量的 Java 工程师去深入研究和掌控它，对公司而言，几乎处于不可控的状态，但是确实人家是开源的，比较稳定的支持，活跃度也高；
2.不过现在确实越来越多的公司会去用 RocketMQ，确实很不错，毕竟是阿里出品，但社区可能有突然黄掉的风险（目前 RocketMQ 已捐给 Apache，但 GitHub 上的活跃度其实不算高）对自己公司技术实力有绝对自信的，推荐用 RocketMQ，否则回去老老实实用 RabbitMQ 吧，人家有活跃的开源社区，绝对不会黄。
3.所以中小型公司，技术实力较为一般，技术挑战不是特别高，用 RabbitMQ 是不错的选择；
大型公司，基础架构研发实力较强，用 RocketMQ 是很好的选择。如果是大数据领域的实时计算、日志采集等场景，用 Kafka 是业内标准的，绝对没问题，社区活跃度很高，绝对不会黄，何况几乎是全世界这个领域的事实性规范

#### 三、高可用性


##### 1.RabbitMQ 的高可用性


RabbitMQ 是比较有代表性的，因为是基于主从（非分布式）做高可用性的，我们就以  
 RabbitMQ 为例子讲解第一种 MQ 的高可用性怎么实现。  
 RabbitMQ 有三种模式：单机模式、普通集群模式、镜像集群模式。


（1）单机模式  
 单机模式，就是 Demo 级别的，一般就是你本地启动了玩玩儿的，没人生产用单机模式。


（2）普通集群模式（无高可用性）  
 普通集群模式，意思就是在多台机器上启动多个 RabbitMQ 实例，每个机器启动一个。你创建  
 的 queue，只会放在一个 RabbitMQ 实例上，但是每个实例都同步 queue 的元数据（元数据  
 可以认为是 queue 的一些配置信息，通过元数据，可以找到 queue 所在实例）。你消费的时  
 候，实际上如果连接到了另外一个实例，那么那个实例会从 queue 所在实例上拉取数据过来。

普通集群-没有高可用性，假如三台机器都作为一个节点，而只有一台机器存放数据，当消费的时候都会随机连接一台机器来消费，在消费的机器上没有数据就会调用有数据的机器，从而实现消费。
问题-如果宕机的机器刚好是存放数据的机器，从而影响整个业务

![image-20240222165453383](https://img-blog.csdnimg.cn/img_convert/0a6a625940441fd3d2eec2d67b8ab763.png)


这种方式确实很麻烦，也不怎么好，没做到所谓的分布式，就是个普通集群。因为这导致你  
 要么消费者每次随机连接一个实例然后拉取数据，要么固定连接那个 queue 所在实例消费数  
 据，前者有数据拉取的开销，后者导致单实例性能瓶颈。


（3）镜像集群模式（高可用性）


这种模式，才是所谓的 RabbitMQ 的高可用模式。跟普通集群模式不一样的是，在镜像集群模  
 式下，你创建的 queue，无论元数据还是 queue 里的消息都会存在于多个实例上，就是说，  
 每个 RabbitMQ 节点都有这个 queue 的一个完整镜像，包含 queue 的全部数据的意思。然后每  
 次你写消息到 queue 的时候，都会自动把消息同步到多个实例的 queue 上。

镜像集群-实现了高可用
MQ 把需要消费的消息自动做了同步（复制） 每台机器都有完整的消息，每台机器都能返回消息给消费者。
问题-
好处-你任何一个机器宕机了，没事儿，其它机器（节点）还包含了这个queue 的完整数据，别的 consumer 都可以到其它节点上去消费数据。
坏处-
第一，这个性能开销也太大了吧，消息需要同步到所有机器上，导致网络带宽压力和消耗很重！
第二，这么玩儿，不是分布式的，就没有扩展性可言了，如果某个 queue 负载很重，你加机器，新增
的机器也包含了这个 queue 的所有数据，并没有办法线性扩展你的 queue。

![image-20240222165618071](https://img-blog.csdnimg.cn/img_convert/b93a6829d1ba07f52202611a2e676cd9.png)


那么如何开启这个镜像集群模式呢？其实很简单，RabbitMQ 有很好的管理控制台，就是在后  
 台新增一个策略，这个策略是镜像集群模式的策略，指定的时候是可以要求数据同步到所有  
 节点的，也可以要求同步到指定数量的节点，再次创建 queue 的时候，应用这个策略，就会自  
 动将数据同步到其他的节点上去了。


##### 2.Kafka 的高可用性

Producer：Producer即生产者，消息的产生者，是消息的入口。
kafka cluster：
Broker：Broker是kafka实例，每个服务器上有一个或多个kafka的实例，我们姑且认为每个broker对应一台服务器。每个kafka集群内的broker都有一个不重复的编号，如图中的broker-0、broker-1等……

Topic：消息的主题，可以理解为消息的分类，kafka的数据就保存在topic。在每个broker上都可以创建多个topic。

Partition：Topic的分区，每个topic可以有多个分区，分区的作用是做负载，提高kafka的吞吐量。同一个topic在不同的分区的数据是不重复的，partition的表现形式就是一个一个的文件夹！

Replication:每一个分区都有多个副本，副本的作用是做备胎。当主分区（Leader）故障的时候会选择一个备胎（Follower）上位，成为Leader。在kafka中默认副本的最大数量是10个，且副本的数量不能大于Broker的数量，follower和leader绝对是在不同的机器，同一机器对同一个分区也只可能存放一个副本（包括自己）。

Message：每一条发送的消息主体。

Consumer：消费者，即消息的消费方，是消息的出口。

Consumer Group：我们可以将多个消费组组成一个消费者组，在kafka的设计中同一个分区的数据只能被消费者组中的某一个消费者消费。同一个消费者组的消费者可以消费同一个topic的不同分区的数据，这也是为了提高kafka的吞吐量！

Zookeeper：kafka集群依赖zookeeper来保存集群的的元信息，来保证系统的可用性。

Kafka 一个最基本的架构认识：由多个 broker 组成，每个 broker 是一个节点；你创建一个topic，这个 topic 可以划分为多个 partition，每个 partition 可以存在于不同的 broker 上，每个partition 就放一部分数据。


这就是天然的分布式消息队列，就是说一个 topic 的数据，是分散放在多个机器上的，每个机器就放一部分数据。


实际上 RabbitMQ 之类的，并不是分布式消息队列，它就是传统的**消息队列**，只不过提供了一些集群、HA(High Availability, 高可用性) 的**机制**而已，因为无论怎么玩儿，RabbitMQ 一个queue 的数据都是放在一个节点里的,镜像集群下，也是每个节点都放这个 queue 的完整数据。


**Kafka 0.8** 以前，是没有 HA 机制的，就是任何一个 broker 宕机了，那个 broker 上的 partition 就  
 废了，没法写也没法读，没有什么高可用性可言


比如说，我们假设创建了一个 topic，指定其 partition 数量是 3 个，分别在三台机器上。但是，如果第二台机器宕机了，会导致这个 topic 的 1/3 的数据就丢了，因此这个是做不到高可用的。


![image-20240222172018936](https://img-blog.csdnimg.cn/img_convert/557464a08d13c48d9ab46603bee7fe6c.png)

Kafka 0.8 以后，提供了 HA 机制，就是 replica（复制品） 副本机制。
每个 partition 的数据都会同步到其它机器上，形成自己的多个 replica 副本。所有 replica 会选举一个 leader 出来，那么生产和消费都跟这个 leader 打交道，然后其他 replica 就是 follower。写的时候，leader 会负责把数据同步到所有 follower 上去，读的时候就直接读 leader 上的数据即可。
只能读写 leader？
很简单，要是你可以随意读写每个 follower，那么就要 care 数据一致性的问题，系统复杂度太高，很容易出问题。Kafka 会均匀地将一个 partition 的所有 replica 分布在不同的机器上，这样才可以提高容错性。

![image-20240222172113405](https://img-blog.csdnimg.cn/img_convert/14f3d2f763efb58fb64dd2372e61ead2.png)


这么搞，就有所谓的高可用性了，因为如果某个 broker 宕机了，没事儿，那个 broker上面的partition 在其他机器上都有副本的。如果这个宕机的 broker 上面有某个 partition 的 leader，那么此时会从 follower 中重新选举一个新的 leader 出来，大家继续读写那个新的 leader 即可。这就有所谓的高可用性了。

写数据的时候，生产者就写 leader，然后 leader 将数据落地写本地磁盘，接着其他 follower 自己主动从 leader 来 pull 数据。一旦所有 follower 同步好数据了，就会发送 ack 给 leader，leader 收到所有 follower 的 ack 之后，就会返回写成功的消息给生产者。（当然，这只是其中一种模式，还可以适当调整这个行为）

消费的时候，只会从 leader 去读，但是只有当一个消息已经被所有 follower 都同步成功返回ack 的时候，这个消息才会被消费者读到。


#### 四、消息消费的幂等性


##### 1.高可用

幂等性：
一个幂等操作的特点是其任意多次执行所产生的影响均与一次执行的影响相同
比如：一条数据或者一个请求，重复发起多次，我们要确保对应的数据不会受影响。

简单来说就是之前提到的问题-保证消息不被重复消费？–可能会有哪些重复消费的问题？


**.消费到第二次的时候，自己判断一下是否已经消费过**

offset：offset是一个占8byte的有序id号，它可以唯一确定每条消息在parition内的位置！
https://zhuanlan.zhihu.com/p/649938603

场景：

首先，比如 RabbitMQ、RocketMQ、Kafka，都有可能会出现消息重复消费的问题，正常。因为这问题通常不是 MQ 自己保证的，是由我们开发来保证的。挑一个 Kafka 来举个例子，说说怎么重复消费吧。

Kafka 实际上有个 offset 的概念，就是每个消息写进去，都有一个offset，代表消息的序号，然后 consumer 消费了数据之后，每隔一段时间（定时定期），会把自己消费过的消息的 offset提交一下，表示“我已经消费过了，下次我要是重启啥的，你就让我继续从上次消费到的 offset来继续消费吧”。

但是凡事总有意外，比如我们之前生产经常遇到的，就是你有时候重启系统，看你怎么重启了，如果碰到点着急的，直接 kill 进程了，再重启。这会导致 consumer 有些消息处理了，但是没来得及提交 o􀁷set，尴尬了。重启之后，少数消息会再次消费一次。

举个例子

有这么个场景。数据 1/2/3 依次进入 kafka，kafka 会给这三条数据每条分配一个 offset，代表这条数据的序号，我们就假设分配的 offset 依次是 152/153/154。消费者从 kafka 去消费的时候，也是按照这个顺序去消费。假如当消费者消费了 offset=153 的这条数据，刚准备去提交o􀁷set 到 zookeeper，此时消费者进程被重启了。那么此时消费过的数据 1/2 的 offset 并没有提交，kafka 也就不知道你已经消费了 offset=153 这条数据。那么重启之后，消费者会找kafka 说，嘿，哥儿们，你给我接着把上次我消费到的那个地方后面的数据继续给我传递过来。由于之前的 offset 没有提交成功，那么数据 1/2 会再次传过来，如果此时消费者没有去重的话，那么就会导致重复消费。

![image-20240223155031970](https://img-blog.csdnimg.cn/img_convert/d06656f69121041883f8b5eb94003485.png)


如果消费者干的事儿是拿一条数据就往数据库里写一条，会导致说，你可能就把数据 1/2 在数据库里插入了 2 次，那么数据就错啦。其实重复消费不可怕，可怕的是你没考虑到重复消费之后，怎么保证幂等性。

举个例子吧。假设你有个系统，消费一条消息就往数据库里插入一条数据，要是你一个消息重复两次，你不就插入了两条，这数据不就错了？但是你要是消费到第二次的时候，自己判断一下是否已经消费过了，若是就直接扔了，这样不就保留了一条数据，从而保证了数据的正确性。
一条数据重复出现两次，数据库里就只有一条数据，这就保证了系统的幂等性。幂等性，通俗点说，就一个数据，或者一个请求，给你重复来多次，你得确保对应的数据是不会改变的，不能出错。

业务场景


怎么保证消息队列消费的幂等性？

1.比如你拿个数据要写库，你先根据主键查一下，如果这数据都有了，你就别插入了，update 一下好吧。
2.比如你是写 Redis，那没问题了，反正每次都是 set，天然幂等性。
3.比如你不是上面两个场景，那做的稍微复杂一点，你需要让生产者发送每条数据的时候，里面加一个全局唯一的 id，类似订单 id 之类的东西，然后你这里消费到了之后，先根据这个 id 去比如 Redis 里查一下，之前消费过吗？如果没有消费过，你就处理，然后这个 id 写Redis。如果消费过了，那你就别处理了，保证别重复处理相同的消息即可。
4.比如基于数据库的唯一键来保证重复数据不会重复插入多条。因为有唯一键约束了，重复数据插入只会报错，不会导致数据库中出现脏数据。

![image-20240223160710662](https://img-blog.csdnimg.cn/img_convert/5e3040cc2f51782de716d4b8a76a3386.png)


总结

常用的幂等性保证方法：
1.利用数据库的唯一约束实现幂等
比如将订单表中的订单编号设置为唯一索引，创建订单时，根据订单编号就可以保证幂等
2.利用redis的原子性
每次操作都直接set到redis里面，然后将redis数据定时同步到数据库中
3.多版本（乐观锁）控制
此方案多用于更新的场景下。其实现的大体思路是：给业务数据增加一个版本号属性，每次更新数据前，比较当前数据的版本号是否和消息中的版本一致，如果不一致则拒绝更新数据，成功更新数据的同时将版本号+1

具体做法：
（1）MySQL：比如消费后直接执行insert这种操作是非幂等性的，改进做法 >>> 每次insert之前，我们可以先根据主键去查询，要是该数据已存在就不再执行insert操作，而是执行update操作。
（2）redis：具有天然幂等性，一个key只能有一条数据，不会出现多次消费的情况
（3）复杂订单场景：比如标识某个订单的orderId（唯一）你已经消费过，下次重复消费时，先根据orderId去redis或MySQL中查，如果没有消费过就处理，反之消费过就直接返回，避免重复操作。

总结：
（1）kafka、mq等消息队列没法帮你做到消费端的幂等性，消费端的幂等性得基于业务场景进行实现。
（2）不过消息队列得保证消息不能丢，至少保证消息能够被消费一次（不然消息丢失了，没数据讲啥业务幂等性）
（3）其实重复消费不可怕，可怕的是忽略了重复消费后，该如何保证消费的幂等性？如何防止重复消费 + 即使重复消费也要保证操作的幂等性
（4）是否要保证幂等性，得基于业务进行考量（比如日志记录，就不需要做幂等性操作；订单场景则需要保证幂等性）
补充：在实现消费端处理业务时，要确保消费端是采用手工确认应答机制，而不是自动应答机制。这样能够确保消费端一旦业务处理失败，生产者还能再次发送同个消息给消费端

##### 2.可靠性


如何保证消息的可靠性传输？如何处理消息丢失的问题？

用 MQ 有个基本原则，就是数据不能多一条，也不能少一条，不能多，就是前面说的重复消费和幂等性问题。不能少，就是说这数据别搞丢了。
如果说你这个是用 MQ 来传递非常核心的消息，比如说计费、扣费的一些消息，那必须确保这个 MQ 传递过程中绝对不会把计费消息给弄丢。

![image-20240223161353968](https://img-blog.csdnimg.cn/img_convert/138065e42497f09eb2df9f3b8bf97c0e.png)


生产者弄丢了数据

生产者将数据发送到 RabbitMQ 的时候，可能数据就在半路给搞丢了，因为网络问题啥的，都有可能。
此时可以选择用 RabbitMQ 提供的事务功能，就是生产者发送数据之前开启 RabbitMQ 事务channel.txSelect ，然后发送消息，如果消息没有成功被 RabbitMQ 接收到，那么生产者会收到异常报错，此时就可以回滚事务 channel.txRollback ，然后重试发送消息；如果收到了消息，那么可以提交事务 channel.txCommit 。

channel txSelect
// 开启事务
try {
// 这里发送消息
} catch (Exception e) {
channel txRollback
// 这里再次重发这条消息
}
// 提交事务
channel txCommit

//但是问题是，RabbitMQ 事务机制（同步）一搞，基本上吞吐量会下来，因为太耗性能。
/**所以一般来说，如果你要确保说写 RabbitMQ 的消息别丢，可以开启 confirm 模式，在生产者那里设置开启 confirm 模式之后，你每次写的消息都会分配一个唯一的 id，然后如果写入了 RabbitMQ 中，RabbitMQ 会给你回传一个 ack 消息，告诉你说这个消息 ok 了。如果RabbitMQ 没能处理这个消息，会回调你的一个 nack 接口，告诉你这个消息接收失败，你可以重试。而且你可以结合这个机制自己在内存里维护每个消息 id 的状态，如果超过一定时间还没接收到这个消息的回调，那么你可以重发。

事务机制和 confirm 机制最大的不同在于，事务机制是同步的，你提交一个事务之后会阻塞在那儿，但是 confirm 机制是异步的，你发送个消息之后就可以发送下一个消息，然后那个消息 RabbitMQ 接收了之后会异步回调你的一个接口通知你这个消息接收到了。

所以一般在生产者这块避免数据丢失，都是用 confirm 机制的。
/

RabbitMQ 弄丢了数据

就是 RabbitMQ 自己弄丢了数据，这个你必须开启 RabbitMQ 的持久化，就是消息写入之后会持久化到磁盘，哪怕是 RabbitMQ 自己挂了，恢复之后会自动读取之前存储的数据，一般数据不会丢。除非极其罕见的是，RabbitMQ 还没持久化，自己就挂了，可能导致少量数据丢失，但是这个概率较小。

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）**
![img](https://img-blog.csdnimg.cn/img_convert/591f9afbed98cd7009063a0dcbb4110d.png)

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

abbitMQ 弄丢了数据

就是 RabbitMQ 自己弄丢了数据，这个你必须开启 RabbitMQ 的持久化，就是消息写入之后会持久化到磁盘，哪怕是 RabbitMQ 自己挂了，恢复之后会自动读取之前存储的数据，一般数据不会丢。除非极其罕见的是，RabbitMQ 还没持久化，自己就挂了，可能导致少量数据丢失，但是这个概率较小。

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**需要这份系统化的资料的朋友，可以添加V获取：vip204888 （备注大数据）**
[外链图片转存中...(img-tYgsSHO9-1713211751598)]

**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**