程序员经验分享-hwhale

统计24小时内每个小时最后一条数据_巧用 Redis Hyperloglog，轻松统计 UV 数据

2023-10-31

如果你正在开发一个基于“事件”的应用程序，该应用程序可以处理来自不同用户的许多请求，那么你很大可能希望能够计算滑动窗口或指定时间范围内不同的用户操作。

计数不同用户行为的最快方法之一是写一个类似 SELECT COUNT(DISTINCT user) 的 SQL。但是，如果实时数据的量达到了上百万条，这可能会很昂贵。你可能会想到另一种方法，就是将用户保存在一个 Redis set 集合中，因为 set 天然具备去重的功能。

但是，这种解决方案也带来了它固有的问题。如果一个统计不同用户记录的应用程序运行有多个实例，那么我们需要具有巨大 RAM 大小的内存缓存解决方案。如果要处理 1000 万个不同的记录，每个记录分配 10 字节，那么仅在一个时间范围内我们就至少需要 100MB 的内存。因此，这不是内存有效的解决方案。

在本文中，我想向你展示如何通过在 Redis Cache 服务器中分配少于 2MB 的内存来处理一百万个不同的用户记录。

我们都知道，Redis 有好几种数据结构，比如String、BitMap、Set、Sorted Set等。在这里我想特别强调一下Hyperloglog，因为它最适合通过减少内存消耗来统计不同的用户操作。

78d1d5cbb90bca1c2ac97115ee0d7f96.png
redis-data

Hyper LogLog

Hyper LogLog 计数器的名称是具有自描述性的。 你可以仅仅使用loglog(Nmax)+ O(1)位来估计基数为 Nmax 的集合的基数。

Redis Hyperloglog 操作

要进行 Redis Hyperloglog 的操作，我们可以使用以下三个命令：

•PFADD•PFCOUNT•PFMERGE

我们用一个实际的例子来解释这些命令。比如，有这么个场景，用户登录到系统，我们需要在一小时内统计不同的用户。 因此，我们需要一个 key，例如 USER:LOGIN:2019092818。 换句话说，我们要统计在 2019 年 09 月 28 日下午 18 点至 19 点之间发生用户登录操作的非重复用户数。对于将来的时间，我们也需要使用对应的 key 进行表示，比如 2019111100、2019111101、2019111102 等。

我们假设，用户 A、B、C、D、E 和 F 在下午 18 点至 19 点之间登录了系统。

127.0.0.1:6379> pfadd USER:LOGIN:2019092818 A(integer) 1127.0.0.1:6379> pfadd USER:LOGIN:2019092818 B C D E F(integer) 1127.0.0.1:6379>

当进行计数时，你会得到预期的 6。

127.0.0.1:6379> pfcount USER:LOGIN:2019092818(integer) 6

如果 A 和 B 在这个时间内多次登录系统，你也将得到相同的结果，因为我们仅保留不同的用户。

127.0.0.1:6379> pfadd USER:LOGIN:2019092818 A B(integer) 0127.0.0.1:6379> pfcount USER:LOGIN:2019092818(integer) 6

如果用户 A~F 和另外一个其他用户 G 在下午 19 点至下午 20 点之间登录系统：

127.0.0.1:6379> pfadd USER:LOGIN:2019092819 A B C D E F G(integer) 1127.0.0.1:6379> pfcount USER:LOGIN:2019092819(integer) 7

现在，我们有两个键 USER:LOGIN:2019092818 和 USER:LOGIN:2019092819，如果我们想知道在 18 点到 20 点(2 小时的时间间隔)之间有多少不同的用户登录到系统中，我们可以直接使用pfcount命令对两个键进行合并计数：

127.0.0.1:6379> pfcount USER:LOGIN:2019092818 USER:LOGIN:2019092819(integer) 7

如果我们需要保留键值而避免一遍又一遍地计数，那么我们可以将键合并为一个键 USER:LOGIN:2019092818-19，然后直接对该键进行pfcount操作，如下所示。

127.0.0.1:6379> pfmerge USER:LOGIN:2019092818-19 USER:LOGIN:2019092818 USER:LOGIN:2019092819OK127.0.0.1:6379> pfcount USER:LOGIN:2019092818-19(integer) 7

接下来，我们写个程序，比较使用 SET、Hyperloglog 两种方式存储不同用户登录行为的内存占用。

import redis.clients.jedis.Jedis;public class RedisTest {    private static final int NUM = 1000000;  // 100万用户    private static final String SET_KEY = "SET:USER:LOGIN:2019082811";    private static final String PF_KEY = "PF:USER:LOGIN:2019082811";    public static void main(String[] args) {        Jedis client = new Jedis();        for (int i = 0; i < NUM; ++i) {            System.out.println(i);            client.sadd(SET_KEY, "USER" + i);            client.pfadd(PF_KEY, "USER" + i);        }    }}

我们看一下结果，对于 100 万用户，Set 可以精确存储，而 Hyperloglog 则稍有偏差，多出了 7336，误差率大概是在 0.7%。而在内存占用上，Set 消耗了 10888895B≈10MB，Hyperloglog 只消耗了 10481B≈10KB 的内存，几乎是 Set 的 1/1000。

127.0.0.1:6379> scard SET:USER:LOGIN:2019082811(integer) 1000000127.0.0.1:6379> pfcount PF:USER:LOGIN:2019082811(integer) 1007336127.0.0.1:6379> debug object SET:USER:LOGIN:2019082811Value at:00007FD74F841940 refcount:1 encoding:hashtable serializedlength:10888895 lru:9308508 lru_seconds_idle:53127.0.0.1:6379> debug object PF:USER:LOGIN:2019082811Value at:00007FD74F7A5940 refcount:1 encoding:raw serializedlength:10481 lru:9308523 lru_seconds_idle:50

serializedlength 参数表示该 key 存储的内容所占用的内存字节数。

滑动窗口的不同计数

要在滑动窗口中计算不同的用户，我们需要指定一个较小的粒度，在这种情况下，分钟级的就足够了，我们将用户行为保存在格式为 yyyyMMddHHmm 的键中，例如 USER:LOGIN:201909281820。

当我们要统计最后 5 分钟的不同用户操作时，只需要将 5 个键进行合并计算即可：

127.0.0.1:6379> pfcount 201909281821 201909281822 201909281823 201909281824 201909281825(integer) 6

由此看来，统计最近一小时我们需要 60 个键，统计最近一天需要 1440 个键，最近 7 天则需要 10080 个键。 我们拥有的键越多，合并它们时就需要耗费更多的时间进行计算。 因此，我们应该减少键的数量，不仅要保留具有 yyyyMMddHHmm 格式的键，还应保留小时、日和月的时间间隔，并使用 yyyyMM，yyyyMMdd，yyyyMMddHH。

使用这些新键，pfcount 操作可以花费更少的时间，例如：

如果你要计算用户最近一天的操作并且仅使用分钟键，你需要合并所有 1440 个键。但是，如果你在分钟键之外还使用小时键，则只需要 60 个分钟键和 24 个小时键，因此我们只需要 84 个键。

package utils;import org.apache.commons.lang3.time.DateUtils;import java.text.SimpleDateFormat;import java.util.*;import java.util.stream.Collectors;public class HLLUtils {    private static String TIME_FORMAT_MONTH_DAY = "MMdd";    private static String TIME_FORMAT_DAY_MINUTES = "MMddHHmm";    private static String TIME_FORMAT_DAY_HOURS = "MMddHH";    private static SimpleDateFormat FORMAT_MONTH_DAY = new SimpleDateFormat(TIME_FORMAT_MONTH_DAY);    private static SimpleDateFormat FORMAT_DAY_HOURS = new SimpleDateFormat(TIME_FORMAT_DAY_HOURS);    private static SimpleDateFormat FORMAT_DAY_MINUTES = new SimpleDateFormat(TIME_FORMAT_DAY_MINUTES);    /**     * 获取两个日期之间的键     *     * @param d1 日期1     * @param d2 日期2     * @return 键列表     */    public static List<String> parse(Date d1, Date d2) {        List<String> list = new ArrayList<>();        if (d1.compareTo(d2) == 0) {            return list;        }        long delta = d2.getTime() - d1.getTime();         if (delta == 0) {            return list;        }        if (delta < DateUtils.MILLIS_PER_HOUR) {   // 若时间差小于 1 小时            int minutesDiff = (int) (delta / DateUtils.MILLIS_PER_MINUTE);            Date date1Increment = d1;            while (d2.compareTo(date1Increment) > 0 && minutesDiff > 0) {                list.add(FORMAT_DAY_MINUTES.format(date1Increment));                date1Increment = DateUtils.addMinutes(date1Increment, 1);            }        } else if (delta < DateUtils.MILLIS_PER_DAY) {  // 若时间差小于 1 天            Date dateLastPortionHour = DateUtils.truncate(d2, Calendar.HOUR_OF_DAY);            list.addAll(parse(dateLastPortionHour, d2));            long delta2 = dateLastPortionHour.getTime() - d1.getTime();            int hoursDiff = (int) (delta2 / DateUtils.MILLIS_PER_HOUR);            Date date1Increment = DateUtils.addHours(dateLastPortionHour, -1 * hoursDiff);            while (dateLastPortionHour.compareTo(date1Increment) > 0 && hoursDiff > 0) {                list.add(FORMAT_DAY_HOURS.format(date1Increment));                date1Increment = DateUtils.addHours(date1Increment, 1);            }            list.addAll(parse(d1, DateUtils.addHours(dateLastPortionHour, -1 * hoursDiff)));        } else {            Date dateLastPortionDay = DateUtils.truncate(d2, Calendar.DAY_OF_MONTH);            list.addAll(parse(dateLastPortionDay, d2));            long delta2 = dateLastPortionDay.getTime() - d1.getTime();            int daysDiff = (int) (delta2 / DateUtils.MILLIS_PER_DAY); // 若时间差小于 1 个月            Date date1Increment = DateUtils.addDays(dateLastPortionDay, -1 * daysDiff);            while (dateLastPortionDay.compareTo(date1Increment) > 0 && daysDiff > 0) {                list.add(FORMAT_MONTH_DAY.format(date1Increment));                date1Increment = DateUtils.addDays(date1Increment, 1);            }            list.addAll(parse(d1, DateUtils.addDays(dateLastPortionDay, -1 * daysDiff)));        }        return list;    }    /**     * 获取从 date 往前推 minutes 分钟的键列表     *     * @param date    特定日期     * @param minutes 分钟数     * @return 键列表     */    public static List<String> getLastMinutes(Date date, int minutes) {        return parse(DateUtils.addMinutes(date, -1 * minutes), date);    }    /**     * 获取从 date 往前推 hours 个小时的键列表     *     * @param date  特定日期     * @param hours 小时数     * @return 键列表     */    public static List<String> getLastHours(Date date, int hours) {        return parse(DateUtils.addHours(date, -1 * hours), date);    }    /**     * 获取从 date 开始往前推 days 天的键列表     *     * @param date 特定日期     * @param days 天数     * @return 键列表     */    public static List<String> getLastDays(Date date, int days) {        return parse(DateUtils.addDays(date, -1 * days), date);    }    /**     * 为keys列表添加前缀     *     * @param keys   键列表     * @param prefix 前缀符号     * @return 添加了前缀的键列表     */    public static List<String> addPrefix(List<String> keys, String prefix) {        return keys.stream().map(key -> prefix + key).collect(Collectors.toList());    }}

我们来看一下两个日期之间计算出的样本键列表。 你可能已经意识到了，键的数量应该尽可能少，这样合并键进行统计时代价将会比较小。 因此，我们不仅要将时间范围划分为分钟，而且还要划分为小时、天、月等。

•BEGIN=201909281800&END=201909281920

[USER:LOGIN:09281900, USER:LOGIN:09281901, USER:LOGIN:09281902, USER:LOGIN:09281903, USER:LOGIN:09281904, USER:LOGIN:09281905, USER:LOGIN:09281906, USER:LOGIN:09281907, USER:LOGIN:09281908, USER:LOGIN:09281909, USER:LOGIN:09281910, USER:LOGIN:09281911, USER:LOGIN:09281912, USER:LOGIN:09281913, USER:LOGIN:09281914, USER:LOGIN:09281915, USER:LOGIN:09281916, USER:LOGIN:09281917, USER:LOGIN:09281918, USER:LOGIN:09281919, USER:LOGIN:092818]

•BEGIN=20190928191100&END=20190930163800

[USER:LOGIN:09301600, USER:LOGIN:09301601, USER:LOGIN:09301602, USER:LOGIN:09301603, USER:LOGIN:09301604, USER:LOGIN:09301605, USER:LOGIN:09301606, USER:LOGIN:09301607, USER:LOGIN:09301608, USER:LOGIN:09301609, USER:LOGIN:09301610, USER:LOGIN:09301611, USER:LOGIN:09301612, USER:LOGIN:09301613, USER:LOGIN:09301614, USER:LOGIN:09301615, USER:LOGIN:09301616, USER:LOGIN:09301617, USER:LOGIN:09301618, USER:LOGIN:09301619, USER:LOGIN:09301620, USER:LOGIN:09301621, USER:LOGIN:09301622, USER:LOGIN:09301623, USER:LOGIN:09301624, USER:LOGIN:09301625, USER:LOGIN:09301626, USER:LOGIN:09301627, USER:LOGIN:09301628, USER:LOGIN:09301629, USER:LOGIN:09301630, USER:LOGIN:09301631, USER:LOGIN:09301632, USER:LOGIN:09301633, USER:LOGIN:09301634, USER:LOGIN:09301635, USER:LOGIN:09301636, USER:LOGIN:09301637, USER:LOGIN:093000, USER:LOGIN:093001, USER:LOGIN:093002, USER:LOGIN:093003, USER:LOGIN:093004, USER:LOGIN:093005, USER:LOGIN:093006, USER:LOGIN:093007, USER:LOGIN:093008, USER:LOGIN:093009, USER:LOGIN:093010, USER:LOGIN:093011, USER:LOGIN:093012, USER:LOGIN:093013, USER:LOGIN:093014, USER:LOGIN:093015, USER:LOGIN:0929, USER:LOGIN:092820, USER:LOGIN:092821, USER:LOGIN:092822, USER:LOGIN:092823, USER:LOGIN:09281911, USER:LOGIN:09281912, USER:LOGIN:09281913, USER:LOGIN:09281914, USER:LOGIN:09281915, USER:LOGIN:09281916, USER:LOGIN:09281917, USER:LOGIN:09281918, USER:LOGIN:09281919, USER:LOGIN:09281920, USER:LOGIN:09281921, USER:LOGIN:09281922, USER:LOGIN:09281923, USER:LOGIN:09281924, USER:LOGIN:09281925, USER:LOGIN:09281926, USER:LOGIN:09281927, USER:LOGIN:09281928, USER:LOGIN:09281929, USER:LOGIN:09281930, USER:LOGIN:09281931, USER:LOGIN:09281932, USER:LOGIN:09281933, USER:LOGIN:09281934, USER:LOGIN:09281935, USER:LOGIN:09281936, USER:LOGIN:09281937, USER:LOGIN:09281938, USER:LOGIN:09281939, USER:LOGIN:09281940, USER:LOGIN:09281941, USER:LOGIN:09281942, USER:LOGIN:09281943, USER:LOGIN:09281944, USER:LOGIN:09281945, USER:LOGIN:09281946, USER:LOGIN:09281947, USER:LOGIN:09281948, USER:LOGIN:09281949, USER:LOGIN:09281950, USER:LOGIN:09281951, USER:LOGIN:09281952, USER:LOGIN:09281953, USER:LOGIN:09281954, USER:LOGIN:09281955, USER:LOGIN:09281956, USER:LOGIN:09281957, USER:LOGIN:09281958, USER:LOGIN:09281959]

实例

其实，有了上面生成 key 的方法，我们便可以很轻松地在实际场景中应用 Redis 的 HyperLoglog 进行数据统计，比如我们要统计从此刻开始往前推一小时、一天、一周的 UV。

代码实现如下：

import redis.clients.jedis.Jedis;import utils.JedisUtils;import java.util.Date;import java.util.List;import static utils.HLLUtils.addPrefix;import static utils.HLLUtils.getLastDays;import static utils.HLLUtils.getLastHours;public class UVCounter {    private Jedis client = JedisUtils.getClient();    private static final String PREFIX = "USER:LOGIN:";    public UVCounter() {    }    /**     * 获取周UV     *     * @return UV数     */    public long getWeeklyUV() {        List suffixKeys = getLastDays(new Date(), 7);        List keys = addPrefix(suffixKeys, PREFIX);        return client.pfcount(keys.toArray(new String[0]));    }    /**     * 获取日UV     *     * @return UV数     */    public long getDailyUV() {        List suffixKeys = getLastHours(new Date(), 24);        List keys = addPrefix(suffixKeys, PREFIX);        return client.pfcount(keys.toArray(new String[0]));    }    /**     * 获取小时UV     *      * @return UV数     */    public long getHourlyUV() {List suffixKeys = getLastHours(new Date(), 1);        List keys = addPrefix(suffixKeys, PREFIX);        return client.pfcount(keys.toArray(new String[0]));    }}

怎么样，你学会了吗？

推荐阅读

秋招打怪升级之路：十面阿里，终获 offer！

架构设计--互联网架构演化

值得开发者关注的 Java 8 后时代的语言特性

【原创】关于 Spring 中的参数校验的一点思考

Spring 常见问题总结(补充版)

分布式 ID 生成方案总结

入职一个月的职场小白,谈谈自己这段时间的感受

Code Review 最佳实践

后端开发必备的 RestFul API 知识

技术面试复习大纲

如何给老婆解释什么是 RPC

干货收藏 | Java 程序员必备的一些流程图

十分钟搞懂 Java 效率工具 Lombok 使用与原理

看完这篇文章，别说自己不会用 Lambda 表达式了！

一些有助于你拿 Offer 的文章

面试官:“谈谈 Spring 中都用到了那些设计模式?”。

如果大家想要实时关注我更新的文章以及分享的干货的话，可以关注我的公众号。

c8f844f9502688c65504014cc275863c.png

欢迎关注7a50fcd30d49ccd8f2c90a5b72d46773.png点个再看534c79d1ca9f0551757e70972aa60a6c.png

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)

统计24小时内每个小时最后一条数据

统计24小时内每个小时最后一条数据_巧用 Redis Hyperloglog，轻松统计 UV 数据 的相关文章

  • 华为2018秋招笔试——将一段压缩后的字符串解压缩，并且排序输出

    题目描述 将一段压缩后的字符串解压缩 并且排序输出 解压规则 每个字符串后面跟随一个数字 表示这个字符串的重复次数 例如 a5 解压缩的结果为 aaaaa abc3 解压缩后的结果为 abcabcabc 排序规则 1 根据每个字符串的重复次

  • 详解拷贝构造函数

    基本规则 拷贝构造函数是一种特殊的构造函数 函数的名称必须和类名称一致 它必须的一个参数是本类型的一个引用变量 所以类中可以存在多个拷贝构造函数 编译器会自动生成默认构造函数 这个构造函数很简单 仅仅使用 老对象 的数据成员的值对 新对象

  • PyTorch(Python)训练MNIST模型移动端IOS上使用Swift实时数字识别

    识别手写数字是计算机视觉的基石问题 可以通过神经网络来解决 在此 我不会重复有关模型构建和训练的细节 本文中 我的目的是将经过训练的模型移植到移动环境中 我使用 pytorch 构建模型 因为我想尝试一下 torchscript 对于 io

  • 山东大学项目实训开发日志——基于vue+springboot的医院耗材管理系统(14)

    我们解决了一个逻辑上的问题 1 医院向供货商下单 如果供货商一时不能提供足够的数量 应该怎么办 2 科室库向中心库提交申请 如果中心库库存不满足申请的数量 应该怎么办 经过一番讨论 对于第一个问题 后端的负责人表示 应该有一个功能 允许供货

  • ESP8266-01S系列学习笔记-01模块基本知识

    1 产品概述 ESP8266是乐鑫科技生产的一款内置WiFi功能的单片机 它有很多种型号 这些型号分别对应了不同的封装 ESP8266是一款超低功耗的UART WiFi 透传模块 拥有业内极富竞争力的封装尺寸和超低能耗技术 专为移动设备和物

  • 【实战教程】在小程序中快速生成分享海报

    在小程序中生成分享海报是一个很常见的需求 目前主要有以下两种做法 直接由前端生成 使用小程序提供的 canvas API 由后端知晓云 云函数 生成 前端再获取 本文将介绍通过知晓云 云函数 来生成分享海报的功能 并使用 webpack 和

  • ElasticSearch学习笔记（4）· ES IK分词器

    目录 九 IK中文分词器 1 在线安装IK中文分词器 2 本地安装IK中文分词器 3 扩展词 4 停用词 5 配置远程词典 6 分词器总结 九 IK中文分词器 NOTE 默认ES中采用标准分词器进行分词 这种方式并不适用于中文网站 因此需要

  • 基于unity+高通AR项目的一些总结

    今天 公司做的第一款AR项目终于在苹果appstore上架了 将近三个多月的踩坑和摸索也终于告一段落了 接下来就是不断的进行版本优化和更新 这将是一个漫长的过程 在此 对自己三个多月的开发做一个阶段性的总结 也希望能够帮到一些正在用unit

  • 【算法图解】 之 [贪婪算法（贪心算法）] 详解

    入门算法学习 看的第一本是深入浅出的 算法图解 一书 本博客是对 算法图解 一书的学习笔记 将书中的分享的算法示例用Python3语言实现 如果你也想要阅读这本书 百度云盘链接 https pan baidu com s 1s967vfgE

  • Java企业级应用常采用哪些系统架构？

    架构 又名软件架构 是有关软件整体结构与组件的抽象描述 用于指导大型软件系统各个方面的设计 Java企业级的应用根据业务的复杂程度 通常使用的系统架构有应用架构 垂直应用架构 面向服务的架构 Service Oriented Archite

  • Mybatis 使用标签时遇到的一个问题与标签的使用

    欢迎访问本人博客查看原文 http wangnan tech 今天遇到一个场景需要写一个这样的查询语句 用户对象userInfo包含下面几个字段 userName phone email qqId weiboId wxId 现在新注册用户

  • 手把手带你入门深度学习（一）：保姆级Anaconda和PyTorch环境配置指南

    手把手带你入门深度学习 一 保姆级Anaconda和PyTorch环境配置指南 一 前言和准备工作 1 1 python anaconda和pytorch的关系 二 Anconda安装 2 1 安装 anaconda 2 2 更改pip源和

  • 2021-04-26（全网最简单）Centos8安装最新版本RabbitMQ和erlang

    1 首先进入rabbitmq官网 找到如图所示位置 2 进入到下载和安装页面 找到安装向导 3 选择CentOS点进去 意思是说有两种方法可以安装最新版本的RabbitMQ 使用Package Cloud或Bintray上的Yum存储库安装

  • [483]tensorflow模型保存和读取tf.train.Saver

    目标 训练网络后想保存训练好的模型 以及在程序中读取以保存的训练好的模型 首先 保存和恢复都需要实例化一个 tf train Saver saver tf train Saver 然后 在训练循环中 定期调用 saver save 方法 向

  • 让木桶没有短板，FISCO BCOS全面推进区块链并行化改造

    FISCO BCOS是完全开源的联盟区块链底层技术平台 由金融区块链合作联盟 深圳 简称金链盟 成立开源工作组通力打造 开源工作组成员包括博彦科技 华为 深证通 神州数码 四方精创 腾讯 微众银行 亦笔科技和越秀金科等金链盟成员机构 代码仓

  • 文件传输的几种常用方法

    文件传输的常用方式 http wget ftp tftp powershell apt get install python pyftpdlib python m pyftpdlib p 22 ftp 127 0 0 1 用户名 anony

  • python&selenium自动化测试实战项目（完整、全面）

    前言 之前的文章说过 要写一篇自动化实战的文章 这段时间比较忙再加回家过11一直没有更新博客 今天整理一下实战项目的代码共大家学习 注 项目是针对我们公司内部系统的测试 只能内部网络访问 外部网络无法访问 问 1 外部网络无法访问 代码也无

  • Kerberos安全认证-连载9-访问Kerberos安全认证Hadoop

    目录 1 Shell访问HDFS 2 Windows访问Kerberos认证HDFS 3 代码访问Kerberos认证的HDFS 技术连载系列 前面内容请参考前面连载8内容 Kerberos安全认证 连载8 Hadoop Kerberos安

  • 手动启动mysql数据库_MySql数据库教程 - 2.启动与关闭

    MySql服务的启动 右键计算机 管理 服务和应用程序 服务 右键 MySQL80 可以启动 停止MySQL 也可以点击属性 改变启动类型 手动 自动 自动启动状态下 每次打开计算机都会自动启动 MySql Workbench的启动 方式一

随机推荐

热门标签