(超详细) Spark环境搭建（Local模式、 StandAlone模式、Spark On Yarn模式）

刺骨的言语ヽ痛彻心扉 2023-09-30 10:18 26阅读 0赞

# Spark环境搭建 #

*JunLeon——go big or go home*

--------------------

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_19_color_FFFFFF_t_70_g_se_x_16][]

**目录**

Spark环境搭建

**目录**

Spark环境搭建

一、环境准备

1、软件准备

2、Hadoop集群搭建

3、Anaconda环境搭建

二、Spark Local模式搭建

1、Spark下载、上传和解压

2、配置环境变量

3、配置Spark配置文件

4、测试

5、补充：spark-shell、spark-submit

三、Spark Standone模式搭建

1、Hadoop集群与Spark集群节点规划

2、三台虚拟机分别安装Anaconda3环境

3、配置Spark配置文件

（1）配置spark-env.sh文件

（2）配置spark-defaults.conf文件

（3）配置slaves文件(新版本为workers文件)

（4）配置log4j.properties 文件 \[可选配置\]

4、将配置好的spark分发到其他两台服务器上

5、启动节点

6、web端访问：

四、Spark On Yarn模式搭建

--------------------

**前言：**

Spark部署模式主要有4种：Local模式（单机模式）、Standalone模式（使用Spark自带的简单集群管理器）、Spark On Yarn模式（使用YARN作为集群管理器）和Spark On Mesos模式（使用Mesos作为集群管理器）。

本教程做前三种环境搭建的详细讲解。

## 一、环境准备 ##

### 1、软件准备 ###

> Linux：CentOS-7-x86\_64-DVD-1708.iso
> 
> Hadoop：hadoop-2.7.3.tar.gz
> 
> Java：jdk-8u181-linux-x64.tar.gz
> 
> Anaconda：Anaconda3-2021.11-Linux-x86\_64.sh
> 
> Spark：spark-2.4.0-bin-without-hadoop.tgz

### 2、Hadoop集群搭建 ###

> 请查看 [大数据学习——Hadoop集群完全分布式的搭建（超详细）\_IT路上的军哥的博客-CSDN博客\_hadoop完全分布式搭建][Hadoop_IT_-CSDN_hadoop]

**注：**本教程中使用Hadoop完全分布式集群，主机名分别为spark-master、spark-slave01、spark-slave02

### 3、Anaconda环境搭建 ###

（1）下载Anaconda3

> [Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror][Index of _anaconda_archive_ _ _ _ Tsinghua Open Source Mirror]

**注：**如果打不开网页，可以尝试换浏览器打开

（2）上传Anaconda的文件到Linux

> 上传到指定目录：/opt/software \#没有的话就创建

（3）Anaconda On Linux 安装

在该目录下，执行Anaconda文件

cd /opt/software
    sh ./Anaconda3-2021.11-Linux-x86_64.sh

进入以下界面：直接回车即可

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16][]

接下来 `阅读许可条款` ，一直空格

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

在此处是询问是否同意许可条款，输入 `yes`

指定 `anaconda3` 安装路径：

> 将路径修改为 `/opt/anaconda3` 目录下 ![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 2][]

此处需要初始化，输入 `yes`

最后，使用`exit`退出远程连接工具，重新连接，如果出现以下`base`字样，说明安装成功！

![adb4f02edaba4a468927472588e55ae0.png][]

**注：**`base`是默认的虚拟环境。

以上单台 `Anaconda On Linux` 环境搭建成功，即可开始安装spark。

（4）配置国内源：

`vi ~/.condarc`这个文件，追加以下内容：

**注：该文件是一个空文件，直接添加即可**

channels:
      - defaults
    show_channel_urls: true
    default_channels:
      - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
      - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
      - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
    custom_channels:
      conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

（5）创建pyspark环境

conda create -n pyspark python=3.6  # 基于python3.6创建pyspark虚拟环境
    conda activate pyspark      # 激活（切换）到pyspark虚拟环境

**注：如果执行 conda create -n pyspark python=3.6 命令下载失败，可能是你的虚拟机不能ping通网络，可以看看ping www.baidu.com是否能够ping通**

（6）pip下载pyhive、pyspark、jieba包

在**pyspark**环境中使用pip下载pyhive、pyspark、jieba包

pip install pyspark==2.4.0 jieba pyhive -i https://pypi.tuna.tsinghua.edu.cn/simple

## 二、Spark Local模式搭建 ##

Spark Local模式也称单机或者本地模式，仅供测试用。并在spark-master主机进行操作。

### 1、Spark下载、上传和解压 ###

（1）Spark版本下载

> 该环境搭建spark使用spark-2.4.0版本
> 
> 下载地址：[Index of /dist/spark/spark-2.4.0][Index of _dist_spark_spark-2.4.0]

（2）上传Spark压缩包

> 上传到指定目录：/opt/software

（3）解压上传好的压缩包

cd /opt/software
    tar -zxvf spark-2.4.0-bin-without-hadoop.tgz -C /opt
    mv spark-2.4.0-bin-without-hadoop/ spark-2.4.0

> 解压之后进行重命名，重命名为`spark-2.4.0`

### 2、配置环境变量 ###

配置Spark由如下5个环境变量需要设置

*  SPARK\_HOME: 表示Spark安装路径在哪里
 *  PYSPARK\_PYTHON: 表示Spark想运行Python程序, 那么去哪里找python执行器
 *  JAVA\_HOME: 告知Spark Java在哪里
 *  HADOOP\_CONF\_DIR: 告知Spark Hadoop的配置文件在哪里
 *  HADOOP\_HOME: 告知Spark Hadoop安装在哪里

这5个环境变量 都需要配置在: `/etc/profile`中

# JAVA_HOME
    export JAVA_HOME=/opt/jdk1.8.0_181
    # HADOOP_HOME
    export HADOOP_HOME=/opt/hadoop-2.7.3
    # SPARK_HOME
    export SPARK_HOME=/opt/spark-2.4.0
    # HADOOP_CONF_DIR
    export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
    # PYSPARK_PYTHON
    export PYSPARK_PYTHON=/opt/anaconda3/envs/pyspark/bin/python
    export PATH=$JAVA_HOME/bin:$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$SPARK_HOME/bin:$PATH

`PYSPARK_PYTHON`和`JAVA_HOME` 需要同样配置在: `~/.bashrc`中

vi ~/.bashrc

# 默认启动pyspark虚拟环境
    conda activate pyspark
    
    # JAVA_HOME
    export JAVA_HOME=/opt/jdk1.8.0_181
    # PYSPARK_PYTHON
    export PYSPARK_PYTHON=/opt/anaconda3/envs/pyspark/bin/python
    export PATH=$JAVA_HOME/bin:$PATH

配置好环境变量记得使文件生效：

source /etc/profile
    source ~/.bashrc

### 3、配置Spark配置文件 ###

（1）spark-env.sh

cd /opt/spark-2.4.0/conf
    cp spark-env.sh.template spark-env.sh

在该文件最后追加以下内容：

export JAVA_HOME=/opt/jdk1.8.0_181
    export SPARK_DIST_CLASSPATH=$(/opt/hadoop-2.7.3/bin/hadoop classpath)

### 4、测试 ###

（1）验证Spark是否安装成功

pyspark

进入pyspark虚拟环境后，输入`pyspark`后出现spark的logo则说明已成功：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 3][]

（2）运行Spark自带的Pi实例

run-example SparkPi
    run-example SparkPi 2>&1 | grep "Pi is roughly"     # 过滤日志信息

（3）运行WordCount.py文件

在家目录下，创建一个.py文件，添加以下代码：

**附：**WordCount.py代码

# ~/WordCount.py
    if __name__ == '__main__':
      # 导入相关依赖包
      from pyspark import SparkConf, SparkContext
      # 创建SparkConf，创建一个SparkContext对象
      conf = SparkConf().setMaster("local").setAppName("My App")
      sc = SparkContext(conf = conf)
      # 设置文件路径
      logFile = "file:///opt/spark-2.4.0/README.md"
      # 负责读取README.md文件生成RDD
      logData = sc.textFile(logFile, 2).cache()
      # 统计RDD元素中包含字母a和字母b的行数
      numAs = logData.filter(lambda line: 'a' in line).count()
      numBs = logData.filter(lambda line: 'b' in line).count()
      # 打印输出统计结果
      print('Lines with a: %s, Lines with b: %s' % (numAs, numBs))

执行任务提交：

spark-submit ~/WordCount.py

### 5、补充：spark-shell、spark-submit ###

（1）spark-shell

同样是一个解释器环境, 和`pyspark`不同的是, 这个解释器环境运行的不是python代码, 而是scala程序代码。

scala> sc.parallelize(Array(1,2,3,4,5)).map(x=> x + 1).collect()
    res0: Array[Int] = Array(2, 3, 4, 5, 6)

（2）spark-submit

作用: 提交指定的Spark代码到Spark环境中运行

使用方法:

# 语法
    bin/spark-submit [可选的一些选项] jar包或者python代码的路径 [代码的参数]
    
    # 示例
    bin/spark-submit /opt/spark-2.4.0/examples/src/main/python/pi.py 10
    # 此案例运行Spark官方所提供的示例代码,来计算圆周率值。后面的10是主函数接受的参数, 数字越高, 计算圆周率越准确。

（3）pyspark、spark-shell、spark-submit对比

<table> 
 <thead> 
  <tr> 
   <th>功能</th> 
   <th>bin/spark-submit</th> 
   <th>bin/pyspark</th> 
   <th>bin/spark-shell</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>功能</td> 
   <td>提交java\scala\python代码到spark中运行</td> 
   <td>提供一个<code>python</code></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>解释器环境用来以python代码执行spark程序</td> 
   <td>提供一个<code>scala</code></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>解释器环境用来以scala代码执行spark程序</td> 
   <td></td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>特点</td> 
   <td>提交代码用</td> 
   <td>解释器环境 写一行执行一行</td> 
   <td>解释器环境 写一行执行一行</td> 
  </tr> 
  <tr> 
   <td>使用场景</td> 
   <td>正式场合, 正式提交spark程序运行</td> 
   <td>测试\学习\写一行执行一行\用来验证代码等</td> 
   <td>测试\学习\写一行执行一行\用来验证代码等</td> 
  </tr> 
 </tbody> 
</table>

## 三、Spark StandAlone模式搭建 ##

### 1、Hadoop集群与Spark集群节点规划 ###

（1）集群主机名、IP规划

<table> 
 <thead> 
  <tr> 
   <th>主机名</th> 
   <th>IP地址</th> 
   <th>节点类型</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>spark-master</td> 
   <td>192.168.83.100</td> 
   <td>Master</td> 
  </tr> 
  <tr> 
   <td>spark-slave01</td> 
   <td>192.168.83.101</td> 
   <td>Slave</td> 
  </tr> 
  <tr> 
   <td>spark-slave02</td> 
   <td>192.168.83.102</td> 
   <td>Slave</td> 
  </tr> 
 </tbody> 
</table>

（2）节点规划

<table> 
 <thead> 
  <tr> 
   <th>节点进程</th> 
   <th>spark-master</th> 
   <th>spark-slave01</th> 
   <th>spark-slave02</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>NameNode</td> 
   <td>✔</td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>Secondary NameNode</td> 
   <td></td> 
   <td>✔</td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>DataNode</td> 
   <td>✔</td> 
   <td>✔</td> 
   <td>✔</td> 
  </tr> 
  <tr> 
   <td>ResourceManager</td> 
   <td>✔</td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>NodeManager</td> 
   <td>✔</td> 
   <td>✔</td> 
   <td>✔</td> 
  </tr> 
  <tr> 
   <td>JobHistoryServer（YARN）</td> 
   <td></td> 
   <td></td> 
   <td>✔</td> 
  </tr> 
  <tr> 
   <td>Master</td> 
   <td>✔</td> 
   <td></td> 
   <td></td> 
  </tr> 
  <tr> 
   <td>Worker</td> 
   <td>✔</td> 
   <td>✔</td> 
   <td>✔</td> 
  </tr> 
  <tr> 
   <td>HistoryServer（Spark）</td> 
   <td></td> 
   <td></td> 
   <td>✔</td> 
  </tr> 
 </tbody> 
</table>

**注：**

JobHistoryServer：YARN资源管理器的历史服务器，将YARN运行的程序的历史日志记录下来，通过历史服务器方便用户查看程序运行的历史信息。

HistoryServer：Spark的历史服务器，将Spark运行的程序的历史日志记录下来， 通过历史服务器方便用户查看程序运行的历史信息。

### 2、三台虚拟机分别安装Anaconda3环境 ###

此Anaconda环境搭建参考以上 环境准备中的第3点。也可以从第一台分发到另外两台：

scp -r /opt/anaconda3 root@spark-slava01:/opt
    scp -r /opt/anaconda3 root@spark-slava02:/opt

### 3、配置Spark配置文件 ###

可以在spark-master主机操作，最后再进行分发。

**注：**Spark安装路径为：/opt/spark-2.4.0

spark配置文件路径为：/opt/spark-2.4.0/conf

cd /opt/spark-2.4.0/conf

### （1）配置spark-env.sh文件 ###

# 1. 改名
    mv spark-env.sh.template spark-env.sh
    # 2. 编辑spark-env.sh, 在底部追加如下内容
    vi spark-env.sh

在`spark-env.sh`文件底部追加以下内容

## 设置JAVA安装目录
    export JAVA_HOME=/opt/jdk1.8.0_181
    ## 设置hadoop命令路径
    export SPARK_DIST_CLASSPATH=$(/opt/hadoop-2.7.3/bin/hadoop classpath)
    ## 以上两行在local模式中已经添加，如果有请勿重复配置
    ## HADOOP软件配置文件目录，读取HDFS上文件和运行YARN集群
    HADOOP_CONF_DIR=/opt/hadoop-2.7.3/etc/hadoop
    YARN_CONF_DIR=/opt/hadoop-2.7.3/etc/hadoop
    ## 指定spark老大Master的IP和提交任务的通信端口
    # 告知Spark的master运行在哪个机器上
    export SPARK_MASTER_HOST=spark-master
    # 告知sparkmaster的通讯端口
    export SPARK_MASTER_PORT=7077
    # 告知spark master的webui端口
    SPARK_MASTER_WEBUI_PORT=8080
    # worker cpu可用核数
    SPARK_WORKER_CORES=1
    # worker可用内存
    SPARK_WORKER_MEMORY=1g
    # worker的工作通讯地址
    SPARK_WORKER_PORT=7078
    # worker的webui地址
    SPARK_WORKER_WEBUI_PORT=8081
    ## 设置历史服务器
    # 配置的意思是  将spark程序运行的历史日志 存到hdfs的/sparklog文件夹中
    SPARK_HISTORY_OPTS="-Dspark.history.fs.logDirectory=hdfs://spark-master:9000/sparklog/ -Dspark.history.fs.cleaner.enabled=true"

### （2）配置spark-defaults.conf文件 ###

# 1. 改名

mv spark-defaults.conf.template spark-defaults.conf

vi spark-defaults.conf
    # 2. 修改内容, 追加如下内容

# 开启spark的日期记录功能
    spark.eventLog.enabled  true
    # 设置spark日志记录的路径
    spark.eventLog.dir   hdfs://spark-master:9000/sparklog/ 
    # 设置spark日志是否启动压缩
    spark.eventLog.compress  true

### （3）配置slaves文件(新版本为workers文件) ###

# 改名, 去掉后面的.template后缀

mv slaves.template slaves

# 编辑worker文件
    vi slaves
    # 将文件里面最后一行的localhost删除

追加从节点worker运行的服务器，配置三台主机名

spark-master
    spark-slave01
    spark-slave02

### （4）配置log4j.properties 文件 \[可选配置\] ###

# 1. 改名

mv log4j.properties.template log4j.properties

# 2. 修改内容 参考下图

vi log4j.properties

定位到19行：将INFO修改为WARN

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 4][]

### 4、将配置好的spark分发到其他两台服务器上 ###

将在spark-master主机上配置好的spark分发到另外两台服务器上：

scp -r /opt/spark-2.4.0/ root@spark-slave01:/opt/
    scp -r /opt/spark-2.4.0/ root@spark-slave02:/opt/

将主机的/etc/profile文件和~/.bashrc文件也同时分发到另外两台：

scp /etc/profile root@spark-slave01:/etc/
    scp /etc/profile root@spark-slave02:/etc/
    scp ~/.bashrc root@spark-slave01:~/
    scp ~/.bashrc root@spark-slave02:~/

分发过去之后需要分别在两台使配置文件生效：

source /etc/profile
    source ~/.bashrc

### 5、启动节点 ###

1）启动Hadoop集群

start-all.sh    # 只在spark-master主机上执行

2）启动spark集群

cd /opt/spark-2.4.0/sbin
    ./start-all.sh

开启全部节点后，如图所示：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 5][]

### 6、web端访问： ###

web端访问需要关闭防火墙：

systemctl stop firewalld

1）访问HDFS

192.168.83.100:50070    # IP:端口号

2）访问YARN

192.168.83.100:8088 # IP:端口号

3）访问Spark

192.168.83.100:8080 # IP:端口号

如图所示说明成功：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 6][]

## 四、Spark On Yarn模式搭建 ##

[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_19_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/f947e5d4a86b4780b6d7bcb177418b13.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_19,color_FFFFFF,t_70,g_se,x_16
[Hadoop_IT_-CSDN_hadoop]: https://blog.csdn.net/JunLeon/article/details/120505585
[Index of _anaconda_archive_ _ _ _ Tsinghua Open Source Mirror]: https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/3ed76d9518f1494f8ff8625bb2929aae.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 1]: https://img-blog.csdnimg.cn/94ea8fd008a54514887e9397bf04b751.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 2]: https://img-blog.csdnimg.cn/3e9ca1bd2a624d8a924c59c8cf70d6ce.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_20,color_FFFFFF,t_70,g_se,x_16
[adb4f02edaba4a468927472588e55ae0.png]: https://img-blog.csdnimg.cn/adb4f02edaba4a468927472588e55ae0.png
[Index of _dist_spark_spark-2.4.0]: http://archive.apache.org/dist/spark/spark-2.4.0/
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 3]: https://img-blog.csdnimg.cn/09bcec1aa0fa4ab18b74c6fef28a354b.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 4]: https://img-blog.csdnimg.cn/a9a7295002304872b762e72642a20676.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 5]: https://img-blog.csdnimg.cn/ddc301c7163545ee85d939c588247714.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U_size_20_color_FFFFFF_t_70_g_se_x_16 6]: https://img-blog.csdnimg.cn/7163a341011c436595e17f52db7cc5d3.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASVTot6_kuIrnmoTlhpvlk6U=,size_20,color_FFFFFF,t_70,g_se,x_16