目录
1 StreamTableEnvironment对象介绍
分层API：
最顶层：SQL/Table API
核心层：DataStream Api
最底层：State Process
功能：管理catalog(Catalog是FlinkSQL的元数据库)、管理数据库、管理表、管理视图、函数等
创建方式
//1.StreamExecutionEnvironment来创建，推荐使用
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
StreamTableEnvironment tEnv = StreamTableEnvironment.create(env);
//2.TableEnvironment来创建
EnvironmentSettings settings = EnvironmentSettings.newInstance().inBatchMode().build();
TableEnvironment tEnv = TableEnvironment.create(settings);
Flink中的表分为如下三种：临时表、永久表、外部表
| 临时表 | 永久表 | 外部表 |
|---|---|---|
| 在会话中创建的 | 可以永久存储 | 连接外部数据源 |
| 和外部表结合使用，用的最多 | 基本不用 | 和临时结合使用，用的最多 |
2 FlinkSQL客户端
FlinkSQL客户端，是Flink自带的SQL客户端工具。我们可以使用该客户端进行SQL代码编写，任务提交等。
#1.启动Flink集群
/FLINK_HOME/bin/start-cluster.sh
#2.进入SQL-Client客户端
bin/sql-client.sh
2.1 显示模式
table模式：默认的模式。额外开启新页面显示。
#1.设置显示模式
set 'sql-client.execution.result-mode' = 'table';
changelog模式：变更日志的模式。额外开启新页面显示
#1.设置显示模式
set 'sql-client.execution.result-mode' = 'changelog';
tableau模式：和传统关系型数据库类似，在当前页面显示
#1.设置显示模式
set 'sql-client.execution.result-mode' = 'tableau';
2.2 综合案例
Table 的基本概念及常用 API
Flink SQL> create table source_random(
> sku_id string,price bigint ) with(
> 'connector'='datagen',
> 'rows-per-second'='1',
> 'fields.sku_id.length'='2',
> 'fields.price.kind'='random',
> 'fields.price.min'='1',
> 'fields.price.max'='1000'
> );
[INFO] Execute statement succeed.
Flink SQL> create table sink_tb(
> sku_id string primary key not enforced,
> count_result bigint,
> sum_result bigint,
> avg_result double,
> min_result bigint,
> max_result bigint
> )with(
> 'connector'='upsert-kafka',
> 'topic'='test02',
> 'properties.bootstrap.servers'='node1:9092,node2:9092,node3:9092',
> 'key.format'='json',
> 'value.format'='json'
> );
[INFO] Execute statement succeed.
Flink SQL> insert into sink_tb
> select sku_id ,
> count(*) as count_result,
> sum(price) as sum_result,
> avg(price) as avg_result,
> min(price) as min_result,
> max(price) as max_result
> from source_random
> group by sku_id;
[INFO] Submitting SQL update statement to the cluster...
[INFO] SQL update statement has been successfully submitted to the cluster:
Job ID: 7a6f1c3b58103978e35f288705834cb1
3 数据类型
Flink SQL 内置了很多常见的数据类型，并且也为用户提供了自定义数据类型的能力。总共包含2部分：
1、原子数据类型
1.字符&字符串类型：string、varchar --不需要指定字符的长度
2.二进制类型：binary
3.数值类型：decimal、int、bigint、smallint
4.精度类型：float、double
5.null类型：null
6.时间&日期类型：date、time、datetime、timestamp
2、复合数据类型
1、数组类型：array
2、map类型：map
3、集合类型：multiset
4、Row类型：Row
4 动态表 & 连续查询
动态表：实时动态变化的表。表数据不是固定不变的。
连续查询：持续不断地查询，从未间断。并不是一次性查询。
4.1 动态表
| 数据输入 | 数据处理 | 数据输出 |
|---|---|---|
| 静态表，数据是界的，是固定的 | 一次性处理 | 数据是固定的，是有界的 |
| 动态表，数据是源源不断产生的，是动态变化的 | 持续不断地查询 | 是动态变化的，是无界的 |
5 时间
时间是为窗口服务的。
5.1 摄入时间（Processing Time）
数据被Flink程序的Source算子加载的时间，几乎不用
5.2 处理时间（Processing Time）
数据被Flink处理的时间，一般可以用处理完成的时间来表示，很少用
eg：创建带有Flink处理时间pt的表,使用函数proctime()
Flink SQL> create table source_with_proctime(
> word string,
> `date` string,
> pt as proctime()
> )with (
> 'connector'='filesystem',
> 'path'='file:///root/wordcount.txt',
> 'format'='csv'
> );
[INFO] Execute statement succeed.
设置显示模式为tableau输出，和传统关系型数据库类似，在当前页面显示。
Flink SQL> set 'sql-client.execution.result-mode'='tableau';
[INFO] Execute statement succeed.
查询表数据
Flink SQL> select * from source_with_proctime;
+----+--------------------------------+--------------------------------+-------------------------+
| op | word | date | pt |
+----+--------------------------------+--------------------------------+-------------------------+
| +I | hello | 2020/2/13 | 2023-08-27 16:38:54.436 |
| +I | python | 2020/2/13 | 2023-08-27 16:38:54.436 |
| +I | hive | 2020/2/14 | 2023-08-27 16:38:54.436 |
| +I | hue | 2020/2/14 | 2023-08-27 16:38:54.436 |
| +I | hadoop | 2020/2/15 | 2023-08-27 16:38:54.436 |
| +I | spark | 2020/2/15 | 2023-08-27 16:38:54.436 |
| +I | hive | 2020/2/15 | 2023-08-27 16:38:54.436 |
| +I | flink | 2020/2/16 | 2023-08-27 16:38:54.436 |
+----+--------------------------------+--------------------------------+-------------------------+
Received a total of 8 rows
查看表结构
Flink SQL> desc source_with_proctime;
+------+-----------------------------+-------+-----+---------------+-----------+
| name | type | null | key | extras | watermark |
+------+-----------------------------+-------+-----+---------------+-----------+
| word | STRING | TRUE | | | |
| date | STRING | TRUE | | | |
| pt | TIMESTAMP_LTZ(3) *PROCTIME* | FALSE | | AS PROCTIME() | |
+------+-----------------------------+-------+-----+---------------+-----------+
3 rows in set
5.3 事件时间（Event Time）
时间产生的时间，Flink没有关系，用的最多
Flink SQL> create table source_table_with_eventtime(
> word string,
> `date` string,
> row_time timestamp(3),
> watermark for row_time as row_time - interval '0' second
> )with(
> 'connector'='filesystem',
> 'path'='file:///root/wordcount.txt',
> 'format'='csv'
> );
[INFO] Execute statement succeed.
Flink SQL> desc source_table_with_eventtime;
+----------+------------------------+------+-----+--------+----------------------------------+
| name | type | null | key | extras | watermark |
+----------+------------------------+------+-----+--------+----------------------------------+
| word | STRING | TRUE | | | |
| date | STRING | TRUE | | | |
| row_time | TIMESTAMP(3) *ROWTIME* | TRUE | | | `row_time` - INTERVAL '0' SECOND |
+----------+------------------------+------+-----+--------+----------------------------------+
3 rows in set
6 窗口
在Flink中，窗口有如下这些：
滚动窗口（Tumble）
滑动窗口（hop、slide）
会话窗口（session）
渐进式窗口（cumulate）
聚合窗口（over）
窗口的特点：固定大小、边界、起始、结束
窗口的划分： 计算公式：第一条数据的事件时间-（第一条数据的事件时间%窗口大小）
前提：第一条数据的事件时间为1，窗口大小为5
窗口划分：1 - （1 % 5） = 1 - (1) = 0
由于窗口大小是5秒，所以，第一个窗口就固定了：[0,5)
第一个窗口确定好了后，后续的窗口也就排布好了。依次如下：[0,5),[5,10),[10,15)…
6.1 滚动窗口
窗口往前滑动的距离 = 窗口大小；数据不重复不丢失；应用场景较多，如统计早高峰出行人数
#1.创建source表
CREATE TABLE tumble_table (
user_id STRING,
price BIGINT,
`timestamp` bigint,
row_time AS TO_TIMESTAMP(FROM_UNIXTIME(`timestamp`)),
watermark for row_time as row_time - interval '0' second
) WITH (
'connector' = 'socket',
'hostname' = 'node1',
'port' = '9999',
'format' = 'csv'
);
#2.执行查询语句
select user_id,count(*) as pv,sum(price) as sum_price,
UNIX_TIMESTAMP(CAST(tumble_start(row_time, interval '5' second) AS STRING)) * 1000 as window_start,
UNIX_TIMESTAMP(CAST(tumble_end(row_time, interval '5' second) AS STRING)) * 1000 as window_end
from tumble_table
group by user_id, tumble(row_time, interval '5' second);
eg：滚动窗口DataStream API
public class Demo01_TumbleWindow {
public static void main(String[] args) throws Exception {
// 1.创建流式环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
env.setParallelism(1);
// 2.获取数据源
DataStreamSource<String> socketDS = env.socketTextStream("node1", 9999);
// 3.数据源处理
// 3.1将数据转换成Tuple3类型(id,price,ts)
SingleOutputStreamOperator<Tuple3<String, Integer, Long>> mapDS = socketDS.map(new MapFunction<String, Tuple3<String, Integer, Long>>() {
@Override
public Tuple3<String, Integer, Long> map(String value) throws Exception {
String[] words = value.split(",");
return Tuple3.of(words[0], Integer.valueOf(words[1]), Long.valueOf(words[2]));
}
});
// 3.2对数据添加水印
SingleOutputStreamOperator<Tuple3<String, Integer, Long>> watermarkDS = mapDS.assignTimestampsAndWatermarks(WatermarkStrategy.<Tuple3<String, Integer, Long>>forMonotonousTimestamps()
.withTimestampAssigner(new SerializableTimestampAssigner<Tuple3<String, Integer, Long>>() {
@Override
public long extractTimestamp(Tuple3<String, Integer, Long> element, long recordTimestamp) {
return element.f2 * 1000L;
}
}));
watermarkDS.print("数据源：");
// 3.3分组
SingleOutputStreamOperator<Tuple2<String, Integer>> result = watermarkDS.keyBy(value -> value.f0)
//对数据进行窗口的划分，这里指定为Tumble窗口
.window(TumblingEventTimeWindows.of(Time.seconds(5)))
// 对Tumble窗口内的price字段精选sum操作
.sum(1)
// 把计算结果进行map转换操作，转成Tuple2<String,Integer>类型
.map(new MapFunction<Tuple3<String, Integer, Long>, Tuple2<String, Integer>>() {
@Override
public Tuple2<String, Integer> map(Tuple3<String, Integer, Long> value) throws Exception {
return Tuple2.of(value.f0, value.f1);
}
});
// 4.输出聚合结果
result.print("聚合后的结果为：");
// 执行流式环境
env.execute();
}
}
6.2 滑动窗口
滑动距离 != 窗口大小；
滑动距离< 窗口大小：数据被计算多次；
滑动距离> 窗口大小，数据丢失，不讨论
应用场景：每隔一分钟统计，如双十一成交额
--1.创建表
CREATE TABLE source_table (
user_id STRING,
price BIGINT,
`timestamp` bigint,
row_time AS TO_TIMESTAMP(FROM_UNIXTIME(`timestamp`)),
watermark for row_time as row_time - interval '0' second
) WITH (
'connector' = 'socket',
'hostname' = 'node1',
'port' = '9999',
'format' = 'csv'
);
--2.查询的SQL
SELECT user_id,
UNIX_TIMESTAMP(CAST(hop_start(row_time, interval '2' SECOND, interval '5' SECOND) AS STRING)) * 1000 as window_start,
UNIX_TIMESTAMP(CAST(hop_end(row_time, interval '2' SECOND, interval '5' SECOND) AS STRING)) * 1000 as window_end, sum(price) as sum_price
FROM source_table
GROUP BY user_id, hop(row_time, interval '2' SECOND, interval '5' SECOND);
[root@node1 ~]# nc -lk 9999
1,1,0
1,1,1
1,1,3
1,1,4
1,1,5
eg：滑动窗口DataStream API
public class Demo02_SlideWindow {
public static void main(String[] args) throws Exception {
// 1.构建流式环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 2.数据源
DataStreamSource<String> souceDS = env.socketTextStream("node1", 9999);
// 3.数据处理
// 3.1 将数据转换成Tuple3(id,price,ts)
SingleOutputStreamOperator<Tuple3<String, Integer, Long>> mapDS = souceDS.map(new MapFunction<String, Tuple3<String, Integer, Long>>() {
@Override
public Tuple3<String, Integer, Long> map(String value) throws Exception {
String[] words = value.split(",");
return Tuple3.of(words[0], Integer.valueOf(words[1]), Long.valueOf(words[2]));
}
});
// 3.2对数据添加水印
SingleOutputStreamOperator<Tuple3<String, Integer, Long>> watermarkDS = mapDS
.assignTimestampsAndWatermarks(WatermarkStrategy.<Tuple3<String, Integer, Long>>forMonotonousTimestamps()
.withTimestampAssigner(new SerializableTimestampAssigner<Tuple3<String, Integer, Long>>() {
@Override
public long extractTimestamp(Tuple3<String, Integer, Long> element, long recordTimestamp) {
return element.f2 * 1000L;
}
}));
watermarkDS.print("数据源：");
// 3.3分组
SingleOutputStreamOperator<Tuple2<String, Integer>> result = watermarkDS.keyBy(value -> value.f0)
//对数据进行滑动窗口输出,滑动范围是2s,窗口范围是5s
.window(SlidingEventTimeWindows.of(Time.seconds(5), Time.seconds(2)))
.sum(1)
// 对数据进行格式转换,转换为Tuple2<>输出
.map(new MapFunction<Tuple3<String, Integer, Long>, Tuple2<String, Integer>>() {
@Override
public Tuple2<String, Integer> map(Tuple3<String, Integer, Long> value) throws Exception {
return Tuple2.of(value.f0, value.f1);
}
});
// 4.数据输出
result.printToErr("聚合后的结果为:");
// 5.启动流式任务
env.execute();
}
}
6.3 会话窗口
相邻的两条数据的事件时间没有超过会话间隔，则会落入同一个窗口，反之不落入窗口
特点：窗口大小不固定，窗户的session gap（会话间隔）是固定的
应用场景，如在线人工客服
--1.创建表
CREATE TABLE source_table (
user_id STRING,
price BIGINT,
`timestamp` bigint,
row_time AS TO_TIMESTAMP(FROM_UNIXTIME(`timestamp`)),
watermark for row_time as row_time - interval '0' second
) WITH (
'connector' = 'socket',
'hostname' = 'node1',
'port' = '9999',
'format' = 'csv'
);
---2.执行SQL
SELECT user_id,
UNIX_TIMESTAMP(CAST(session_start(row_time, interval '5' SECOND) AS STRING)) * 1000 as window_start,
UNIX_TIMESTAMP(CAST(session_end(row_time, interval '5' SECOND) AS STRING)) * 1000 as window_end,
sum(price) as sum_price
FROM source_table
GROUP BY user_id, session(row_time, interval '5' SECOND);
eg：会话窗口DataStream API
public class SessionWindow {
public static void main(String[] args) throws Exception {
// 1.创建流式执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 2.源数据
DataStreamSource<String> sourceDS = env.socketTextStream("node1", 9999);
// 3.1数据格式化，转换成Tuple3<id,price,ts>，并加上水印
SingleOutputStreamOperator<Tuple3<String, Integer, Long>> mapDS = sourceDS.map((String value)->{
String[] words = value.split(",");
return Tuple3.of(words[0], Integer.valueOf(words[1]), Long.valueOf(words[2]));
}).returns(Types.TUPLE(Types.STRING,Types.INT,Types.LONG))
.assignTimestampsAndWatermarks(WatermarkStrategy.<Tuple3<String, Integer, Long>>forMonotonousTimestamps()
.withTimestampAssigner((Tuple3<String, Integer, Long> element, long recordTimestamp) -> element.f2 * 1000L));
// 打印输出源数据
mapDS.print("数据源：");
// 3.3 数据会话窗口分组聚合,按照value.f0(id)分组，窗口大小为5s，每隔5s触发一次聚合
SingleOutputStreamOperator<Tuple2<String, Integer>> result = mapDS.keyBy(value -> value.f0)
.window(EventTimeSessionWindows.withGap(Time.seconds(5)))
.sum(1).map((Tuple3<String, Integer, Long> value)->Tuple2.of(value.f0, value.f1))
.returns(Types.TUPLE(Types.STRING,Types.INT));
// 4.结果输出
result.print("聚合后的结果为：");
// 5.创建执行环境
env.execute();
}
}
6.4 渐进式窗口
滚在一定的时间范围内，结果程序线性递增的趋势，应用场景不多，大多可以滚动窗口替代
在一定时间范围内，结果呈现单调递增趋势
--1.创建表
CREATE TABLE source_table (
user_id BIGINT,
money BIGINT,
row_time AS cast(CURRENT_TIMESTAMP as timestamp(3)),
-- watermark 设置
WATERMARK FOR row_time AS row_time - INTERVAL '0' SECOND
) WITH (
'connector' = 'datagen',
'rows-per-second' = '10',
'fields.user_id.min' = '1',
'fields.user_id.max' = '100000',
'fields.money.min' = '1',
'fields.money.max' = '100000'
);
--2.执行的SQL
SELECT FROM_UNIXTIME(UNIX_TIMESTAMP(CAST(window_start AS STRING))) as window_start,
FROM_UNIXTIME(UNIX_TIMESTAMP(CAST(window_end AS STRING))) as window_end,
sum(money) as sum_money,
count(distinct user_id) as count_distinct_id
FROM TABLE(CUMULATE(
TABLE source_table
, DESCRIPTOR(row_time)
, INTERVAL '5' SECOND
, INTERVAL '30' SECOND))
GROUP BY window_start, window_end;
6.5 聚合函数
1、时间区间聚合
按照时间区间聚合就是时间区间的一个滑动窗口，比如下面案例1h区间，最新输出的一条数据的sum聚合结果就是最近一小时数据的amount之和。
--2.执行SQL
SELECT product, order_time, amount,
SUM(amount) OVER (
PARTITION BY product
ORDER BY order_time
-- 标识统计范围是一个 product 的最近 30秒的数据
RANGE BETWEEN INTERVAL '1' HOUR PRECEDING AND CURRENT ROW
) AS one_hour_prod_amount_sum
FROM source_table;
2、行数聚合
按照行数聚合就是数据行数的一个滑动窗口，比如下面案例，最新输出的一条数据的 sum 聚合结果就是最近100行数据的 amount 之和。
7 Watermark水印
如果窗口加上了Watermark，则窗口的触发计算由Watermark的时间来决定。水印定义延时计算的时间
--1.创建表
CREATE TABLE source_table (
user_id STRING,
price BIGINT,
`timestamp` bigint,
row_time AS TO_TIMESTAMP(FROM_UNIXTIME(`timestamp`)),
watermark for row_time as row_time - interval '2' second --数据允许两秒延迟到达
) WITH (
'connector' = 'socket',
'hostname' = 'node1',
'port' = '9999',
'format' = 'csv');
--2.查询SQL
select user_id,count(*) as pv,sum(price) as sum_price,
UNIX_TIMESTAMP(CAST(tumble_start(row_time, interval '5' second) AS STRING)) * 1000 as window_start,
UNIX_TIMESTAMP(CAST(tumble_end(row_time, interval '5' second) AS STRING)) * 1000 as window_end
from source_table
group by user_id,tumble(row_time, interval '5' second);
FlinkSQL中，数据一旦超过Watermark的延迟时间，会丢失。这种数据称之为严重迟到的数据。
1、窗口加水印：watermark设置为2，可以允许2秒的延迟，能够处理2秒内延迟到达的数据，如下代码中3.2设置。
OutofOrdernessTimestamp固定延迟水印，正常迟到数据会被正常处理，严重迟到的丢失
MonotonousTimetimestamp（普通）：单调递增水印，类似于延时时间为0，正常迟到数据会丢失
2、AllowLateness：允许延迟。就是在固定延迟水印的基础之上，还能迟到的时间。如下代码中3.3.1设置。
3、SideOutput：侧道输出，侧输出流。可以收集任何严重迟到的数据，不会允许数据丢失。如下代码中3.3.2设置。
// 需求：测试多并行度时，是否会有数据丢失，数据的执行情况，延时销毁窗口、侧道输出
public class Demo06_MultiParallelism {
public static void main(String[] args) throws Exception {
// 1.创建流式执行环境
StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();
// 设置并行度
env.setParallelism(2);
// 2.获取数据流
DataStreamSource<String> sourceDS = env.socketTextStream("node1", 9999);
// 3.处理数据 3.1将数据map转换
SingleOutputStreamOperator<WaterSensor> mapDS = sourceDS.map(new MapFunction<String, WaterSensor>() {
@Override
public WaterSensor02 map(String value) throws Exception {
String[] strs = value.split(",");
return new WaterSensor02(strs[0], Integer.valueOf(strs[1]), Long.valueOf(strs[2]));
}
});
// 3.2设置水位线,这里是固定延时水印
// forMonotonousTimestamps:单调递增水印
// forBoundedOutOfOrderness:固定延时水印，用的最多
// forGenerator:自定义水印,基本不用;
// noWatermarks:没有水印,基本上不用
SingleOutputStreamOperator<WaterSensor> watermarkDS = mapDS
// 给数据添加2s的延时处理时间
.assignTimestampsAndWatermarks(WatermarkStrategy.<WaterSensor>forBoundedOutOfOrderness(Duration.ofSeconds(2))
//设置最大空闲等待时间，设置为30秒，最多等待30s（多线程并行处理时候的等待时间）
.withIdleness(Duration.ofSeconds(30))
// 指定时间戳
.withTimestampAssigner(new SerializableTimestampAssigner<WaterSensor>() {
@Override
public long extractTimestamp(WaterSensor element, long recordTimestamp) {
System.out.println("线程ID为："+Thread.currentThread().getId()+
"处理了时间时间为"+element.getTs()+"的数据");
return element.getTs() * 1000;
}
}));
// 3.3 分组聚合操作
// 设置侧道输出的对象
OutputTag<WaterSensor> outputTag = new OutputTag<WaterSensor02>("lateDate",Types.GENERIC(WaterSensor.class));
SingleOutputStreamOperator<String> result = watermarkDS.keyBy(value -> value.getId())
.window(TumblingEventTimeWindows.of(Time.seconds(5)))
//3.3.1延时销毁:延时窗口的销毁时间,延时1秒,第八秒后窗口关闭
.allowedLateness(Time.seconds(1))
//3.3.2侧道输出，将严重迟到的数据侧道输出
.sideOutputLateData(outputTag)
.process(new ProcessWindowFunction<WaterSensor, String, String, TimeWindow>() {
@Override
public void process(String s, Context context, Iterable<WaterSensor> elements, Collector<String> out) throws Exception {
out.collect("分组的key为" + s +
"\n窗口的数据为" + elements +
"\n窗口的数据量为" + elements.spliterator().estimateSize() +
"\n窗口的大小为[" + context.window().getStart() + "," + context.window().getEnd() + ")"
+ "\n当前的水印为" + context.currentWatermark());
}
});
// 4.1正常输出
result.print("正常数据:");
// 4.2侧输出
result.getSideOutput(outputTag).printToErr("严重迟到的数据");
// 5.创建执行环境
env.execute();
}
}
注解：
Data：能够生成getter、setter、toString等函数
AllArgsConstructor:全参构建器的注解
NoArgsConstructor：空参构造器的注解
eg：自定义的水位传感器类
@AllArgsConstructor
@NoArgsConstructor
@Data
private static class WaterSensor {
//传感器的id
private String id;
//vc:value count,水位器的数据信息
private Integer vc;
//ts：timestamp，事件时间
private Long ts;
}
Flink怎么保证数据不丢失！
在FlinkSQL层次，设置Watermark的延迟时间，可以处理正常迟到的数据。对于严重迟到的数据，FlinkSQL没办法处理，直接丢弃。
在DataStream API 中，代码层次中，我们同样可以设置固定延迟水印机制，保证正常迟到的数据被正确处理，如果超过了固定延迟收水印时间，可以再设置AllowedLateness（允许在固定延迟之后再延迟）=，允许在固定延迟之后再延迟一段时间，如果再超过了AllowedLateness之后，我们可以通过设置侧道输出（侧输出流）机制，把严重迟到的数据收集起来。保证数据的不丢失。
如果是多并行度下，可以设置空闲等待时间，来让多个多并行度的数据正常处理。
扫一扫
555
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
