Dubbo源码 - 负载均衡

女爷i 2024-04-08 09:06 27阅读 0赞

### 前言 ###

负载均衡，英文名称为Load Balance，其含义就是指将负载（工作任务）进行平衡、分摊到多个操作单元上进行运行。

例如：在Dubbo中，同一个服务有多个服务提供者，每个服务提供者所在的机器性能不一致。如果流量均匀分摊，则会导致有些服务提供者负载过高，有些则轻轻松松，导致资源浪费。负载均衡就解决这个问题。

### 源码 ###

`LoadBalance` 就是负载均衡的接口，咱们先看看类图

![0070d0f34f78adb5e5831dbf3bc6c013.png][]

Dubbo提供了4中内置的负载均衡实现：

1.  RandomLoadBalance：基于权重随机算法
2.  LeastActiveLoadBalance：基于最少活跃调用数算法
3.  ConsistentHashLoadBalance：基于 hash 一致性算法
4.  RoundRobinLoadBalance：基于加权轮询算法

那么负载均衡是在哪里被用的的呢？

`AbstractClusterInvoker` 的 `select` 和 `reselect` 方法。

### AbstractLoadBalance ###

抽象类封装了一些公共的逻辑，在看具体实现类之前，我们先看看抽象类AbstractLoadBalance中的方法

public <T> Invoker<T> select(List<Invoker<T>> invokers, URL url, Invocation invocation) {
        if (invokers == null || invokers.isEmpty())
            return null;
        // 如果 invokers 列表中仅有一个 Invoker，直接返回即可，无需进行负载均衡
        if (invokers.size() == 1)
            return invokers.get(0);
        // 调用 doSelect 方法进行负载均衡，该方法为抽象方法，由子类实现
        return doSelect(invokers, url, invocation);
    }

`LoadBalance` 接口只有一个方法，那就是 select 方法，这是负载均衡的入口。根据 invoker 数量判断是否需要进行负载均衡。这里的 doSelect 是个抽象方法，由子类实现。

protected int getWeight(Invoker<?> invoker, Invocation invocation) {
        int weight = invoker.getUrl().getMethodParameter(invocation.getMethodName(), Constants.WEIGHT_KEY, Constants.DEFAULT_WEIGHT);
        if (weight > 0) {
            // 获取服务提供者启动时间戳
            long timestamp = invoker.getUrl().getParameter(Constants.REMOTE_TIMESTAMP_KEY, 0L);
            if (timestamp > 0L) {
                // 计算服务提供者运行时长
                int uptime = (int) (System.currentTimeMillis() - timestamp);
                // 获取服务预热时间，默认为10分钟
                int warmup = invoker.getUrl().getParameter(Constants.WARMUP_KEY, Constants.DEFAULT_WARMUP);
                // 如果服务运行时间小于预热时间，则重新计算服务权重，即降权
                if (uptime > 0 && uptime < warmup) {
                    // 重新计算服务权重
                    weight = calculateWarmupWeight(uptime, warmup, weight);
                }
            }
        }
        return weight;
    }
    
    static int calculateWarmupWeight(int uptime, int warmup, int weight) {
        // 计算权重，下面代码逻辑上形似于 (uptime / warmup) * weight。
        // 随着服务运行时间 uptime 增大，权重计算值 ww 会慢慢接近配置值 weight
        int ww = (int) ((float) uptime / ((float) warmup / (float) weight));
        return ww < 1 ? 1 : (ww > weight ? weight : ww);
    }

getWeight 是获取权重的方法，默认权重为100，这里有个服务预热的操作，当服务的启动时间小于预热时间，权重会减少，这个权重由 calculateWarmupWeight 方法计算。

预热的目的是让服务启动后“低功率”运行一段时间，使其效率慢慢提升至最佳状态。

以上就是抽象类的全部方法。下面我们看实现类的。

### RandomLoadBalance ###

RandomLoadBalance 是加权随机算法的具体实现，是Dubbo默认的负载均衡策略。

假设我们有一组服务器 servers = \[A, B, C\]，他们对应的权重为 weights = \[5, 3, 2\]，权重总和为10。

![4d6c36eaf7f46d22b073a6a401f18bd8.png][]

我们取一个大于等于0，小于10的随机数，计算随机数落在哪个区间。例如4在A区间，7在B区间。

权重越大，落在该区间的概率就越大。这就是加权随机算法。

下面看具体代码实现

public class RandomLoadBalance extends AbstractLoadBalance {
    
        public static final String NAME = "random";
    
        private final Random random = new Random();
    
        @Override
        protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
            int length = invokers.size(); // Number of invokers
            int totalWeight = 0; // The sum of weights
            boolean sameWeight = true; // Every invoker has the same weight?
            // 下面这个循环有两个作用，第一是计算总权重 totalWeight，
            // 第二是检测每个服务提供者的权重是否相同
            for (int i = 0; i < length; i++) {
                int weight = getWeight(invokers.get(i), invocation);
                totalWeight += weight; // Sum
                // 检测当前服务提供者的权重与上一个服务提供者的权重是否相同，
                // 不相同的话，则将 sameWeight 置为 false。
                if (sameWeight && i > 0
                        && weight != getWeight(invokers.get(i - 1), invocation)) {
                    sameWeight = false;
                }
            }
            if (totalWeight > 0 && !sameWeight) {
                // 随机获取一个 [0, totalWeight) 区间内的数字
                int offset = random.nextInt(totalWeight);
                // Return a invoker based on the random value.
                // 循环让 offset 数减去服务提供者权重值，当 offset 小于0时，返回相应的 Invoker。
                // 举例说明一下，我们有 servers = [A, B, C]，weights = [5, 3, 2]，offset = 7。
                // 第一次循环，offset - 5 = 2 > 0，即 offset > 5，
                // 表明其不会落在服务器 A 对应的区间上。
                // 第二次循环，offset - 3 = -1 < 0，即 5 < offset < 8，
                // 表明其会落在服务器 B 对应的区间上
                for (int i = 0; i < length; i++) {
                    // 让随机值 offset 减去权重值
                    offset -= getWeight(invokers.get(i), invocation);
                    if (offset < 0) {
                        // 返回相应的 Invoker
                        return invokers.get(i);
                    }
                }
            }
            // 如果所有服务提供者权重值相同，此时直接随机返回一个即可
            return invokers.get(random.nextInt(length));
        }
    }

如果权重一致，就随机选择一个。如果权重不同，则根据权重分配。

### LeastActiveLoadBalance ###

最小活跃数负载均衡。这个活跃数表示执行中的请求数量。每个服务提供者对应一个活跃数 active。初始情况下，所有服务提供者活跃数均为0。每收到一个请求，活跃数加1，完成请求后则将活跃数减1。

在流量均匀的情况下，活跃数越低的服务提供者，其性能越好。

protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
        int length = invokers.size(); // Number of invokers
        // 最小的活跃数
        int leastActive = -1; // The least active value of all invokers
        // 具有相同“最小活跃数”的服务者提供者（以下用 Invoker 代称）数量
        int leastCount = 0; // The number of invokers having the same least active value (leastActive)
        // leastIndexs 用于记录具有相同“最小活跃数”的 Invoker 在 invokers 列表中的下标信息
        int[] leastIndexs = new int[length]; // The index of invokers having the same least active value (leastActive)
        int totalWeight = 0; // The sum of with warmup weights
        // 第一个最小活跃数的 Invoker 权重值，用于与其他具有相同最小活跃数的 Invoker 的权重进行对比，
        // 以检测是否“所有具有相同最小活跃数的 Invoker 的权重”均相等
        int firstWeight = 0; // Initial value, used for comparision
        boolean sameWeight = true; // Every invoker has the same weight value?
    
        // 遍历 invokers 列表
        for (int i = 0; i < length; i++) {
            Invoker<T> invoker = invokers.get(i);
            // 获取 Invoker 对应的活跃数
            int active = RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive(); // Active number
            // 获取权重
            int afterWarmup = getWeight(invoker, invocation); // Weight
            // 发现更小的活跃数，重新开始
            if (leastActive == -1 || active < leastActive) { // Restart, when find a invoker having smaller least active value.
                // 使用当前活跃数 active 更新最小活跃数 leastActive
                leastActive = active; // Record the current least active value
                // 更新 leastCount 为 1
                leastCount = 1; // Reset leastCount, count again based on current leastCount
                // 记录当前下标值到 leastIndexs 中
                leastIndexs[0] = i; // Reset
                totalWeight = afterWarmup; // Reset
                firstWeight = afterWarmup; // Record the weight the first invoker
                sameWeight = true; // Reset, every invoker has the same weight value?
            // 当前 Invoker 的活跃数 active 与最小活跃数 leastActive 相同
            } else if (active == leastActive) { // If current invoker's active value equals with leaseActive, then accumulating.
                // 在 leastIndexs 中记录下当前 Invoker 在 invokers 集合中的下标
                leastIndexs[leastCount++] = i; // Record index number of this invoker
                // 累加权重
                totalWeight += afterWarmup; // Add this invoker's weight to totalWeight.
                // If every invoker has the same weight?
                // 检测当前 Invoker 的权重与 firstWeight 是否相等，
                // 不相等则将 sameWeight 置为 false
                if (sameWeight && i > 0
                        && afterWarmup != firstWeight) {
                    sameWeight = false;
                }
            }
        }
        // assert(leastCount > 0)
        // 当只有一个 Invoker 具有最小活跃数，此时直接返回该 Invoker 即可
        if (leastCount == 1) {
            // If we got exactly one invoker having the least active value, return this invoker directly.
            return invokers.get(leastIndexs[0]);
        }
        // 有多个 Invoker 具有相同的最小活跃数，但它们之间的权重不同
        if (!sameWeight && totalWeight > 0) {
            // If (not every invoker has the same weight & at least one invoker's weight>0), select randomly based on totalWeight.
            // 随机生成一个 [0, totalWeight) 之间的数字
            int offsetWeight = random.nextInt(totalWeight) + 1;
            // Return a invoker based on the random value.
            // 循环让随机数减去具有最小活跃数的 Invoker 的权重值，
            // 当 offset 小于等于0时，返回相应的 Invoker
            for (int i = 0; i < leastCount; i++) {
                int leastIndex = leastIndexs[i];
                // 获取权重值，并让随机数减去权重值
                offsetWeight -= getWeight(invokers.get(leastIndex), invocation);
                if (offsetWeight <= 0)
                    return invokers.get(leastIndex);
            }
        }
        // If all invokers have the same weight value or totalWeight=0, return evenly.
        // 如果权重相同或权重为0时，随机返回一个 Invoker
        return invokers.get(leastIndexs[random.nextInt(leastCount)]);
    }

代码比较多，不过都有注释，耐心看即可。这里大体做了几件事：

1.  遍历 invokers 集合，找出活跃数最小的 invoker
2.  如果只有一个 invoker 有最小活跃数，则返回
3.  如果有多个 invoker 有相同的最小活跃数，则这些 invoker 进行加权随机算法处理（也就是对这几个最小活跃数 invoker 进行 RandomLoadBalance 的逻辑）

这里有个点想扩展说下，就是获取活跃数的方法

RpcStatus.getStatus(invoker.getUrl(), invocation.getMethodName()).getActive();

`RpcStatus` 记录着当前调用次数、总数、失败数、调用间隔等状态信息。

这些信息，在服务消费者端由 `ActiveLimitFilter` 记录，在服务提供者端由 `ExecuteLimitFilter` 记录。也就是，想要拿到正确的活跃数，需要 `ActiveLimitFilter` 生效才行。

@Activate(group = Constants.CONSUMER, value = Constants.ACTIVES_KEY)
    public class ActiveLimitFilter implements Filter

`ActiveLimitFilter` 生效需要满足两个条件，消费者端以及URL中携带 `actives` 参数。 `actives` 可在消费者端或生产者端配置，含义为：每服务消费者每服务每方法最大并发调用数

<dubbo:service interface="com.alibaba.dubbo.demo.DemoService" ref="demoService" registry="remoteRegistry" actives="5" />
    <dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" loadbalance="leastactive" actives="5" />

当然，也能给消费者接口指定过滤器的方法来启用 `ActiveLimitFilter`

<dubbo:reference id="demoService" interface="com.alibaba.dubbo.demo.DemoService" filter="activelimit" />

### RoundRobinLoadBalance ###

RoundRobinLoadBalance是加权轮询负载均衡的实现。加权轮询的原理步骤如下：

假设服务 \[A, B, C\] 的权重为 \[5, 1, 1\] ，即总权重为 7， 当前权重currentWeight初始为\[0, 0, 0\]

1.  当前权重加上每个服务各自的权重，跳转步骤2
    
    此时currentWeight为 \[0+5, 0+1, 0+1\] = \[5, 1, 1\]
2.  返回currentWeight中最高的服务，跳转步骤3
    
    currentWeight为 \[5, 1, 1\] ，返回服务A
3.  将第2步中的那个最高权重在currentWeight对应的值减去总权重，跳转步骤4
    
    currentWeight为 \[5 - 7, 1, 1\] = \[-2, 1, 1\]
4.  重复步骤1

下面的GIF图为了好表示柱状图，所以我将currentWeight初始权重变为10

![1ddb278091ff4ba78b2001895a8108c4.gif][]

经过一定循环次数，最终currentWeight又会回归初始值。而这个循环次数计算如下：

次数 = (最大公约数 / 服务A的权重) + (最大公约数 / 服务B的权重) + …

看完原理，我们继续看源码

protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
        // key = 全限定类名 + "." + 方法名，比如 com.xxx.DemoService.sayHello
        String key = invokers.get(0).getUrl().getServiceKey() + "." + invocation.getMethodName();
        // 获取 url 到 WeightedRoundRobin 映射表，如果为空，则创建一个新的
        ConcurrentMap<String, WeightedRoundRobin> map = methodWeightMap.get(key);
        if (map == null) {
            methodWeightMap.putIfAbsent(key, new ConcurrentHashMap<String, WeightedRoundRobin>());
            map = methodWeightMap.get(key);
        }
        // 权重总和
        int totalWeight = 0;
        // 最大权重
        long maxCurrent = Long.MIN_VALUE;
        long now = System.currentTimeMillis();
        Invoker<T> selectedInvoker = null;
        WeightedRoundRobin selectedWRR = null;
    
        // 下面这个循环主要做了这样几件事情：
        //   1. 遍历 Invoker 列表，检测当前 Invoker 是否有
        //      相应的 WeightedRoundRobin，没有则创建
        //   2. 检测 Invoker 权重是否发生了变化，若变化了，
        //      则更新 WeightedRoundRobin 的 weight 字段
        //   3. 让 current 字段加上自身权重，等价于 current += weight
        //   4. 设置 lastUpdate 字段，即 lastUpdate = now
        //   5. 寻找具有最大 current 的 Invoker，以及 Invoker 对应的 WeightedRoundRobin，
        //      暂存起来，留作后用
        //   6. 计算权重总和
        for (Invoker<T> invoker : invokers) {
            String identifyString = invoker.getUrl().toIdentityString();
            WeightedRoundRobin weightedRoundRobin = map.get(identifyString);
            int weight = getWeight(invoker, invocation);
            if (weight < 0) {
                weight = 0;
            }
            // 检测当前 Invoker 是否有对应的 WeightedRoundRobin，没有则创建
            if (weightedRoundRobin == null) {
                weightedRoundRobin = new WeightedRoundRobin();
                // 设置 Invoker 权重
                weightedRoundRobin.setWeight(weight);
                // 存储 url 唯一标识 identifyString 到 weightedRoundRobin 的映射关系
                map.putIfAbsent(identifyString, weightedRoundRobin);
                weightedRoundRobin = map.get(identifyString);
            }
            // Invoker 权重不等于 WeightedRoundRobin 中保存的权重，说明权重变化了，此时进行更新
            if (weight != weightedRoundRobin.getWeight()) {
                //weight changed
                weightedRoundRobin.setWeight(weight);
            }
            // 让 current 加上自身权重，等价于 current += weight
            long cur = weightedRoundRobin.increaseCurrent();
            // 设置 lastUpdate，表示近期更新过
            weightedRoundRobin.setLastUpdate(now);
            if (cur > maxCurrent) {
                maxCurrent = cur;
                // 将具有最大 current 权重的 Invoker 赋值给 selectedInvoker
                selectedInvoker = invoker;
                // 将 Invoker 对应的 weightedRoundRobin 赋值给 selectedWRR，留作后用
                selectedWRR = weightedRoundRobin;
            }
            // 计算权重总和
            totalWeight += weight;
        }
        // 对 <identifyString, WeightedRoundRobin> 进行检查，过滤掉长时间未被更新的节点。
        // 该节点可能挂了，invokers 中不包含该节点，所以该节点的 lastUpdate 长时间无法被更新。
        // 若未更新时长超过阈值后，就会被移除掉，默认阈值为60秒。
        if (!updateLock.get() && invokers.size() != map.size()) {
            if (updateLock.compareAndSet(false, true)) {
                try {
                    // copy -> modify -> update reference
                    ConcurrentMap<String, WeightedRoundRobin> newMap = new ConcurrentHashMap<String, WeightedRoundRobin>();
                    // 拷贝
                    newMap.putAll(map);
    
                    // 遍历修改，即移除过期记录
                    Iterator<Entry<String, WeightedRoundRobin>> it = newMap.entrySet().iterator();
                    while (it.hasNext()) {
                        Entry<String, WeightedRoundRobin> item = it.next();
                        if (now - item.getValue().getLastUpdate() > RECYCLE_PERIOD) {
                            it.remove();
                        }
                    }
                    // 更新引用
                    methodWeightMap.put(key, newMap);
                } finally {
                    updateLock.set(false);
                }
            }
        }
        if (selectedInvoker != null) {
            // 让 current 减去权重总和，等价于 current -= totalWeight
            selectedWRR.sel(totalWeight);
            // 返回具有最大 current 的 Invoker
            return selectedInvoker;
        }
        // should not happen here
        return invokers.get(0);
    }

注释写的很详细了，和原理步骤差不多，源码中多个对长时间未更新 invoker 的处理。

### ConsistentHashLoadBalance ###

一致性Hash算法。

其原理简单讲，就是假定有一个圆环，每个服务根据其 hash 值，在圆环上有个位置（如图的cache-1、cache-2等）。当有请求过来的，同样根据请求的 hash 值确定请求的位置，并根据请求的位置去获取最近的下一个服务的位置。如下图：

![17b4424f1d8eb44bd5eacf18a578fbd8.png][]

当请求落在 cache-2 和 cache-3 之间时，下一个最近的是 cache-3，如果 cache-3 服务不可用，那么最近的下个服务就是 cache-4

这时，又引入了一个资源倾斜的问题，那就是大量请求集中在同一个服务中。由于服务在圆环上分布不均，导致大部分请求都落在cache-2中，如下图：

![ce70347370bc5b143be7001eac1ec1e7.png][]

那么该如何处理资源倾斜的问题？引入虚拟节点，就是一个服务有多个多个位置，这样就能使请求更均匀，如下图：

![0879a0497bdb7532540d422edd3f3b1e.png][]

以上就是一致性hash算法的原理。下面讲讲Dubbo的源码

public class ConsistentHashLoadBalance extends AbstractLoadBalance {
    
        private final ConcurrentMap<String, ConsistentHashSelector<?>> selectors = new ConcurrentHashMap<String, ConsistentHashSelector<?>>();
    
        @Override
        protected <T> Invoker<T> doSelect(List<Invoker<T>> invokers, URL url, Invocation invocation) {
            String methodName = RpcUtils.getMethodName(invocation);
            String key = invokers.get(0).getUrl().getServiceKey() + "." + methodName;
    
            // 获取 invokers 原始的 hashcode
            int identityHashCode = System.identityHashCode(invokers);
            ConsistentHashSelector<T> selector = (ConsistentHashSelector<T>) selectors.get(key);
            // 如果 invokers 是一个新的 List 对象，意味着服务提供者数量发生了变化，可能新增也可能减少了。
            // 此时 selector.identityHashCode != identityHashCode 条件成立
            if (selector == null || selector.identityHashCode != identityHashCode) {
                // 创建新的 ConsistentHashSelector
                selectors.put(key, new ConsistentHashSelector<T>(invokers, methodName, identityHashCode));
                selector = (ConsistentHashSelector<T>) selectors.get(key);
            }
            // 调用 ConsistentHashSelector 的 select 方法选择 Invoker
            return selector.select(invocation);
        }
    
        private static final class ConsistentHashSelector<T> {...}
    }

doSelect 方法先从缓存获取 selector ，如果缓存没有，则创建并放入缓存。然后调用 selector.select 方法获取 invoker 。所以一致性 hash 的实现，在ConsistentHashSelector中。我们先看其构造方法

ConsistentHashSelector(List<Invoker<T>> invokers, String methodName, int identityHashCode) {
        // 可以认为virtualInvokers组成了hash环
        this.virtualInvokers = new TreeMap<Long, Invoker<T>>();
        this.identityHashCode = identityHashCode;
        URL url = invokers.get(0).getUrl();
        // 获取虚拟节点数，默认为160
        this.replicaNumber = url.getMethodParameter(methodName, "hash.nodes", 160);
        // 获取参与 hash 计算的参数下标值，默认对第一个参数进行 hash 运算
        String[] index = Constants.COMMA_SPLIT_PATTERN.split(url.getMethodParameter(methodName, "hash.arguments", "0"));
        argumentIndex = new int[index.length];
        for (int i = 0; i < index.length; i++) {
            argumentIndex[i] = Integer.parseInt(index[i]);
        }
        for (Invoker<T> invoker : invokers) {
            String address = invoker.getUrl().getAddress();
            for (int i = 0; i < replicaNumber / 4; i++) {
                // 对 address + i 进行 md5 运算，得到一个长度为16的字节数组
                byte[] digest = md5(address + i);
                // 对 digest 部分字节进行4次 hash 运算，得到四个不同的 long 型正整数
                for (int h = 0; h < 4; h++) {
                    // h = 0 时，取 digest 中下标为 0 ~ 3 的4个字节进行位运算
                    // h = 1 时，取 digest 中下标为 4 ~ 7 的4个字节进行位运算
                    // h = 2, h = 3 时过程同上
                    long m = hash(digest, h);
                    // 将 hash 到 invoker 的映射关系存储到 virtualInvokers 中，
                    // virtualInvokers 需要提供高效的查询操作，因此选用 TreeMap 作为存储结构
                    virtualInvokers.put(m, invoker);
                }
            }
        }
    }

ConsistentHashSelector的构造方法，主要是计算 invokers 的每一个 invoker 的hash，并将其放入 virtualInvokers 中。从这里可以看到，Dubbo默认的虚拟节点为160个。对比一致性 hash 算法中，virtualInvokers 就是 hash 环，invoker 就是节点。

我们继续看如何从 hash 环中找到最近的节点

public Invoker<T> select(Invocation invocation) {
        // 将参数转为 key
        String key = toKey(invocation.getArguments());
        // 对参数 key 进行 md5 运算
        byte[] digest = md5(key);
        // 取 digest 数组的前四个字节进行 hash 运算，再将 hash 值传给 selectForKey 方法，
        // 寻找合适的 Invoker
        return selectForKey(hash(digest, 0));
    }
    
    private Invoker<T> selectForKey(long hash) {
        // 到 TreeMap 中查找第一个节点值大于或等于当前 hash 的 Invoker
        Map.Entry<Long, Invoker<T>> entry = virtualInvokers.tailMap(hash, true).firstEntry();
        // 如果 hash 大于 Invoker 在圆环上最大的位置，此时 entry = null，
        // 需要将 TreeMap 的头节点赋值给 entry
        if (entry == null) {
            entry = virtualInvokers.firstEntry();
        }
        return entry.getValue();
    }

选择的过程也很简单，依赖的是 TreeMap 的 tailMap 方法。

### 总结 ###

本文介绍了Dubbo内置的4中负载均衡实现。至此，Dubbo的集群容错的四个部分，也就是服务目录 Directory、服务路由 Router、集群 Cluster 和负载均衡 LoadBalance 都已全部讲完。

[0070d0f34f78adb5e5831dbf3bc6c013.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/f60038827e874593bd44e2b726717171.png
[4d6c36eaf7f46d22b073a6a401f18bd8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/92560e38a87e48c096434246dd1c9c68.png
[1ddb278091ff4ba78b2001895a8108c4.gif]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/db17d3a1f34e4d93b69b4d80f2735abc.gif
[17b4424f1d8eb44bd5eacf18a578fbd8.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/2bae547429524927b50a04484c245700.png
[ce70347370bc5b143be7001eac1ec1e7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/9d6f966e656c4309a7b5dbf86ae77b1e.png
[0879a0497bdb7532540d422edd3f3b1e.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/08/10ab77ce031a4deda9093d5de6d89411.png