缓存与数据库一致性问题深度剖析 （修订）

时间  2020-10-17
标签 html mysql git github web 面试 redis 算法 spring sql 栏目 SQL 繁體版
原文   原文链接

前言

当咱们在作数据库与缓存数据同步时，究竟更新缓存，仍是删除缓存，到底是先操做数据库，仍是先操做缓存？本文带你们深度分析数据库与缓存的双写问题，而且给出了全部方案的实现代码方便你们参考。html

本篇文章主要内容

  • 数据缓存
    • 为什么要使用缓存
    • 哪类数据适合缓存
    • 缓存的利与弊
  • 如何保证缓存和数据库一致性
    • 不更新缓存，而是删除缓存
    • 先操做缓存，仍是先操做数据库
    • 非要保证数据库和缓存数据强一致该怎么办
  • 缓存和数据库一致性实战
    • 实战：先删除缓存，再更新数据库
    • 实战：先更新数据库，再删缓存
    • 实战：缓存延时双删
    • 实战：删除缓存重试机制
    • 实战：读取binlog异步删除缓存

码字不易，只求关注，欢迎关注个人原创技术公众号：后端技术漫谈（二维码见文章底部）mysql

项目源码在这里

https://github.com/qqxx6661/miaoshagit

数据缓存

在咱们实际的业务场景中，必定有不少须要作数据缓存的场景，好比售卖商品的页面，包括了许多并发访问量很大的数据，它们能够称做是是“热点”数据，这些数据有一个特色，就是更新频率低，读取频率高，这些数据应该尽可能被缓存，从而减小请求打到数据库上的机会，减轻数据库的压力。github

为什么要使用缓存

缓存是为了追求“快”而存在的。咱们用代码举一个例子。web

我在本身的Demo代码仓库中增长了两个查询库存的接口getStockByDB和getStockByCache，分别表示从数据库和缓存查询某商品的库存量。面试

随后咱们用JMeter进行并发请求测试。（JMeter的使用请参考我以前写的文章：点击这里）redis

须要声明的是，个人测试并不严谨，只是做对比测试，不要做为实际服务性能的参考。算法

这是两个接口的代码：spring

/**
 * 查询库存：经过数据库查询库存
 * @param sid
 * @return
 */
@RequestMapping("/getStockByDB/{sid}")
@ResponseBody
public String getStockByDB(@PathVariable int sid) {
    int count;
    try {
        count = stockService.getStockCountByDB(sid);
    } catch (Exception e) {
        LOGGER.error("查询库存失败：[{}]", e.getMessage());
        return "查询库存失败";
    }
    LOGGER.info("商品Id: [{}] 剩余库存为: [{}]", sid, count);
    return String.format("商品Id: %d 剩余库存为：%d", sid, count);
}

/**
 * 查询库存：经过缓存查询库存
 * 缓存命中：返回库存
 * 缓存未命中：查询数据库写入缓存并返回
 * @param sid
 * @return
 */
@RequestMapping("/getStockByCache/{sid}")
@ResponseBody
public String getStockByCache(@PathVariable int sid) {
    Integer count;
    try {
        count = stockService.getStockCountByCache(sid);
        if (count == null) {
            count = stockService.getStockCountByDB(sid);
            LOGGER.info("缓存未命中，查询数据库，并写入缓存");
            stockService.setStockCountToCache(sid, count);
        }
    } catch (Exception e) {
        LOGGER.error("查询库存失败：[{}]", e.getMessage());
        return "查询库存失败";
    }
    LOGGER.info("商品Id: [{}] 剩余库存为: [{}]", sid, count);
    return String.format("商品Id: %d 剩余库存为：%d", sid, count);
}

首先设置为10000个并发请求的状况下，运行JMeter，结果首先出现了大量的报错，10000个请求中98%的请求都直接失败了。让人很慌张~sql

打开日志，报错以下：

SpringBoot内置的Tomcat最大并发数搞的鬼，其默认值为200，对于10000的并发，单机服务实在是力不从心。固然，你能够修改这里的并发数设置，可是你的小机器仍然可能会扛不住。

将其修改成以下配置后，个人小机器才在经过缓存拿库存的状况下，保证了10000个并发的100%返回请求：

server.tomcat.max-threads=10000
server.tomcat.max-connections=10000

能够看到，不使用缓存的状况下，吞吐量为668个请求每秒：

使用缓存的状况下，吞吐量为2177个请求每秒：

在这种“十分不严谨”的对比下，有缓存对于一台单机，性能提高了3倍多，若是在多台机器，更多并发的状况下，因为数据库有了更大的压力，缓存的性能优点应该会更加明显。

测完了这个小实验，我看了眼我挂着MySql的小水管腾讯云服务器，生怕他被这么高流量搞挂。这种突发的流量，指不定会被检测为异常攻击流量呢~

我用的是腾讯云服务器1C4G2M，活动买的，很便宜。这里打个免费的广告，请腾讯云看到后联系我给我打钱 ;)

哪类数据适合缓存

缓存量大但又不常变化的数据，好比详情，评论等。对于那些常常变化的数据，其实并不适合缓存，一方面会增长系统的复杂性（缓存的更新，缓存脏数据），另外一方面也给系统带来必定的不稳定性（缓存系统的维护）。

但一些极端状况下，你须要将一些会变更的数据进行缓存，好比想要页面显示准实时的库存数，或者其余一些特殊业务场景。这时候你须要保证缓存不能（一直）有脏数据，这就须要再深刻讨论一下。

缓存的利与弊

咱们到底该不应上缓存的，这其实也是个trade-off（权衡）的问题。

上缓存的优势：

  • 可以缩短服务的响应时间，给用户带来更好的体验。
  • 可以增大系统的吞吐量，依然可以提高用户体验。
  • 减轻数据库的压力，防止高峰期数据库被压垮，致使整个线上服务BOOM！

上了缓存，也会引入不少额外的问题：

  • 缓存有多种选型，是内存缓存，memcached仍是redis，你是否都熟悉，若是不熟悉，无疑增长了维护的难度（原本是个纯洁的数据库系统）。
  • 缓存系统也要考虑分布式，好比redis的分布式缓存还会有不少坑，无疑增长了系统的复杂性。
  • 在特殊场景下，若是对缓存的准确性有很是高的要求，就必须考虑 缓存和数据库的一致性问题。

本文想要重点讨论的，就是缓存和数据库的一致性问题，各位看官且往下看。

如何保证缓存和数据库一致性

说了这么多缓存的必要性，那么使用缓存是否是就是一个很简单的事情了呢，我以前也一直是这么以为的，直到遇到了须要缓存与数据库保持强一致的场景，才知道让数据库数据和缓存数据保持一致性是一门很高深的学问。

从远古的硬件缓存，操做系统缓存开始，缓存就是一门独特的学问。这个问题也被业界探讨了很是久，争论至今。我翻阅了不少资料，发现其实这是一个权衡的问题。值得好好讲讲。

如下的讨论会引入几方观点，我会跟着观点来写代码验证所提到的问题。

不更新缓存，而是删除缓存

大部分观点认为，作缓存不该该是去更新缓存，而是应该删除缓存，而后由下个请求去去缓存，发现不存在后再读取数据库，写入缓存。

观点引用：《分布式之数据库和缓存双写一致性方案解析》孤独烟

缘由一：线程安全角度

同时有请求A和请求B进行更新操做，那么会出现

（1）线程A更新了数据库

（2）线程B更新了数据库

（3）线程B更新了缓存

（4）线程A更新了缓存

这就出现请求A更新缓存应该比请求B更新缓存早才对，可是由于网络等缘由，B却比A更早更新了缓存。这就致使了脏数据，所以不考虑。

缘由二：业务场景角度

有以下两点：

（1）若是你是一个写数据库场景比较多，而读数据场景比较少的业务需求，采用这种方案就会致使，数据压根还没读到，缓存就被频繁的更新，浪费性能。

（2）若是你写入数据库的值，并非直接写入缓存的，而是要通过一系列复杂的计算再写入缓存。那么，每次写入数据库后，都再次计算写入缓存的值，无疑是浪费性能的。显然，删除缓存更为适合。

其实若是业务很是简单，只是去数据库拿一个值，写入缓存，那么更新缓存也是能够的。可是，淘汰缓存操做简单，而且带来的反作用只是增长了一次cache miss，建议做为通用的处理方式。

先操做缓存，仍是先操做数据库

那么问题就来了，咱们是先删除缓存，而后再更新数据库，仍是先更新数据库，再删缓存呢？

先来看看大佬们怎么说。

《【58沈剑架构系列】缓存架构设计细节二三事》58沈剑：

对于一个不能保证事务性的操做，必定涉及“哪一个任务先作，哪一个任务后作”的问题，解决这个问题的方向是：若是出现不一致，谁先作对业务的影响较小，就谁先执行。

假设先淘汰缓存，再写数据库：第一步淘汰缓存成功，第二步写数据库失败，则只会引起一次Cache miss。

假设先写数据库，再淘汰缓存：第一步写数据库操做成功，第二步淘汰缓存失败，则会出现DB中是新数据，Cache中是旧数据，数据不一致。

沈剑老师说的没有问题，不过没彻底考虑好并发请求时的数据脏读问题，让咱们再来看看孤独烟老师《分布式之数据库和缓存双写一致性方案解析》：

先删缓存，再更新数据库

该方案会致使请求数据不一致

同时有一个请求A进行更新操做，另外一个请求B进行查询操做。那么会出现以下情形:

（1）请求A进行写操做，删除缓存

（2）请求B查询发现缓存不存在

（3）请求B去数据库查询获得旧值

（4）请求B将旧值写入缓存

（5）请求A将新值写入数据库

上述状况就会致使不一致的情形出现。并且，若是不采用给缓存设置过时时间策略，该数据永远都是脏数据。

因此先删缓存，再更新数据库并非一劳永逸的解决方案，再看看先更新数据库，再删缓存这种方案怎么样？

先更新数据库，再删缓存这种状况不存在并发问题么？

不是的。假设这会有两个请求，一个请求A作查询操做，一个请求B作更新操做，那么会有以下情形产生

（1）缓存恰好失效

（2）请求A查询数据库，得一个旧值

（3）请求B将新值写入数据库

（4）请求B删除缓存

（5）请求A将查到的旧值写入缓存

ok，若是发生上述状况，确实是会发生脏数据。

然而，发生这种状况的几率又有多少呢？

发生上述状况有一个先天性条件，就是步骤（3）的写数据库操做比步骤（2）的读数据库操做耗时更短，才有可能使得步骤（4）先于步骤（5）。但是，你们想一想，数据库的读操做的速度远快于写操做的（否则作读写分离干吗，作读写分离的意义就是由于读操做比较快，耗资源少），所以步骤（3）耗时比步骤（2）更短，这一情形很难出现。

先更新数据库，再删缓存依然会有问题，不过，问题出现的可能性会由于上面说的缘由，变得比较低！

因此，若是你想实现基础的缓存数据库双写一致的逻辑，那么在大多数状况下，在不想作过多设计，增长太大工做量的状况下，请先更新数据库，再删缓存!

我非要数据库和缓存数据强一致怎么办

那么，若是我非要保证绝对一致性怎么办，先给出结论：

没有办法作到绝对的一致性，这是由CAP理论决定的，缓存系统适用的场景就是非强一致性的场景，因此它属于CAP中的AP。

因此，咱们得委曲求全，能够去作到BASE理论中说的最终一致性。

最终一致性强调的是系统中全部的数据副本，在通过一段时间的同步后，最终可以达到一个一致的状态。所以，最终一致性的本质是须要系统保证最终数据可以达到一致，而不须要实时保证系统数据的强一致性

大佬们给出了到达最终一致性的解决思路，主要是针对上面两种双写策略（先删缓存，再更新数据库/先更新数据库，再删缓存）致使的脏数据问题，进行相应的处理，来保证最终一致性。

缓存延时双删

问：先删除缓存，再更新数据库中避免脏数据？

答案：采用延时双删策略。

上文咱们提到，在先删除缓存，再更新数据库的状况下，若是不采用给缓存设置过时时间策略，该数据永远都是脏数据。

那么延时双删怎么解决这个问题呢？

（1）先淘汰缓存

（2）再写数据库（这两步和原来同样）

（3）休眠1秒，再次淘汰缓存

这么作，能够将1秒内所形成的缓存脏数据，再次删除。

那么，这个1秒怎么肯定的，具体该休眠多久呢？

针对上面的情形，读者应该自行评估本身的项目的读数据业务逻辑的耗时。而后写数据的休眠时间则在读数据业务逻辑的耗时基础上，加几百ms便可。这么作的目的，就是确保读请求结束，写请求能够删除读请求形成的缓存脏数据。

若是你用了mysql的读写分离架构怎么办？

ok，在这种状况下，形成数据不一致的缘由以下，仍是两个请求，一个请求A进行更新操做，另外一个请求B进行查询操做。

（1）请求A进行写操做，删除缓存

（2）请求A将数据写入数据库了，

（3）请求B查询缓存发现，缓存没有值

（4）请求B去从库查询，这时，尚未完成主从同步，所以查询到的是旧值

（5）请求B将旧值写入缓存

（6）数据库完成主从同步，从库变为新值

上述情形，就是数据不一致的缘由。仍是使用双删延时策略。只是，睡眠时间修改成在主从同步的延时时间基础上，加几百ms。

采用这种同步淘汰策略，吞吐量下降怎么办？

ok，那就将第二次删除做为异步的。本身起一个线程，异步删除。这样，写的请求就不用沉睡一段时间后了，再返回。这么作，加大吞吐量。

因此在先删除缓存，再更新数据库的状况下，可使用延时双删的策略，来保证脏数据只会存活一段时间，就会被准确的数据覆盖。

在先更新数据库，再删缓存的状况下，缓存出现脏数据的状况虽然可能性极小，但也会出现。咱们依然能够用延时双删策略，在请求A对缓存写入了脏的旧值以后，再次删除缓存。来保证去掉脏缓存。

删缓存失败了怎么办：重试机制

看似问题都已经解决了，但其实，还有一个问题没有考虑到，那就是删除缓存的操做，失败了怎么办？好比延时双删的时候，第二次缓存删除失败了，那不仍是没有清除脏数据吗？

解决方案就是再加上一个重试机制，保证删除缓存成功。

参考孤独烟老师给的方案图：

方案一：

流程以下所示

（1）更新数据库数据；

（2）缓存由于种种问题删除失败

（3）将须要删除的key发送至消息队列

（4）本身消费消息，得到须要删除的key

（5）继续重试删除操做，直到成功

然而，该方案有一个缺点，对业务线代码形成大量的侵入。因而有了方案二，在方案二中，启动一个订阅程序去订阅数据库的binlog，得到须要操做的数据。在应用程序中，另起一段程序，得到这个订阅程序传来的信息，进行删除缓存操做。

方案二：

流程以下图所示：

（1）更新数据库数据

（2）数据库会将操做信息写入binlog日志当中

（3）订阅程序提取出所须要的数据以及key

（4）另起一段非业务代码，得到该信息

（5）尝试删除缓存操做，发现删除失败

（6）将这些信息发送至消息队列

（7）从新从消息队列中得到该数据，重试操做。

而读取binlog的中间件，能够采用阿里开源的canal

好了，到这里咱们已经把缓存双写一致性的思路完全梳理了一遍，下面就是我对这几种思路徒手写的实战代码，方便有须要的朋友参考。

缓存和数据库一致性实战

实战：先删除缓存，再更新数据库

终于到了实战，咱们在秒杀项目的代码上增长接口：先删除缓存，再更新数据库

OrderController中新增：

/**
 * 下单接口：先删除缓存，再更新数据库
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV1/{sid}")
@ResponseBody
public String createOrderWithCacheV1(@PathVariable int sid) {
    int count = 0;
    try {
        // 删除库存缓存
        stockService.delStockCountCache(sid);
        // 完成扣库存下单事务
        orderService.createPessimisticOrder(sid);
    } catch (Exception e) {
        LOGGER.error("购买失败：[{}]", e.getMessage());
        return "购买失败，库存不足";
    }
    LOGGER.info("购买成功，剩余库存为: [{}]", count);
    return String.format("购买成功，剩余库存为：%d", count);
}

stockService中新增：

@Override
public void delStockCountCache(int id) {
    String hashKey = CacheKey.STOCK_COUNT.getKey() + "_" + id;
    stringRedisTemplate.delete(hashKey);
    LOGGER.info("删除商品id：[{}] 缓存", id);
}

其余涉及的代码都在以前三篇文章中有介绍，而且能够直接去Github拿到项目源码，就不在这里重复贴了。

实战：先更新数据库，再删缓存

若是是先更新数据库，再删缓存，那么代码只是在业务顺序上颠倒了一下，这里就只贴OrderController中新增：

/**
 * 下单接口：先更新数据库，再删缓存
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV2/{sid}")
@ResponseBody
public String createOrderWithCacheV2(@PathVariable int sid) {
    int count = 0;
    try {
        // 完成扣库存下单事务
        orderService.createPessimisticOrder(sid);
        // 删除库存缓存
        stockService.delStockCountCache(sid);
    } catch (Exception e) {
        LOGGER.error("购买失败：[{}]", e.getMessage());
        return "购买失败，库存不足";
    }
    LOGGER.info("购买成功，剩余库存为: [{}]", count);
    return String.format("购买成功，剩余库存为：%d", count);
}

实战：缓存延时双删

如何作延时双删呢，最好的方法是开设一个线程池，在线程中删除key，而不是使用Thread.sleep进行等待，这样会阻塞用户的请求。

更新前先删除缓存，而后更新数据，再延时删除缓存。

OrderController中新增接口：


// 延时时间：预估读数据库数据业务逻辑的耗时，用来作缓存再删除
private static final int DELAY_MILLSECONDS = 1000;


/**
 * 下单接口：先删除缓存，再更新数据库，缓存延时双删
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV3/{sid}")
@ResponseBody
public String createOrderWithCacheV3(@PathVariable int sid) {
    int count;
    try {
        // 删除库存缓存
        stockService.delStockCountCache(sid);
        // 完成扣库存下单事务
        count = orderService.createPessimisticOrder(sid);
        // 延时指定时间后再次删除缓存
        cachedThreadPool.execute(new delCacheByThread(sid));
    } catch (Exception e) {
        LOGGER.error("购买失败：[{}]", e.getMessage());
        return "购买失败，库存不足";
    }
    LOGGER.info("购买成功，剩余库存为: [{}]", count);
    return String.format("购买成功，剩余库存为：%d", count);
}

OrderController中新增线程池：

// 延时双删线程池
private static ExecutorService cachedThreadPool = new ThreadPoolExecutor(0, Integer.MAX_VALUE, 60L, TimeUnit.SECONDS,new SynchronousQueue<Runnable>());


/**
 * 缓存再删除线程
 */
private class delCacheByThread implements Runnable {
    private int sid;
    public delCacheByThread(int sid) {
        this.sid = sid;
    }
    public void run() {
        try {
            LOGGER.info("异步执行缓存再删除，商品id：[{}]， 首先休眠：[{}] 毫秒", sid, DELAY_MILLSECONDS);
            Thread.sleep(DELAY_MILLSECONDS);
            stockService.delStockCountCache(sid);
            LOGGER.info("再次删除商品id：[{}] 缓存", sid);
        } catch (Exception e) {
            LOGGER.error("delCacheByThread执行出错", e);
        }
    }
}

来试验一下，请求接口createOrderWithCacheV3：

日志中，作到了两次删除：

实战：删除缓存重试机制

上文提到了，要解决删除失败的问题，须要用到消息队列，进行删除操做的重试。这里咱们为了达到效果，接入了RabbitMq，而且须要在接口中写发送消息，而且须要消费者常驻来消费消息。Spring整合RabbitMq仍是比较简单的，我把简单的整合代码也贴出来。

pom.xml新增RabbitMq的依赖：

<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-amqp</artifactId>
</dependency>

写一个RabbitMqConfig：

@Configuration
public class RabbitMqConfig {

    @Bean
    public Queue delCacheQueue() {
        return new Queue("delCache");
    }

}

添加一个消费者：

@Component
@RabbitListener(queues = "delCache")
public class DelCacheReceiver {

    private static final Logger LOGGER = LoggerFactory.getLogger(DelCacheReceiver.class);

    @Autowired
    private StockService stockService;

    @RabbitHandler
    public void process(String message) {
        LOGGER.info("DelCacheReceiver收到消息: " + message);
        LOGGER.info("DelCacheReceiver开始删除缓存: " + message);
        stockService.delStockCountCache(Integer.parseInt(message));
    }
}

OrderController中新增接口：

/**
 * 下单接口：先更新数据库，再删缓存，删除缓存重试机制
 * @param sid
 * @return
 */
@RequestMapping("/createOrderWithCacheV4/{sid}")
@ResponseBody
public String createOrderWithCacheV4(@PathVariable int sid) {
    int count;
    try {
        // 完成扣库存下单事务
        count = orderService.createPessimisticOrder(sid);
        // 删除库存缓存
        stockService.delStockCountCache(sid);
        // 延时指定时间后再次删除缓存
        // cachedThreadPool.execute(new delCacheByThread(sid));
        // 假设上述再次删除缓存没成功，通知消息队列进行删除缓存
        sendDelCache(String.valueOf(sid));

    } catch (Exception e) {
        LOGGER.error("购买失败：[{}]", e.getMessage());
        return "购买失败，库存不足";
    }
    LOGGER.info("购买成功，剩余库存为: [{}]", count);
    return String.format("购买成功，剩余库存为：%d", count);
}

访问createOrderWithCacheV4：

能够看到，咱们先完成了下单，而后删除了缓存，而且假设延迟删除缓存失败了，发送给消息队列重试的消息，消息队列收到消息后再去删除缓存。

实战：读取binlog异步删除缓存

咱们须要用到阿里开源的canal来读取binlog进行缓存的异步删除。

我写了一篇Canal的入门文章，其中用的入门例子就是读取binlog删除缓存。你们能够直接跳转到这里：阿里开源MySQL中间件Canal快速入门

扩展阅读

更新缓存的的Design Pattern有四种：

  • Cache aside
  • Read through
  • Write through
  • Write behind caching，这里有陈皓的总结文章能够进行学习。

https://coolshell.cn/articles/17416.html

小结

引用陈浩《缓存更新的套路》最后的总结语做为小结：

分布式系统里要么经过2PC或是Paxos协议保证一致性，要么就是拼命的下降并发时脏数据的几率

缓存系统适用的场景就是非强一致性的场景，因此它属于CAP中的AP，BASE理论。

异构数据库原本就没办法强一致，只是尽量减小时间窗口，达到最终一致性。

还有别忘了设置过时时间，这是个兜底方案

结束语

本文总结并探讨了缓存数据库双写一致性问题。

文章内容大体能够总结为以下几点：

  • 对于读多写少的数据，请使用缓存。
  • 为了保持数据库和缓存的一致性，会致使系统吞吐量的降低。
  • 为了保持数据库和缓存的一致性，会致使业务代码逻辑复杂。
  • 缓存作不到绝对一致性，但能够作到最终一致性。
  • 对于须要保证缓存数据库数据一致的状况，请尽可能考虑对一致性到底有多高要求，选定合适的方案，避免过分设计。

做者水平有限，写文章过程当中不免出现错误和疏漏，请理性讨论与指正。

码字不易，只求关注，欢迎关注个人原创技术公众号：后端技术漫谈（二维码见文章底部）

参考

  • https://cloud.tencent.com/developer/article/1574827
  • https://www.jianshu.com/p/2936a5c65e6b
  • https://www.cnblogs.com/rjzheng/p/9041659.html
  • https://www.cnblogs.com/codeon/p/8287563.html
  • https://www.jianshu.com/p/0275ecca2438
  • https://www.jianshu.com/p/dc1e5091a0d8
  • https://coolshell.cn/articles/17416.html

关注我

我是一名后端开发工程师。主要关注后端开发，数据安全，爬虫，物联网，边缘计算等方向，欢迎交流。

各大平台均可以找到我

  • 微信公众号：后端技术漫谈
  • Github：@qqxx6661
  • CSDN：@蛮三刀把刀
  • 知乎：@后端技术漫谈
  • 简书：@蛮三刀把刀
  • 掘金：@蛮三刀把刀
  • 腾讯云+社区：@后端技术漫谈

原创文章主要内容

  • 后端开发实战
  • Java面试知识
  • 设计模式/数据结构/算法题解
  • 读书笔记/逸闻趣事/程序人生

我的公众号：后端技术漫谈

我的公众号：后端技术漫谈

若是文章对你有帮助，不妨点赞，收藏起来~

本文分享自微信公众号 - 后端技术漫谈（Rude3Knife）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。

相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程