内容简介：Hadoop快速入门
传说中的hadoop，我终于来对着你唱"征服"了，好可爱的小象，！ J
总的来说，hadoop的思路比较简单(map-reduce)，就是将任务分开进行，最后汇总。但这个思路实现起来，比较复杂，但相对于几年前Intel等硬件公司提出的网格运算等方式，显得更加开放。
你难任你难，哥就是头铁！
Tip：实践应用是核心，本文概念为主，有些部分可能会有些晦涩，直接跳过就好（不是特别重要）。
本文代码实践在： https://github.com/wanliwang/cayman/tree/master/cm-web 的test->backupcode->hadoop部分。
提到列式(Column Family)数据库，就不得不提Google的BigTable，其开源版本就是我们熟知的HBASE。BigTable建立在谷歌的另两个系统GFS和Chubby之上，这三个系统和分布式计算编程模型MapReduce共同构成Google云计算的基础，Chubby解决主从自动切换的基础。接下来通过一个表格对比来引入Hadoop。
| Google云计算 | Hadoop中的对应 |
| 分布式文件系统GFS | HDFS，负责数据物理存储 |
| 分布式管理服务Chubby | Zookeeper，负责管理服务器 |
| 分布式计算框架MapReduce | MapReduce，负责计算 |
| 分布式数据库BigTable | HBase，负责存取数据 |
Hadoop是有Apache Lucene的作者Boug Cutting开发的，其主体结构如下图所示。
HDFS（Hadoop File System）
NameNode:整个文件系统的大脑，提供整个系统的目录信息并管理各个数据服务器。
DataNode:分布式文件系统中每一个文件被切割为若干数据块，每个数据块存储在不同服务器，这些就是数据服务器。
Block:每个被切分的数据块就是一段文件内容，其是基本的存储单位，被称为数据块，典型大小为64MB。
Tip:由于硬件错误是常态，HDFS是很多台Server的集合，因而错误检测和恢复是核心功能；其以流式读为主，做批量操作，关注数据访问的高吞吐量。
HDFS采用 master/slave架构 ，一个HDFS集群由 一个NameNode和若干DataNode组成 ，中心服务器NameNode负责管理文件系统的namespace和客户端对文件的访问。DataNode一般一个节点一个，负责管理节点上附带的存储。在内部，一个文件被分成一个或多个block，这些block存储在DataNode集合中。NameNode和DataNode均可运行在廉价的 linux 机器上，HDFS由 java 语言开发，跨平台好，总体结构示意图如下所示。
复制：采用rack-aware策略改进数据可靠性和网络带宽的利用；NameNode决定每个DataNode的Rack id；大多数情况， replication因子是3 ，简单来说就是将一个副本放在本地机架节点，一个副本放在同一机架另一个节点，最后一个放在不同机架；在读取时，会选择最近的副本；NameNode启动时会进入SafeMode状态，该状态时，NameNode不会进行数据块的复制，这是会检测DataNode的副本数量，如果满足要求则认为安全。
NameNode用于存储元数据，任何修改均被Editlog记录，通讯协议基于TCP/IP，可以通过java API调用。
安装Hadoop，步骤如下所示
1 1.安装jdk 2 2.安装hadoop集群情况(创建对应的hadoop应用，用于统一管理, useradd Hadoop, passwd hadoop) 3 node0: 192.168.181.136(NameNode/JobTracker) 4 node1: 192.168.181.132(DataNode/TaskTracker) 5 node2: 192.168.181.133(DataNode / TaskTracker) 6 node3: 192.168.181.134(DataNode / TaskTracker) 7 etc/hosts和hostname设置, 如192.168.181.136 node0, #hostname node0 8 下载hadoop-1.2.1.tar包，放在/home/hadoop，入后修改权限 9 #wget http://mirror.esocc.com/apache/hadoop/common/hadoop-1.2.1/hadoop-1.2.1.tar.gz 10 #tar –zxvf Hadoop-1.2.1.tar 11 #chown –R Hadoop:Hadoop Hadoop-1.2.1 12 配置ssh无密码登录，在hadoop启动后，NameNode通过SSH(sSecureShell)来启动和停止各个Datanode上的各个守护进程，这就需要节点间执行指令无需密码，因此需要配置SSH运用无密码公钥认证的方法。 13 在本例中，node0为主节点，需要连接node1,2,3，需要确认每台机器安装ssh，并且datanode上的sshd服务启动。 14 #ssh-keygen –t rsa, 默认保存在/home/Hadoop/.ssh, 然后将其复制到每个机器的/home/Hadoop/.ssh/authorized_keys，命令如下,4台机器都需要(显得比较复杂，到时看看 docker 或者.sh脚本文件) 15 #su Hadoop 16 #cd /home/Hadoop 17 # ssh-keygen –t rsa 18 #cd .ssh 19 #cp id_rsa.pub authorized_keys 20 #ssh localhost 21 #ssh node0 22 在node0,1,2,3上交换公钥 23 #scp authorized_keys [email protected]:/tmp, 复制keys到node1的/tmp目录 24 #cat /tmp/authorized_keys>>/home/Hadoop/.ssh/authorized_keys 25 在node0上有了所有公钥后，在复制node0上key到其他机器 26 #scp /home/Hadoop/.ssh/authorized_key [email protected]
:/home/hadoop/.ssh 27 #chmod 644 authorized_keys，设置文件权限并测试 28 将当前用户切换到hadoop，如果集群内机器环境一直，可以在一台机器配置好后，用scp命令将master上的hadoop复制到每一个slave 29 修改hadoop-1.2.1/conf，配置hadoop-env.sh文件，添加JAVA_HOME路径 30 配置conf/core-site.xml 31
< configuration > 32 <!-- NameNode的URI --> 33 < property > 34 < name > fs.default.name </ name > 35 < value > hdfs://node0:49000 </ value > 36 </ property > 3738 < property > 39 < name > hadoop.tmp.dir </ name > 40 < value > /home/hadoop/hadoop-1.2.1/var </ value > 41 </ property > 42 < property > 43 < name > dfs.support.append </ name > 44 < value > true </ value > 45 </ property > 46 <!-- 关闭权限检查，方便之后使用hadoop-eclipse插件访问hdfs --> 47 < property > 48 < name > dfs.permissions </ name > 49 < value > false </ value > 50 </ property > 51 </ configuration > 52 53 配置conf/mapred-site.xml 54 < configuration > 55 <!-- JobTracker的主机和端口 --> 56 < property > 57 < name > mapred.job.tracker </ name > 58 < value > /node0:49001 </ value > 59 </ property > 60 <!-- 目录需要提前创建，注意使用chown -R来修改权限,为0777 --> 61 < property > 62 < name > mapred.local.dir </ name > 63 < value > /home/hadoop/hadoop-1.2.1/var </ value > 64 </ property > 65 </ configuration > 66 67 配置hdfs-site.xml 68 < configuration > 6970 < property > 71 < name > dfs.name.dir </ name > 72 < value > /home/hadoop/name1 </ value > 73 </ property > 74 < property > 75 < name > dfs.data.dir </ name > 76 < value > /home/hadoop/data1 </ value > 77 </ property > 78 <!-- 数据备份数量 --> 79 < property > 80 < name > dfs.replication </ name > 81 < value > 3 </ value > 82 </ property > 83 </ configuration >
84 85 配置主从节点 86 conf/masters: node0 87 conf/slaves: node1,2,3 88 启动与测试 89 #hadoop namenode –format 90 #/home/hadoop/xxx/bin/start-all.sh View Code
在分布式模式下，hadoop配置文件中不能使用ip，必须使用主机名，安装hadoop必须在所有节点上使用相同配置和安装路径，并用相同用户启动。Hadoop中的HDFS和Map-Reduce可以分别启动，NameNode和JobTracker可以部署到不同节点，但小集群一般在一起，注意元数据安全即可。
Hdfs常见操作，请见下表所示，在实践中，一般都是通过API调用，了解下就好
| 命令 | 诠释 | 命令 | 诠释 |
| #cat | Hadoop fs –cat uri输出内容 | #chgrp | 修改文件所属组 |
| #chmod | 修改文件去哪先 | #chown | 修改文件拥有者 |
| #put #copyFromLocal | 从本地文件系统复制到目标系统 | #get #getmerge #copToLocal | 复制文件到本地系统 Hadoop fs –get hdfs://host:port/user/Hadoop/file local file |
| #cp | 复制文件 | #du，#dus | 显示目录、文件大小 |
| #expunge | 清空回收站 | #ls, lsr | 显示文件信息 |
| #mv #movefromLocal | 移动文件 | #rm #rmr | 删除文件 |
| #mkdir | 创建目录 | #setrep | 改变文件副本系数 |
| #stat | 返回统计信息 hadoop fs –stat path | 其他 | #tail #touchz |
| #test | #text |
通过Java调用hdfs的示例如下所示，其实就是一个文件系统
1 public void hdfsOpertion() throws Exception {
2 Configuration conf = new Configuration();
3 FileSystem hdfs = FileSystem.get(conf); // 获得HDFS文件系统对象
4 FileSystem local = FileSystem.getLocal(conf);// 获得本地文件系统
5 Path inputDir = new Path("in_xxx");
6 Path hdfsFile = new Path("fs_xxx");
7
8 try {
9 FileStatus[] inputFiles = local.listStatus(inputDir);// 获得目录文件列表
10 FSDataOutputStream out = hdfs.create(hdfsFile);// 生成hdfs输出流
11 for (int i = 0; i < inputFiles.length; i++) {
12 System.out.println(inputFiles[i].getPath().getName());
13 FSDataInputStream in = local.open(inputFiles[i].getPath());// 打开本地输入流
14 byte[] buffer = new byte[256];
15 int bytesRead = 0;
16 while ((bytesRead = in.read(buffer)) > 0) {
17 out.write(buffer, 0, bytesRead);
18 }
19 in.close();
20 }
21 out.close();
22 } catch (Exception ex) {
23 ex.printStackTrace();
24 }
25 }
View Code
-
Map Reduce核心概念
Job: 用户的每一个计算请求就是一个作业
JobTracker:用户提交作业的服务器，同时它还负责各个作业任务的分配，管理所有的任务服务器。
Task:一个都需要拆分，交个多个服务器完成，拆分出来的执行单位就是任务
TaskTracker:就是任劳任怨的工人，负责执行具体的任务。
-
Map Reduce计算模型
在hadoop中，每一个MapReduce任务被初始化为一个Job,每个Job又被分为两个阶段：Map阶段、Reduce阶段。这两个阶段分别用两个函数表示，Map函数接受一个<key,value>输入，然后产生一个<key,value>的中间输出；之后hadoop会将具有相同中间key的 value集合 传给Reduce函数，之后Reduce处理后得到<key,value>形式输出。
在Java中接入Hadoop的配置与代码如下所示。
1 Maven:
2 <dependency>
3 <groupId>org.apache.hadoop</groupId>
4 <artifactId>hadoop-common</artifactId>
5 <version>${hadoop.version}</version>
6 </dependency>
7 <dependency>
8 <groupId>org.apache.hadoop</groupId>
9 <artifactId>hadoop-hdfs</artifactId>
10 <version>${hadoop.version}</version>
11 </dependency>
12 <dependency>
13 <groupId>org.apache.hadoop</groupId>
14 <artifactId>hadoop-mapreduce-client-core</artifactId>
15 <version>${hadoop.version}</version>
16 </dependency>
17
18 Code:
19 public class WordCountNew extends Configured implements Tool {
20 public static class Map extends Mapper<LongWritable, Text, Text, IntWritable> {
21 private final static IntWritable one = new IntWritable(1);
22 private Text word = new Text();
23
24 @Override
25 protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, IntWritable>.Context context)
26 throws IOException, InterruptedException {
27 String line = value.toString();
28 // 字符串分解器
29 StringTokenizer tokenizer = new StringTokenizer(line);
30 while (tokenizer.hasMoreTokens()) {
31 word.set(tokenizer.nextToken());
32 context.write(word, one);
33 }
34 }
35 }
36
37 public static class Reduce extends Reducer<Text, IntWritable, Text, IntWritable> {
38 @Override
39 protected void reduce(Text key, Iterable<IntWritable> values,
40 Reducer<Text, IntWritable, Text, IntWritable>.Context context)
41 throws IOException, InterruptedException {
42 int sum = 0;
43 for (IntWritable val : values) {
44 sum += val.get();
45 }
46 context.write(key, new IntWritable(sum));
47 }
48 }
49
50 @Override
51 public int run(String[] arg0) throws Exception {
52 Job job = new Job(getConf());
53 job.setJarByClass(WordCountNew.class);
54 job.setJobName("wordcount");
55 job.setOutputKeyClass(Text.class);
56 job.setOutputValueClass(IntWritable.class);
57 job.setMapperClass(Map.class);
58 job.setReducerClass(Reduce.class);
59 job.setInputFormatClass(TextInputFormat.class);
60 job.setOutputFormatClass(TextOutputFormat.class);
61 FileInputFormat.setInputPaths(job, new Path("xxx01.txt"));
62 FileOutputFormat.setOutputPath(job, new Path("xxx02.txt"));
63 boolean success = job.waitForCompletion(true);
64 return success ? 0 : 1;
65 }
View Code
MapReduce的数据流和控制流
zookeeper主要用来解决分布式应用中经常遇到的数据管理的问题，如 统一命名服务、状态同步服务、集群管理和分布式应用配置项 的管理， Zookeeper典型的应用场景( 配置文件的管理、集群管理、同步锁、Leader选举和队列管理等)。
Zookeeper配置安装的步骤如下所示
下载zookeeper包 修改zoo.cfg配置文件 initLimit=5 #Zookeeper中链接到Leader的Follower服务器初始化链接能忍耐的心跳间隔数:5*2000=10秒 syncLimit=2 #请求应答的时间长度2*2000=4秒 dataDir=/home/Hadoop/zookeeper server.1=node1:2888:3888 #用于选举时服务器相互通信的端口 server.2=node2:2888:3888 server.3=node3:2888:3888 配置myid文件，在dataDir目录，判断时哪个server 启动zookeeper，bin/zkServer.sh start View Code
ZooKeeper数据模型，其会维护一个层次关系的数据结构，非常类似标准文件系统
ZooKeeper的基础使用，其作为一个分布式服务框架，主要用于解决分布式集群的一致性问题，它提供类似文件系统目录节点树方式的数据存储，并会维护和监控数据的状态变化，其常见方法如下所示。
| 方法 | 诠释 |
| Stringcreate | 创建一个给点的目录节点path并设置数据 |
| Statexists | 判断某个path是否存在，并设置监控这个目录节点 |
| Delete | 参数path对应目录节点 |
| StatsetData，getData | 设置数据，获取数据 |
| addAuthInfo | 将自己授权信息发送给服务器 |
| StatsetACL,getACL | 设置目录节点访问权限，获取权限列表 |
java调用zookeeper的API示例如下
1 public void testName() throws Exception {
2 // 1.创建一个和服务器的链接
3 ZooKeeper zk = new ZooKeeper("localhost:" + CLIENT_PORT, CONNECT_TIMEOUT, new Watcher() {
4 @Override
5 public void process(WatchedEvent event) {
6 System.out.println(String.format("已经触发了%s事件", event.getType()));
7 }
8 });
9
10 // 2.创建一个目录节点
11 zk.create("/testRootPath", "testRootData".getBytes(), Ids.OPEN_ACL_UNSAFE, CreateMode.PERSISTENT);
12 // 3.创建子节点
13 zk.create("/testRootPath/testChildrenPathOne", "testChildrenPathOne".getBytes(), Ids.OPEN_ACL_UNSAFE,
14 CreateMode.PERSISTENT);
15 System.out.println(new String(zk.getData("/testRootPath", false, null)));
16 // 4.查找子目录列表
17 System.out.println(zk.getChildren("/testRootPath", true));
18 // 5.修改子目录节点数据
19 zk.setData("/testRootPath/testChildrenPathOne", "modifyChildrenPathOne".getBytes(), -1);
20 System.out.println("目录节点状态：[" + zk.exists("/testRootPath", true) + "]");
21 // 6.删除节点
22 zk.delete("/testRootPath/testChildrenPathOne", -1);
23 // 7.关闭链接
24 zk.close();
25 }
View Code
ZooKeeper的典型应用场景
统一命名服务(Name Service):分布式应用，通常需要一整套的命名规则，一般使用树形命名，这儿和JNDI很相似。
配置管理：ZooKeeper统一管理配置信息，保存在对应目录，一旦变化，对应机器就会收到通知(观察者)。
集群管理：ZooKeeper不仅能维护当前集群中及其的服务状态，并能选出一个总管(Leader Election)，从而避免单点故障，示例代码如下。
共享锁(Locks):共享锁在同一个进程容易实现，但再不同Server见不好实现，但Zookeeper却很容易实现，方式就是需要获取锁的Servere创建一个EPHEMERAL_SEQUENTIAL目录节点，然后调用getChildren方法获得当前目录节点列表中最小的目录节点，并判断，如果未自己建立，则获得锁，如果不是就调用exist方法监控节点变化，一直到自己创建的节点时最小，从而获得锁，释放很贱，只要删除前面自己创建的目录节点就OK。
队列管理(Queue Management):可以处理两类队列，一种是当成员齐聚时，队列才可用，否则一直等待，被称为同步队列；一种是按照FIFO方式进行入队和出队，例如实现生产-消费者模型。
HBase（逻辑结构）是BigTable的开源版，其建立在HDFS（物理结构）之上，提供高可靠性、高性能、 列存储 和可伸缩、实时读写的数据库系统。它结余NOSQL和RDBMS之间，仅能通过主键和主键range来检索数据，支持单行事务（可通过hive支持来实现多表join等复杂操作），主要用于存储非结构和半结构化的松散数据。与Hadoop一样，Hbase主要依靠横向扩展来提高计算和存储能力。
Hbase的表具有以下特点：
大：一个表可以有上亿行
面向列：面向列族的存储和权限控制，列族独立检索。
稀疏：对于空的列，并不占用空间，因此表可以设计的非常稀疏。
-
逻辑视图 :HBase以表的形式存储数据，表由行和列组成，列划分为若干个列族row family,如下表所示。
| Row Key | Column-family1 | Column-family2 | |
| Column1 | Column1 | Column1 | Column2 |
| Key1 | t2:abc t1:bcd | t1:354 | |
| Key2 | t3:efy t1:uio | t2:tyi t1:456 | |
Row Key：检索数据的主键，访问HBase中的行，可以通过单个row key（字典序，数值型数据需要补0）访问；通过row key的range的访问；全表扫描。
列族： 表中的每一列，都归属于列族，列族是表schema的一部分，必须在使用前定义，而列不是，关键理解 。列名都以列族作为前缀，例如courses:history和courses:math都数据courses列族。
时间戳：通过row和column确定一个存储单元cell，每个cell保存同一份数据的多个版本，通过时间戳来索引。时间戳为64位证书，精确到毫秒，按时间倒序排列。为了避免版本过多，一般通过个数或时间来回收。
Cell:由{row key, column(=<family>+<label>),version}唯一确定的单元，cell中数据没有类型，以字节码存储。
-
物理存储 ：指如何将大表分布的存储在多台服务器。
特点：Table上所有行使用row key排列;Table在行方向上分割为多个HRegion;HRegion按大小分割，每个表已开始只有一个region，随着数据不断插入，region增大，当超过阈值是，会分裂成连个新的HRegion；HRegion是HBase中分布式存储和负载均衡最小单元，表示不同Region可以分布在不同RegionServer上；HRegion是分布式存储的最小单元，但不是最小存储单元，实际上， 一个Region由多个Store组成，一个Store保存一个columns family， 一个Store又由一个memStore和0-多个StoreFile（ 重点是StoreFile就是一个Hdfs中文件，通过压缩存储减少通信消耗，这儿就找到了对应关系 ，还可以细分，就不介绍了）组成。（脑海里有了大体的印象）
-
系统架构
Client：包含访问HBase接口，client维护一些cahce来加快访问，比如region未知信息。
ZooKeeper:保证任何时候集群只有一个master；存储所有region寻址接口；实施监控Region Server状态，将其上下线消息实时通知给master；存储Hbase的schema,包含哪些table,每个table的column family；为region server分配region；负责Region server的负载均衡；发现失效的Region Server并重新分配其上Region，GFS上的垃圾文件回收；处理schema更新请求。
Region Server：维护Master分配给它的Region，处理这些Region的IO请求；切分在运行中变得过大的Region。
Tip:可以看到client访问HBase数据的过程并不需要master参与，寻址访问zookeeper和Region Server，数据读写访问Region Server,master只维护table和Region的元数据，负载低。
-
关键算法和流程
Region定位：大表使用三层类似B+树的结构来存储Region位置，第一次保存zookeeper中数据，持有RootRegion位置；第二层RootRegion是.META表的第一个Region，其中保存了其他Region的位置；第三层是个特殊的表，存储HBase中所有数据表的Region位置信息。
读写过程：HBase使用MemStore和StoreFile存储对表的更新。数据在更新时首先写入Log和MemStore，MemStore中的数据是 排序 的，当MemStore累计到一定阈值，会创建新MemStore，并将老MemStore添加到Flush队列，有单独线程写到磁盘，称为一个StoreFile，同时系统会在zookeeper记录一个Redo point，表示更新已经持久化。系统出现问题是，可以使用log来恢复check point之后的数据。（思路和传统数据库一致）
Region分配：任何时刻，一个region只能分配给一个server，master记录了当前可用的Server以及当前region的分配情况，当存在未分配region且有server有可用空间时，master就给这个server发送一个装载请求，分配该region。
Region Server的上下线：master通过zookeeper来跟踪region server状态，当某个server启动时，会在zookeeper的server目录建立代表自己的文件，并获得该文件独占锁，由于master订阅了该目录的变更小心，因此当文件出现增删时，可以接到通知。下线时，断开与zookeeper会话，释放独占锁，这时master会发现并删除对应目录文件，并将原有region分配给其他server。
master的上下线：从zookeeper获取唯一master锁，阻止其他人称为master；扫描zookeeper上server目录，获得region server列表；与每个server通信，获得Region分配的情况；扫描META.region集合，计算得到当前未分配的region,放入待分配列表。
-
安装与配置
1 下载文件wget xxxx/hbase.tar.gz, tar zxvf habse.xxx 2 修改配置文件hbase-env.sh 3 #export JAVA_HOME=user/local/java 4 #export HBASE_CLASSPATH=/home/Hadoop/Hadoop.xx/conf 5 #export HBASE_MANAGES_ZK=false 6 修改hbase-site.xml 7 <configuration> 8 <property> 9 <name>hbase.rootdir</name> 10 <value>hdfs://node0:49000/hbase</value> 11 </property> 12 <property> 13 <name>hbase.cluster.distributed</name> 14 <value>true</value> 15 </property> 16 <property> 17 <name>hbase.tmp.dir</name> 18 <value>/home/hadoop/hbase</value> 19 </property> 20 </configuration> 21 指定Hbase的regionServers 22 最后在系统上设置最大文件数限制和进程数限制/etc/security/limits/conf 23 #hadoop-nofile 3268 24 #hadoop soft/hard nproc 32000 View Code
-
常见操作
比如创建一个如下表格
| #name | #grad | #course:math | #course:art |
| Xionger | 1 | 62 | 60 |
| xiongda | 2 | 100 | 98 |
1 create'scores', 'grade', 'course' #创建scores表，列族为grade,course
2 list #查看有哪些表
3 describe 'scores' #查看表构造
4 put 'scores', 'xionger','course:math;, '62' #插入一条数据
5 get 'score' , 'xionger' #获得熊二成绩
6 scan 'scores'#扫描表中所有数据
7 scan 'scores', {columns=>['course:']} #获得courses列族数据
View Code
Tip:
终于完成了，帅，这部分内容之后重点在于既有的集成解决方案，包括docker上的部署等。
此外，有空考虑区块链方面的学习，同时把数据结构好好再学习下，感觉还是不太OK。，比如B+树。
以上所述就是小编给大家介绍的《Hadoop快速入门》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
猜你喜欢:
- TiDB入门（四）：从入门到“跑路”
- MyBatis从入门到精通(一)：MyBatis入门
- MyBatis从入门到精通(一)：MyBatis入门
- Docker入门（一）用hello world入门docker
- 赵童鞋带你入门PHP（六） ThinkPHP框架入门
- 初学者入门 Golang 的学习型项目，go入门项目
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Head First Design Patterns
Elisabeth Freeman、Eric Freeman、Bert Bates、Kathy Sierra、Elisabeth Robson / O'Reilly Media / 2004-11-1 / USD 49.99
You're not alone. At any given moment, somewhere in the world someone struggles with the same software design problems you have. You know you don't want to reinvent the wheel (or worse, a flat tire),......一起来看看 《Head First Design Patterns》 这本书的介绍吧!
