Hadoop部署之Hadoop(三)
一、Hadoop 介紹
Hadoop的框架最核心的設(shè)計(jì)就是：HDFS和MapReduce。HDFS為海量的數(shù)據(jù)提供了存儲(chǔ)，則MapReduce為海量的數(shù)據(jù)提供了計(jì)算。
創(chuàng)新互聯(lián)主營(yíng)無為網(wǎng)站建設(shè)的網(wǎng)絡(luò)公司,主營(yíng)網(wǎng)站建設(shè)方案,手機(jī)APP定制開發(fā),無為h5小程序設(shè)計(jì)搭建,無為網(wǎng)站營(yíng)銷推廣歡迎無為等地區(qū)企業(yè)咨詢
1、HDFS 介紹
Hadoop實(shí)現(xiàn)了一個(gè)分布式文件系統(tǒng)（Hadoop Distributed File System），簡(jiǎn)稱HDFS。
HDFS有高容錯(cuò)性的特點(diǎn)，并且設(shè)計(jì)用來部署在低廉的（low-cost）硬件上；而且它提供高吞吐量（high throughput）來訪問應(yīng)用程序的數(shù)據(jù)，適合那些有著超大數(shù)據(jù)集（large data set）的應(yīng)用程序。HDFS放寬了（relax）POSIX的要求，可以以流的形式訪問（streaming access）文件系統(tǒng)中的數(shù)據(jù)。
2、HDFS 組成
HDFS采用主從（Master/Slave）結(jié)構(gòu)模型，一個(gè)HDFS集群是由一個(gè)NameNode和若干個(gè)DataNode組成的。NameNode作為主服務(wù)器，管理文件系統(tǒng)命名空間和客戶端對(duì)文件的訪問操作。DataNode管理存儲(chǔ)的數(shù)據(jù)。HDFS支持文件形式的數(shù)據(jù)。
從內(nèi)部來看，文件被分成若干個(gè)數(shù)據(jù)塊，這若干個(gè)數(shù)據(jù)塊存放在一組DataNode上。NameNode執(zhí)行文件系統(tǒng)的命名空間，如打開、關(guān)閉、重命名文件或目錄等，也負(fù)責(zé)數(shù)據(jù)塊到具體DataNode的映射。DataNode負(fù)責(zé)處理文件系統(tǒng)客戶端的文件讀寫，并在NameNode的統(tǒng)一調(diào)度下進(jìn)行數(shù)據(jù)庫的創(chuàng)建、刪除和復(fù)制工作。NameNode是所有HDFS元數(shù)據(jù)的管理者，用戶數(shù)據(jù)永遠(yuǎn)不會(huì)經(jīng)過NameNode。
3、MapReduce 介紹
Hadoop MapReduce是google MapReduce 克隆版。
MapReduce是一種計(jì)算模型，用以進(jìn)行大數(shù)據(jù)量的計(jì)算。其中Map對(duì)數(shù)據(jù)集上的獨(dú)立元素進(jìn)行指定的操作，生成鍵-值對(duì)形式中間結(jié)果。Reduce則對(duì)中間結(jié)果中相同“鍵”的所有“值”進(jìn)行規(guī)約，以得到最終結(jié)果。MapReduce這樣的功能劃分，非常適合在大量計(jì)算機(jī)組成的分布式并行環(huán)境里進(jìn)行數(shù)據(jù)處理。
4、MapReduce 架構(gòu)
Hadoop MapReduce采用Master/Slave（M/S）架構(gòu)，如下圖所示，主要包括以下組件：Client、JobTracker、TaskTracker和Task。
JobTracker
- JobTracker叫作業(yè)跟蹤器，運(yùn)行到主節(jié)點(diǎn)（Namenode）上的一個(gè)很重要的進(jìn)程，是MapReduce體系的調(diào)度器。用于處理作業(yè)（用戶提交的代碼）的后臺(tái)程序，決定有哪些文件參與作業(yè)的處理，然后把作業(yè)切割成為一個(gè)個(gè)的小task，并把它們分配到所需要的數(shù)據(jù)所在的子節(jié)點(diǎn)。
- Hadoop的原則就是就近運(yùn)行，數(shù)據(jù)和程序要在同一個(gè)物理節(jié)點(diǎn)里，數(shù)據(jù)在哪里，程序就跑去哪里運(yùn)行。這個(gè)工作是JobTracker做的，監(jiān)控task，還會(huì)重啟失敗的task（于不同的節(jié)點(diǎn)），每個(gè)集群只有唯一一個(gè)JobTracker，類似單點(diǎn)的NameNode，位于Master節(jié)點(diǎn)
TaskTracker
- TaskTracker叫任務(wù)跟蹤器，MapReduce體系的最后一個(gè)后臺(tái)進(jìn)程，位于每個(gè)slave節(jié)點(diǎn)上，與datanode結(jié)合（代碼與數(shù)據(jù)一起的原則），管理各自節(jié)點(diǎn)上的task（由jobtracker分配），
- 每個(gè)節(jié)點(diǎn)只有一個(gè)tasktracker，但一個(gè)tasktracker可以啟動(dòng)多個(gè)JVM，運(yùn)行Map Task和Reduce Task；并與JobTracker交互，匯報(bào)任務(wù)狀態(tài)，
- Map Task：解析每條數(shù)據(jù)記錄，傳遞給用戶編寫的map(),并執(zhí)行，將輸出結(jié)果寫入本地磁盤(如果為map-only作業(yè)，直接寫入HDFS)。
- Reducer Task：從Map Task的執(zhí)行結(jié)果中，遠(yuǎn)程讀取輸入數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行排序，將數(shù)據(jù)按照分組傳遞給用戶編寫的reduce函數(shù)執(zhí)行。
二、Hadoop的安裝
1、下載安裝
# 下載安裝包
wget https://archive.apache.org/dist/hadoop/common/hadoop-2.7.3/hadoop-2.7.3.tar.gz
# 解壓安裝包
tar xf hadoop-2.7.3.tar.gz && mv hadoop-2.7.3 /usr/local/hadoop
# 創(chuàng)建目錄
mkdir -p /home/hadoop/{name,data,log,journal}2、配置 Hadoop 環(huán)境變量
創(chuàng)建文件/etc/profile.d/hadoop.sh。
# HADOOP ENV
export HADOOP_HOME=/usr/local/hadoop
export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin使 Hadoop 環(huán)境變量生效。
source /etc/profile.d/hadoop.sh三、Hadoop 配置
1、配置 hadoop-env.sh
編輯文件/usr/local/hadoop/etc/hadoop/hadoop-env.sh，修改下面字段。
export JAVA_HOME=/usr/java/default
export HADOOP_HOME=/usr/local/hadoop2、配置 yarn-env.sh
編輯文件/usr/local/hadoop/etc/hadoop/yarn-env.sh，修改下面字段。
export JAVA_HOME=/usr/java/default3、配置 DN 白名單 slaves
編輯文件/usr/local/hadoop/etc/hadoop/slaves
datanode01
datanode02
datanode034、配置核心組件 core-site.xml
編輯文件/usr/local/hadoop/etc/hadoop/core-site.xml，修改為如下：
<configuration>
<!-- 指定hdfs的nameservice為cluster1 -->
<property>
<name>fs.default.name</name>
<value>hdfs://cluster1:9000</value>
</property>
<!-- 指定hadoop臨時(shí)目錄 -->
<property>
<name>hadoop.tmp.dir</name>
<value>/home/hadoop/data</value>
</property>
<!-- 指定zookeeper地址 -->
<property>
<name>ha.zookeeper.quorum</name>
<value>zk01:2181,zk02:2181,zk03:2181</value>
</property>
<property>
<name>dfs.permissions</name>
<value>false</value>
</property>
<!--設(shè)置hadoop的緩沖區(qū)大小為128MB-->
<property>
<name>io.file.buffer.size</name>
<value>131702</value>
</property>
</configuration>5、配置文件系統(tǒng) hdfs-site.xml
編輯文件/usr/local/hadoop/etc/hadoop/hdfs-site.xml，修改為如下：
<configuration>
<!--NameNode存儲(chǔ)元數(shù)據(jù)的目錄 -->
<property>
<name>dfs.namenode.name.dir</name>
<value>file:/home/hadoop/name</value>
</property>
<!--DataNode存儲(chǔ)數(shù)據(jù)塊的目錄-->
<property>
<name>dfs.datanode.data.dir</name>
<value>file:/home/hadoop/data</value>
</property>
<!--指定HDFS的副本數(shù)量-->
<property>
<name>dfs.replication</name>
<value>2</value>
</property>
<!--開啟HDFS的WEB管理界面功能-->
<property>
<name>dfs.webhdfs.enabled</name>
<value>true</value>
</property>
<!--指定HDFS的nameservice為cluster1，需要和core-site.xml中的保持一致 -->
<property>
<name>dfs.nameservices</name>
<value>cluster1</value>
</property>
</configuration>6、配置計(jì)算框架 mapred-site.xml
編輯文件/usr/local/hadoop/etc/hadoop/mapred-site.xml，修改為如下：
<configuration>
<!-- 指定mr框架為yarn方式 -->
<property>
<name>mapreduce.framework.name</name>
<value>yarn</value>
</property>
<!-- mapred做本地計(jì)算所使用的文件夾，可以配置多塊硬盤，逗號(hào)分隔 -->
<property>
<name>mapred.local.dir</name>
<value>/home/hadoop/data</value>
</property>
<!-- 使用管理員身份，指定作業(yè)map的堆大小-->
<property>
<name>mapreduce.admin.map.child.java.opts</name>
<value>-Xmx256m</value>
</property>
<!-- 使用管理員身份，指定作業(yè)reduce的堆大小-->
<property>
<name>mapreduce.admin.reduce.child.java.opts</name>
<value>-Xmx4096m</value>
</property>
<!-- 每個(gè)TT子進(jìn)程所使用的虛擬機(jī)內(nèi)存大小 -->
<property>
<name>mapred.child.java.opts</name>
<value>-Xmx512m</value>
</property>
<!-- 設(shè)置參數(shù)防止超時(shí)，默認(rèn)600000ms，即600s-->
<property>
<name>mapred.task.timeout</name>
<value>1200000</value>
<final>true</final>
</property>
<!-- 禁止訪問NN的主機(jī)名稱列表,指定要?jiǎng)討B(tài)刪除的節(jié)點(diǎn)-->
<property>
<name>dfs.hosts.exclude</name>
<value>slaves.exclude</value>
</property>
<!-- 禁止連接JT的TT列表，節(jié)點(diǎn)摘除是很有作用 -->
<property>
<name>mapred.hosts.exclude</name>
<value>slaves.exclude</value>
</property>
</configuration>7、配置計(jì)算框架 yarn-site.xml
編輯文件/usr/local/hadoop/etc/hadoop/yarn-site.xml，修改為如下：
<configuration>
<!--RM的主機(jī)名 -->
<property>
<name>yarn.resourcemanager.hostname</name>
<value>namenode01</value>
</property>
<!--RM對(duì)客戶端暴露的地址,客戶端通過該地址向RM提交應(yīng)用程序、殺死應(yīng)用程序等-->
<property>
<name>yarn.resourcemanager.address</name>
<value>${yarn.resourcemanager.hostname}:8032</value>
</property>
<!--RM對(duì)AM暴露的訪問地址,AM通過該地址向RM申請(qǐng)資源、釋放資源等-->
<property>
<name>yarn.resourcemanager.scheduler.address</name>
<value>${yarn.resourcemanager.hostname}:8030</value>
</property>
<!--RM對(duì)外暴露的web http地址,用戶可通過該地址在瀏覽器中查看集群信息-->
<property>
<name>yarn.resourcemanager.webapp.address</name>
<value>${yarn.resourcemanager.hostname}:8088</value>
</property>
<!--RM對(duì)NM暴露地址,NM通過該地址向RM匯報(bào)心跳、領(lǐng)取任務(wù)等-->
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>${yarn.resourcemanager.hostname}:8031</value>
</property>
<!--RM對(duì)管理員暴露的訪問地址,管理員通過該地址向RM發(fā)送管理命令等-->
<property>
<name>yarn.resourcemanager.admin.address</name>
<value>${yarn.resourcemanager.hostname}:8033</value>
</property>
<!--單個(gè)容器可申請(qǐng)的最小與最大內(nèi)存，應(yīng)用在運(yùn)行申請(qǐng)內(nèi)存時(shí)不能超過最大值，小于最小值則分配最小值-->
<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>983040</value>
</property>
<!--啟用的資源調(diào)度器主類。目前可用的有FIFO、Capacity Scheduler和Fair Scheduler-->
<property>
<name>yarn.resourcemanager.scheduler.class</name>
<property>
<name>yarn.resourcemanager.resource-tracker.address</name>
<value>${yarn.resourcemanager.hostname}:8031</value>
</property>
<!--RM對(duì)管理員暴露的訪問地址,管理員通過該地址向RM發(fā)送管理命令等-->
<property>
<name>yarn.resourcemanager.admin.address</name>
<value>${yarn.resourcemanager.hostname}:8033</value>
</property>
<!--單個(gè)容器可申請(qǐng)的最小與最大內(nèi)存，應(yīng)用在運(yùn)行申請(qǐng)內(nèi)存時(shí)不能超過最大值，小于最小值則分配最小值-->
<property>
<name>yarn.scheduler.maximum-allocation-mb</name>
<value>8182</value>
</property>
<!--啟用的資源調(diào)度器主類。目前可用的有FIFO、Capacity Scheduler和Fair Scheduler-->
<property>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
<!--啟用日志聚集功能 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<name>yarn.resourcemanager.scheduler.class</name>
<value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.capacity.CapacityScheduler</value>
</property>
<!--單個(gè)容器可申請(qǐng)的最小/最大虛擬CPU個(gè)數(shù)。比如設(shè)置為1和4，則運(yùn)行MapRedce作業(yè)時(shí)，每個(gè)Task最少可申請(qǐng)1個(gè)虛擬CPU，最多可申請(qǐng)4個(gè)虛擬CPU-->
<property>
<name>yarn.scheduler.maximum-allocation-vcores</name>
<value>512</value>
</property>
<!--單個(gè)可申請(qǐng)的最小/最大內(nèi)存資源量 -->
<property>
<name>yarn.scheduler.minimum-allocation-mb</name>
<value>2048</value>
</property>
<!--啟用日志聚集功能 -->
<property>
<name>yarn.log-aggregation-enable</name>
<value>true</value>
</property>
<!-- 設(shè)置在HDFS上聚集的日志最多保存多長(zhǎng)時(shí)間-->
<property>
<name>yarn.log-aggregation.retain-seconds</name>
<value>604800</value>
</property>
<!--NM運(yùn)行的Container,總的可用虛擬CPU個(gè)數(shù),默認(rèn)值8-->
<property>
<name>yarn.nodemanager.resource.cpu-vcores</name>
<value>12</value>
</property>
<!--NM運(yùn)行的Container,可以分配到的物理內(nèi)存,一旦設(shè)置,運(yùn)行過程中不可動(dòng)態(tài)修改,默認(rèn)8192MB-->
<property>
<name>yarn.nodemanager.resource.memory-mb</name>
<value>8192</value>
</property>
<!--是否啟動(dòng)一個(gè)線程檢查每個(gè)任務(wù)正使用的虛擬內(nèi)存量，如果任務(wù)超出分配值，則直接將其殺掉，默認(rèn)是true-->
<property>
<name>yarn.nodemanager.vmem-check-enabled</name>
<value>false</value>
</property>
<!--是否啟動(dòng)一個(gè)線程檢查每個(gè)任務(wù)正使用的物理內(nèi)存量，如果任務(wù)超出分配值，則直接將其殺掉，默認(rèn)是true-->
<property>
<name>yarn.nodemanager.pmem-check-enabled</name>
<value>false</value>
</property>
<!--每使用1MB物理內(nèi)存，最多可用的虛擬內(nèi)存數(shù),默認(rèn)值2.1-->
<property>
<name>yarn.nodemanager.vmem-pmem-ratio</name>
<value>2.1</value>
</property>
<!--一塊磁盤的最高使用率，當(dāng)一塊磁盤的使用率超過該值時(shí)，則認(rèn)為該盤為壞盤，不再使用該盤，默認(rèn)是100，表示100%-->
<property>
<name>yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage</name>
<value>98.0</value>
</property>
<!--NM運(yùn)行的附屬服務(wù),需配置成mapreduce_shuffle,才可運(yùn)行MapReduce程序-->
<property>
<name>yarn.nodemanager.aux-services</name>
<value>mapreduce_shuffle</value>
</property>
<!--為了能夠運(yùn)行MapReduce程序，需要讓各個(gè)NodeManager在啟動(dòng)時(shí)加載shuffle server-->
<property>
<name>yarn.nodemanager.auxservices.mapreduce.shuffle.class</name>
<value>org.apache.hadoop.mapred.ShuffleHandler</value>
</property>
</configuration>8、將配置文件復(fù)制到其他服務(wù)節(jié)點(diǎn)
cd /usr/local/hadoop/etc/hadoop
scp * datanode01:/usr/local/hadoop/etc/hadoop
scp * datanode02:/usr/local/hadoop/etc/hadoop
scp * datanode03:/usr/local/hadoop/etc/hadoop
chown -R hadoop:hadoop /usr/local/hadoop
chmod 755 /usr/local/hadoop/etc/hadoop四、Hadoop 啟動(dòng)
1、格式化 HDFS(在NameNode01執(zhí)行)
hdfs namenode -format
hadoop-daemon.sh start namenode2、重啟 Hadoop(在NameNode01執(zhí)行)
stop-all.sh
start-all.sh五、檢查 Hadoop
1、檢查JPS進(jìn)程
[root@namenode01 ~]# jps
17419 NameNode
17780 ResourceManager
18152 Jps
[root@datanode01 ~]# jps
2227 DataNode
1292 QuorumPeerMain
2509 Jps
2334 NodeManager
[root@datanode02 ~]# jps
13940 QuorumPeerMain
18980 DataNode
19093 NodeManager
19743 Jps
[root@datanode03 ~]# jps
19238 DataNode
19350 NodeManager
14215 QuorumPeerMain
20014 Jps2、HDFS 的 WEB 界面
訪問 http://192.168.1.200:50070/
3、YARN 的 WEB 界面
訪問 http://192.168.1.200:8088/
六、MapReduce的WordCount驗(yàn)證
1、上傳需要處理的文件到 hdfs。
[root@namenode01 ~]# hadoop fs -put /root/anaconda-ks.cfg /anaconda-ks.cfg2、進(jìn)行 wordcount
[root@namenode01 ~]# cd /usr/local/hadoop/share/hadoop/mapreduce/
[root@namenode01 mapreduce]# hadoop jar hadoop-mapreduce-examples-2.7.3.jar wordcount /anaconda-ks.cfg /test
18/11/17 00:04:45 INFO client.RMProxy: Connecting to ResourceManager at namenode01/192.168.1.200:8032
18/11/17 00:04:45 INFO input.FileInputFormat: Total input paths to process : 1
18/11/17 00:04:45 INFO mapreduce.JobSubmitter: number of splits:1
18/11/17 00:04:45 INFO mapreduce.JobSubmitter: Submitting tokens for job: job_1541095016765_0004
18/11/17 00:04:46 INFO impl.YarnClientImpl: Submitted application application_1541095016765_0004
18/11/17 00:04:46 INFO mapreduce.Job: The url to track the job: http://namenode01:8088/proxy/application_1541095016765_0004/
18/11/17 00:04:46 INFO mapreduce.Job: Running job: job_1541095016765_0004
18/11/17 00:04:51 INFO mapreduce.Job: Job job_1541095016765_0004 running in uber mode : false
18/11/17 00:04:51 INFO mapreduce.Job: map 0% reduce 0%
18/11/17 00:04:55 INFO mapreduce.Job: map 100% reduce 0%
18/11/17 00:04:59 INFO mapreduce.Job: map 100% reduce 100%
18/11/17 00:04:59 INFO mapreduce.Job: Job job_1541095016765_0004 completed successfully
18/11/17 00:04:59 INFO mapreduce.Job: Counters: 49
File System Counters
FILE: Number of bytes read=1222
FILE: Number of bytes written=241621
FILE: Number of read operations=0
FILE: Number of large read operations=0
FILE: Number of write operations=0
HDFS: Number of bytes read=1023
HDFS: Number of bytes written=941
HDFS: Number of read operations=6
HDFS: Number of large read operations=0
HDFS: Number of write operations=2
Job Counters
Launched map tasks=1
Launched reduce tasks=1
Data-local map tasks=1
Total time spent by all maps in occupied slots (ms)=1758
Total time spent by all reduces in occupied slots (ms)=2125
Total time spent by all map tasks (ms)=1758
Total time spent by all reduce tasks (ms)=2125
Total vcore-milliseconds taken by all map tasks=1758
Total vcore-milliseconds taken by all reduce tasks=2125
Total megabyte-milliseconds taken by all map tasks=1800192
Total megabyte-milliseconds taken by all reduce tasks=2176000
Map-Reduce Framework
Map input records=38
Map output records=90
Map output bytes=1274
Map output materialized bytes=1222
Input split bytes=101
Combine input records=90
Combine output records=69
Reduce input groups=69
Reduce shuffle bytes=1222
Reduce input records=69
Reduce output records=69
Spilled Records=138
Shuffled Maps =1
Failed Shuffles=0
Merged Map outputs=1
GC time elapsed (ms)=99
CPU time spent (ms)=970
Physical memory (bytes) snapshot=473649152
Virtual memory (bytes) snapshot=4921606144
Total committed heap usage (bytes)=441450496
Shuffle Errors
BAD_ID=0
CONNECTION=0
IO_ERROR=0
WRONG_LENGTH=0
WRONG_MAP=0
WRONG_REDUCE=0
File Input Format Counters
Bytes Read=922
File Output Format Counters
Bytes Written=9413、查看結(jié)果
[root@namenode01 mapreduce]# hadoop fs -cat /test/part-r-00000
# 11
#version=DEVEL 1
$6$kRQ2y1nt/B6c6ETs$ITy0O/E9P5p0ePWlHJ7fRTqVrqGEQf7ZGi5IX2pCA7l25IdEThUNjxelq6wcD9SlSa1cGcqlJy2jjiV9/lMjg/ 1
%addon 1
%end 2
%packages 1
--all 1
--boot-drive=sda 1
--bootproto=dhcp 1
--device=enp1s0 1
--disable 1
--drives=sda 1
--enable 1
--enableshadow 1
--hostname=localhost.localdomain 1
--initlabel 1
--ipv6=auto 1
--isUtc 1
--iscrypted 1
--location=mbr 1
--onboot=off 1
--only-use=sda 1
--passalgo=sha512 1
--reserve-mb='auto' 1
--type=lvm 1
--vckeymap=cn 1
--xlayouts='cn' 1
@^minimal 1
@core 1
Agent 1
Asia/Shanghai 1
CDROM 1
Keyboard 1
Network 1
Partition 1
Root 1
Run 1
Setup 1
System 4
Use 2
auth 1
authorization 1
autopart 1
boot 1
bootloader 2
cdrom 1
clearing 1
clearpart 1
com_redhat_kdump 1
configuration 1
first 1
firstboot 1
graphical 2
ignoredisk 1
information 3
install 1
installation 1
keyboard 1
lang 1
language 1
layouts 1
media 1
network 2
on 1
password 1
rootpw 1
the 1
timezone 2
zh_CN.UTF-8 1七、Hadoop 的使用
查看fs幫助命令： hadoop fs -help
查看HDFS磁盤空間： hadoop fs -df -h
創(chuàng)建目錄： hadoop fs -mkdir
上傳本地文件： hadoop fs -put
查看文件： hadoop fs -ls
查看文件內(nèi)容： hadoop fs –cat
復(fù)制文件： hadoop fs -cp
下載HDFS文件到本地： hadoop fs -get
移動(dòng)文件： hadoop fs -mv
刪除文件： hadoop fs -rm -r -f
刪除文件夾： hadoop fs -rm –r
新聞名稱：Hadoop部署之Hadoop(三)
標(biāo)題鏈接：http://muchs.cn/article44/gphiee.html
成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供商城網(wǎng)站、搜索引擎優(yōu)化、建站公司、虛擬主機(jī)、網(wǎng)站策劃、網(wǎng)站導(dǎo)航
聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)
- 怎么做移動(dòng)手機(jī)網(wǎng)站？ 2016-11-10
- 手機(jī)網(wǎng)站建設(shè)如何使用分屏網(wǎng)頁設(shè)計(jì)手法 2021-05-29
- 公司網(wǎng)站制作與手機(jī)APP的聯(lián)系 2016-08-21
- 網(wǎng)站設(shè)計(jì)中響應(yīng)式網(wǎng)站與手機(jī)網(wǎng)站有什么區(qū)別？ 2016-10-28
- 手機(jī)網(wǎng)站建設(shè)需要注意的相關(guān)知識(shí) 2016-08-13
- 手機(jī)網(wǎng)站建設(shè)有哪些需要注意的？ 2023-01-07
- 怎樣設(shè)計(jì)手機(jī)網(wǎng)站建設(shè)縮略圖？ 2016-07-18
- 手機(jī)網(wǎng)站設(shè)計(jì)注意事項(xiàng)：小心這十點(diǎn) 2013-05-14
- 手機(jī)頁面設(shè)計(jì)時(shí)應(yīng)注意的哪幾個(gè)方面？ 2015-08-17
- 什么是手機(jī)網(wǎng)站,企業(yè)為什么要制作手機(jī)網(wǎng)站? 2016-11-03
- 定制手機(jī)網(wǎng)站建設(shè)時(shí)網(wǎng)站建設(shè)價(jià)格會(huì)受哪些關(guān)鍵問題影響？ 2020-11-13
- 淺析：企業(yè)手機(jī)網(wǎng)站建設(shè)彈窗設(shè)計(jì)要嗎? 2022-05-24