Sağ üst tarafa tıklayın, açık kaynak Çin OSC başlık numarasını takip edin, en son teknik bilgileri alın

Önceki makalede, Ignite ve Spark adlı iki teknolojiyi tanıttık ve iki teknolojiyi kapsamlı ve derinlemesine bir şekilde karşılaştırdık. Analizden sonra bir sonuç çıkarabiliriz: her ikisi de çok güçlü, ancak çok farklılar ve farklı konumlandırmalara sahipler, dolayısıyla farklı uygulama alanları olacak.

Bununla birlikte, bu iki teknoloji tamamlayıcı da olabilir, öyleyse tamamlayıcı uygulanabilir senaryoları nelerdir? Esas olarak şu yönlerden: Spark'ta SQL'in daha yavaş olduğunu düşünüyorsanız, Ignite, Spark uygulamalarını kendi yolunda daha da hızlandırmak için çözümler sunar.Bu konuda çok fazla çözüm yoktur ve geliştirilmesi tavsiye edilir. Yazar, diğerinin veri ve durum paylaşımı olduğunu düşünmektedir, tabi ki bu alanda pek çok çözüm vardır ve Ignite kullanmak gerekli değildir.

Ignite, doğal olarak Spark için destek sağlar, bu makale esas olarak Neden karşı o nasıl Ignite ve Spark'ı entegre edin.

1. Ignite'ı Spark ile entegre edin

Bu iki teknolojiyi entegre etmek, Spark uygulamalarına birkaç bariz fayda sağlayacaktır:

• Büyük miktarda veri hareketinden kaçınarak gerçek anlamda ölçeklenebilir bellek seviyesi performansı elde edin;
• RDD, DataFrame ve SQL'in performansını iyileştirin;
• Durum ve verileri Spark işleri arasında daha kolay paylaşın.

Aşağıdaki şekil, bu iki teknolojinin nasıl entegre edileceğini gösterir ve önemli avantajları vurgular:

Bu figür sayesinde, Ignite'ın tüm Spark uygulamasındaki konumunu ve rolünü genel mimari perspektifinden görebilirsiniz.

Ignite'ın Spark için desteği esas olarak iki yönden yansıtılır, biri Ignite RDD ve diğeri Ignite DataFrame'dir. Bu makale önce Ignite RDD'ye, ardından Ignite DataFrame'e odaklanacaktır.

2. Ignite RDD

Ignite, IgniteRDD adlı bir SparkRDD uygulaması sağlar. Bu uygulama, bellekteki Spark işleri genelinde herhangi bir veriyi ve durumu paylaşabilir. IgniteRDD, Ignite'ta aynı bellek verilerinin paylaşılan ve değişken bir görünümünü sağlar; Farklı Spark işleri, çalışan düğümleri veya uygulamaları, aksine, yerel SparkRDD, Spark işleri veya uygulamaları arasında paylaşılamaz.

Ignite dağıtılmış önbelleğin bir görünümü olarak, IgniteRDD, Spark işi yürütme sürecinde, Spark çalışan düğümünde veya kendi kümesinde konuşlandırılabilir. Bu nedenle, önceden yapılandırılmış dağıtım modeline göre, durum paylaşımı yalnızca bir Spark uygulamasının yaşam döngüsü içinde (yerleşik mod) veya Spark uygulamasının dışında (bağımsız mod) olabilir.

Ignite, Spark uygulamalarının SQL performansını artırmasına da yardımcı olabilir. SparkSQL zengin SQL sözdizimini desteklese de, dizinleri uygulamaz. Sonuçlar açısından, genellikle küçük bir veri kümesinde bile, Spark sorguları birkaç dakika sürebilir çünkü tam bir tablo taraması gereklidir. Ignite kullanılıyorsa, Spark kullanıcıları, binlerce kez performans iyileştirmesi sağlayabilen birincil ve ikincil dizinleri yapılandırabilir.

2.1. IgniteRDD örneği

Aşağıda, bazı kodlar aracılığıyla IgniteRDD'nin faydaları ve birkaç uygulama oluşturma yöntemi gösterilmektedir.

Ignite RDD'ye, diller arası gereksinimleri olan ekipler için uygun olan birden çok dilde erişilebilir.Aşağıdaki kod, iki basit Scala uygulamasını ve iki Java uygulamasını içerir. Ek olarak, uygulamalar iki farklı ortamdan çalıştırılacaktır: Terminalden Scala uygulamaları ve IDE aracılığıyla Java uygulamaları. Ek olarak, bazı SQL sorguları Java uygulamasında çalıştırılacaktır.

Scala uygulamaları için, verileri IgniteRDD'ye yazmak için bir uygulama kullanılırken, başka bir uygulama kısmi filtreleme gerçekleştirecek ve sonuç kümesini döndürecektir. Kodu bir jar dosyasına oluşturmak ve programı terminal penceresinde çalıştırmak için Maven'i kullanın. Ayrıntılı kod aşağıda verilmiştir:

RDDWriter nesnesi Uygulamayı genişletir { val conf = new SparkConf (). setAppName ("RDDWriter") val sc = new SparkContext (conf) val ic = new IgniteContext (sc, "/path_to_ignite_home/examples/config/spark/example-shared-rdd.xml") val sharedRDD: IgniteRDD = ic.fromCache ("sharedRDD") sharedRDD.savePairs (sc.parallelize (1 ila 1000, 10) .map (i = > (i, i))) ic.close (doğru) sc.stop () } RDDReader nesnesi Uygulamayı genişletir { val conf = new SparkConf (). setAppName ("RDDReader") val sc = new SparkContext (conf) val ic = new IgniteContext (sc, "/path_to_ignite_home/examples/config/spark/example-shared-rdd.xml") val sharedRDD: IgniteRDD = ic.fromCache ("sharedRDD") val greatThanFiveHundred = paylaşılanRDD.filter (_._ 2 > 500) println ("Sayı" + daha büyükThanFiveHundred.count ()) ic.close (doğru) sc.stop () }

Bu Scala RDDWriter'da önce uygulama adını içeren SparkConf oluşturulur, ardından bu konfigürasyona göre SparkContext oluşturulur ve son olarak bu SparkContext'e göre bir IgniteContext oluşturulur. IgniteContext'i oluşturmanın birçok yolu vardır. Bu örnekte, example-shared-rdd.xml adlı bir XML dosyası kullanılmaktadır. Bu dosya Ignite dağıtımıyla birleştirilecek ve ardından gereksinimlere göre önceden yapılandırılacaktır. Açıkçası, yolu (Ignite ana dizini) kendi ortamınıza göre değiştirmeniz, ardından IgniteRDD tarafından tutulan tamsayı değeri demetini belirtmeniz ve son olarak, 1'den 1000'e kadar tamsayı değerini IgniteRDD'ye depolamanız ve değer depolaması 10 paralel işlem kullanır.

Bu Scala RDDReader'da, başlatma ve yapılandırma Scala RDDWriter ile aynıdır.Aynı XML yapılandırma dosyası kullanılacak. Uygulama kısmi filtreleme gerçekleştirecek ve ardından 500'den büyük kaç değerin saklandığına odaklanacak ve sonunda yanıt çıktı olarak alınacaktır.

IgniteContext ve IgniteRDD hakkında daha fazla bilgi için Ignite belgelerine bakın.

Jar dosyasını oluşturmak için aşağıdaki maven komutunu kullanabilirsiniz:

mvn temiz yükleme

Ardından, Java koduna bir göz atın. Önce IgniteRDD'ye birden çok kayıt yazmak için bir Java uygulaması yazın, ardından başka bir uygulama kısmi filtreleme gerçekleştirecek ve sonuç kümesini döndürecektir. RDDWriter'ın kod ayrıntıları aşağıdadır:

genel sınıf RDDWriter { public static void main (String args) { SparkConf sparkConf = new SparkConf (). SetAppName ("RDDWriter"). SetMaster ("yerel"). Set ("spark.executor.instances", "2"); JavaSparkContext sparkContext = new JavaSparkContext (sparkConf); Logger.getRootLogger (). SetLevel (Level.OFF); Logger.getLogger ("org.apache.ignite"). SetLevel (Level.OFF); JavaIgniteContext < Tamsayı, Tamsayı > igniteContext = yeni JavaIgniteContext < Tamsayı, Tamsayı > ( sparkContext, "/path_to_ignite_home/examples/config/spark/example-shared-rdd.xml", true); JavaIgniteRDD < Tamsayı, Tamsayı > sharedRDD = igniteContext. < Tamsayı, Tamsayı > fromCache ("sharedRDD"); Liste < Tamsayı > data = new ArrayList < > (20); for (int i = 1001; i < = 1020; i ++) { data.add (i); } JavaRDD < Tamsayı > javaRDD = sparkContext. < Tamsayı > paralelleştirme (veri); sharedRDD.savePairs (javaRDD. < Tamsayı, Tamsayı > mapToPair (yeni PairFunction < Tamsayı, Tamsayı, Tamsayı > () { genel Tuple2 < Tamsayı, Tamsayı > call (Tamsayı değeri) İstisna {atar yeni Tuple2'yi iade et < Tamsayı, Tamsayı > (değer, değer); } })); igniteContext.close (true); sparkContext.close (); } }

Bu Java RDDWriter'da, ilk olarak uygulama adını ve yürütücü sayısını içeren bir SparkConf oluşturulur, ardından bu yapılandırmaya göre bir SparkContext oluşturulur ve son olarak, bu SparkContext'e dayalı olarak bir IgniteContext oluşturulur. Son olarak, IgniteRDD'ye 20 değer daha eklendi.

Bu Java RDDReader'da, başlatma ve yapılandırma Java RDDWriter ile aynıdır ve aynı XML yapılandırma dosyası kullanılacaktır. Uygulama kısmi filtreleme gerçekleştirecek ve ardından 500'den büyük kaç değerin depolandığına odaklanacaktır. Yanıt, sonunda verilecektir. Aşağıdaki Java RDDReader'dır. Kod:

genel sınıf RDDReader { public static void main (String args) { SparkConf sparkConf = new SparkConf (). SetAppName ("RDDReader"). SetMaster ("yerel"). Set ("spark.executor.instances", "2"); JavaSparkContext sparkContext = new JavaSparkContext (sparkConf); Logger.getRootLogger (). SetLevel (Level.OFF); Logger.getLogger ("org.apache.ignite"). SetLevel (Level.OFF); JavaIgniteContext < Tamsayı, Tamsayı > igniteContext = yeni JavaIgniteContext < Tamsayı, Tamsayı > ( sparkContext, "/path_to_ignite_home/examples/config/spark/example-shared-rdd.xml", true); JavaIgniteRDD < Tamsayı, Tamsayı > sharedRDD = igniteContext. < Tamsayı, Tamsayı > fromCache ("sharedRDD"); JavaPairRDD < Tamsayı, Tamsayı > greatThanFiveHundred = sharedRDD.filter (yeni İşlev < Tuple2 < Tamsayı, Tamsayı > , Boole > () { genel Boole çağrısı (Tuple2 < Tamsayı, Tamsayı > tuple) Exception { dönüş tuple._2 () > 500; } }); System.out.println ("Sayı" + daha büyükThanFiveHundred.count ()); System.out.println (" > > > Ignite Shared RDD üzerinden SQL sorgusu yürütülüyor ... "); Veri kümesi df = sharedRDD.sql ("Tamsayı'dan _val'i seçin, burada _val > 10 ve _val < 100 sınır 10 "); df.show (); igniteContext.close (true); sparkContext.close (); } }

Şimdi kodu test edebilirsiniz.

2.2. Uygulamayı çalıştırın

İlk terminal penceresinde, Spark'ın ana düğümünü aşağıdaki gibi başlatın:

$ SPARK_HOME / sbin / start-master.sh

İkinci terminal penceresinde, Spark işçi düğümünü aşağıdaki gibi başlatın:

$ SPARK_HOME / bin / spark-class org.apache.spark.deploy.worker.Worker spark: // ip: port

IP adresini ve bağlantı noktası numarasını (ip: bağlantı noktası) ortamınıza göre değiştirin.

Üçüncü terminal penceresinde, aşağıdaki gibi bir Ignite düğümü başlatın:

$ IGNITE_HOME / bin / ignite.sh örnekleri / config / spark / example-shared-rdd.xml

Daha önce tartışılan örnek paylaşılan rdd.xml dosyası burada kullanılır.

Dördüncü terminal penceresinde, RDDWriter uygulamasının Scala sürümünü aşağıdaki gibi çalıştırabilirsiniz:

$ SPARK_HOME / bin / spark-submit --class "com.gridgain.RDDWriter" --master spark: // ip: port "/path_to_jar_file/ignite-spark-scala-1.0.jar"

IP adresini ve bağlantı noktasını (ip: bağlantı noktası) ve jar dosyasının yolunu (/ path_to_jar_file) kendi ortamınıza göre değiştirin.

Aşağıdaki çıktıyı üretecek:

Sayım 500

Bu, istenen çıktıdır.

Daha sonra, Ignite düğümü çalışırken ve IgniteRDD diğer uygulamalar için kullanılabilir durumdayken, Spark'ın ana düğümünü ve çalışan düğümlerini öldürün.Ardından, Java uygulaması aracılığıyla IgniteRDD'ye erişmek için IDE'yi kullanacağım.

RDDWriter'ın Java sürümünü çalıştırmak, IgniteRDD'de önceden depolanan kayıtların listesini genişletir. RDDReader'ın Java sürümünü çalıştırarak bunu test edebilirsiniz. Aşağıdaki çıktıyı üretir:

Sayı 520

Bu aynı zamanda istenen çıktıdır.

Son olarak, SQL sorgusu IgniteRDD'de bir SELECT ifadesini çalıştıracak ve 10 ile 100 arasında değişen ilk 10 değeri döndürecektir. Çıktı aşağıdaki gibidir:

Sonuç doğrudur.

3. IgniteDataframes

Spark'ın DataFrame API'si, verileri açıklamak için desen kavramını sunar Spark, desenleri yönetir ve verileri tablolar biçiminde düzenler.

DataFrame, adlandırılmış sütunlarda düzenlenen dağıtılmış bir veri kümesidir. Kavramsal olarak DataFrame, ilişkisel bir veritabanındaki bir tabloya eşdeğerdir ve Spark'ın verimli sorgu yürütme planları oluşturmak için Catalyst sorgu iyileştiricisini kullanmasına izin verir. RDD, küme düğümleri arasında bölümlenmiş öğelerden oluşan bir koleksiyondur.

Ignite, Spark'ın bellek deposu olarak Ignite kullanıldığında DataFrame'leri genişletir, geliştirmeyi basitleştirir ve veri erişim süresini iyileştirir. Avantajları şunları içerir:

• Ignite aracılığıyla DataFrame'leri okurken ve yazarken, Spark işleri arasında verileri ve durumu paylaşabilirsiniz;
• Spark'ın sorgu yürütme planını optimize ederek SparkSQL sorgularını hızlandırın.Bunlar esas olarak IgniteSQL motorunun gelişmiş dizini aracılığıyla ve Ignite ile Spark arasındaki ağ veri hareketini önleyerek gerçekleştirilir.

3.1. IgniteDataframes örneği

Ignite ve Spark'ı bazı kodlar aracılığıyla Ignite DataFrames aracılığıyla entegre etmeyi ve birkaç küçük program oluşturmayı öğrenelim.

Toplam iki küçük Java uygulaması yazılacak ve daha sonra IDE'de çalıştırılacak ve bu Java uygulamalarında bazı SQL sorguları yürütülecektir.

Bir Java uygulaması, JSON dosyasından bazı verileri okuyacak ve ardından Ignite'ta depolanan bir DataFrame oluşturacaktır. Bu JSON dosyası Ignite sürümünde sağlanmıştır. Başka bir Java uygulaması, Ignite DataFrame'deki verileri okuyacak ve ardından gerçekleştirmek için SQL'i kullanacaktır. Sormak.

İşte uygulamayı yazmak için gereken kod:

public class DFWriter { private static final String CONFIG = "config / example-ignite.xml"; public static void main (String args) { Ignite ignite = Ignition.start (CONFIG); SparkSession spark = SparkSession.builder (). AppName ("DFWriter"). Master ("yerel"). Config ("spark.executor.instances", "2"). GetOrCreate (); Logger.getRootLogger (). SetLevel (Level.OFF); Logger.getLogger ("org.apache.ignite"). SetLevel (Level.OFF); Veri kümesi < Kürek çekmek > peopleDF = spark.read (). json ( solutionIgnitePath ("kaynaklar / insanlar.json"). getAbsolutePath ()); System.out.println ("JSON dosyası içeriği:"); peopleDF.show (); System.out.println ("Tutuşturmak için DataFrame Yazılıyor."); peopleDF.write (). format (IgniteDataFrameSettings.FORMAT_IGNITE ()). seçenek (IgniteDataFrameSettings.OPTION_CONFIG_FILE (), CONFIG) .option (IgniteDataFrameSettings.OPTION_TABLE (), "ARIYABİLİR_KURUMU). seçenek (IgniteYFrameSettings.OPTION_CREATE) ) .option (IgniteDataFrameSettings.OPTION_CREATE_TABLE_PARAMETERS (), "şablon = çoğaltılmış"). save (); System.out.println ("Bitti!"); Ateşleme. Dur (yanlış); } }

DFWriter'da, önce uygulama adını içeren SparkSession oluşturulur ve ardından JSON dosyasını okumak ve dosya içeriğini çıkarmak için spark.read (). Json () kullanılır.Bir sonraki adım, verileri Ignite deposuna yazmaktır. İşte DFReader'ın kodu:

public class DFReader { private static final String CONFIG = "config / example-ignite.xml"; public static void main (String args) { Ignite ignite = Ignition.start (CONFIG); SparkSession spark = SparkSession.builder (). AppName ("DFReader"). Master ("yerel"). Config ("spark.executor.instances", "2"). GetOrCreate (); Logger.getRootLogger (). SetLevel (Level.OFF); Logger.getLogger ("org.apache.ignite"). SetLevel (Level.OFF); System.out.println ("Ignite tablosundan veri okunuyor."); Veri kümesi < Kürek çekmek > peopleDF = spark.read (). format (IgniteDataFrameSettings.FORMAT_IGNITE ()). seçenek (IgniteDataFrameSettings.OPTION_CONFIG_FILE (), CONFIG) .option (IgniteDataFrameSettings.OPTION_TABLE (), "insanlar"). load (); peopleDF.createOrReplaceTempView ("insanlar"); Veri kümesi < Kürek çekmek > sqlDF = spark.sql ("SEÇİN * KİMLİĞİ NEREDEN > 0 AND id < 6 "); sqlDF.show (); System.out.println ("Bitti!"); Ateşleme. Dur (yanlış); } }

DFReader'da, başlatma ve yapılandırma DFWriter ile aynıdır. Bu uygulama bazı filtreleme yapacaktır. Gerekli olan tüm kimlikleri bulmaktır > 0 ve < 6 kişi, ardından sonucu çıktı.

IDE'de, bir Ignite düğümü aşağıdaki kodla başlatılabilir:

public class ExampleNodeStartup { public static void main (String argümanları) IgniteException {atar Ignition.start ("config / örnek-ignite.xml"); } }

Bu noktada kodu test edebilirsiniz.

3.2. Uygulamayı çalıştırın

Önce IDE'de bir Ignite düğümü başlatın, ardından DFWriter uygulamasını çalıştırın, çıktı aşağıdaki gibidir:

Yukarıdaki sonucu JSON dosyasının içeriğiyle karşılaştırırsanız, ikisinin tutarlı olduğunu gösterecektir ve bu da beklenen sonuçtur.

Daha sonra DFReader'ı çalıştırın, çıktı aşağıdaki gibidir:

Bu aynı zamanda istenen çıktıdır.

4. Özet

Bu makale sayesinde, Ignite ve Spark'ın entegrasyonunun çok basit olduğunu göreceksiniz ve IgniteRDD'ye birden çok programlama dili kullanarak birden çok ortamdan nasıl kolayca erişebileceğinizi de görebilirsiniz. Veriler IgniteRDD'ye okunabilir ve yazılabilir ve Spark kapatılsa bile, Ignite aracılığıyla korunabilir ve ayrıca Ignite aracılığıyla DataFrame'i okurken ve yazarken de gördüm. Okuyucular bunu kolayca deneyebilir.

Bu örneklerin kaynak kodunu istiyorsanız buradan indirebilirsiniz.

Yazar

Mimar Li Yujue, mimari tasarım ve teknoloji Ar-Ge ekibi yönetimi, topluluk teknolojisi çevirmeni ve yazarı ve açık kaynak teknolojisi katılımcısı konusunda kapsamlı deneyime sahiptir. Apache Ignite teknik Çince belge tercümesinin yazarı, Ignite teknolojisinin Çin'de tanıtım / teknik destek / danışmanlık çalışmalarıyla uzun süredir uğraşmaktadır.

Bu makale, yazarın katkıda bulunduğu bir makaledir. Katkılara açığız.

Katkı içeriği gereksinimleri

• İnternet teknolojisi ile ilgili , Geliştirme dili, ağ, veritabanı, mimari, işletim ve bakım, ön uç, DevOps (DevXXX), AI, blok zinciri, depolama, mobil, güvenlik, teknik ekip yönetimi vb. Dahil ancak bunlarla sınırlı olmamak üzere
• Makalenin önce yayınlanması gerekmez, açık kaynak Çince blog veya diğer çevrimiçi platformlarda yayınlanabilir. fakat Başlamayı teşvik edin İlk içeriğin dahil edilmesi daha olasıdır.
• Belirli bir zamanda çözülen belirli bir sorunu kaydediyorsanız (bu, blogun büyük bir bölümünü oluşturur), o zaman yapmanız gerekir Sebep ve sonuç Açıklama açıktır ve en doğrudan yol, problemi resimler ve metinlerle birlikte yeniden üretmek ve aynı zamanda çözüm fikirlerini ve nihai başarı planını tam olarak açıklamaktır.
• Belirli bir teknik teorik bilgiyi analiz ediyorsanız, lütfen bunu tanım, uygulama senaryoları, gerçek durumlar, temel teknik detaylar, bakış açıları vb. Açısından karşılaştırın. kapsamlı Tanıtmak.
• Gerçek vakalara dayalı belirli bir mimari model, genel teknoloji, programlama dili, işletim ve bakım aracı gibi kendinizin veya şirketinizin uygulamalarını paylaşıyorsanız, lütfen ilgili arka plan, belirli teknik ayrıntılar, gelişim süreci, düşünme, uygulama efektleri vb. Sağlayın. açıkça tarif et .
• Diğer tamamlanmamış vakalar ayrıntılı olarak analiz edilir, bu yanlış değildir.Önce makale gönderilir ve denenir.Örneğin, sıcak bir olayı rapor etmeyi veya analiz etmeyi reddetmiyoruz.

Gönderme yöntemi

• Yazıyı Word veya Markdown belgesi biçiminde oscbianji@oschina.cn adresine gönderin.

önemli

• Yazarın gönderilen makalelerin sahipliğine sahip olması gerekir ve başkalarının makalelerini teslim için teslim alamaz.
• Gönderilen makalelerin gözden geçirilmesi gerekiyor Açık kaynak Çince editör gerekli olduğunu düşünürse, makaleyi daha iyi hale getirmek ve daha geniş bir alana yaymak için yazarı daha da geliştirmek için yazarla birlikte çalışacaktır.
• Makalenin telif hakkı yazara aittir.Açık Kaynak Çin, makaleyi yayma hakkını elde eder.Makale, Açık Kaynak Çin'in çeşitli platformlarında dağıtılabilir.Aynı zamanda, makalenin orijinal kaynak ve yazar bilgileri korunur ve orijinal etiket resmi blogda işaretlenebilir.

Tıklayın " daha fazlasını anla "Orijinal makaleyi okuyun.

Baojun'un bağımsız hırsı, bağımsız markalarla bir "silahlanma yarışı"

Yazılım GüncellemesiKooteam 0.1.1 Yayınlandı, Optimize Edilmiş Bilgi Tabanı Deneyimi

Son zamanlarda çok ateşli olan bir ünlü, doğrudan CCTV tarafından açığa çıktı!

Che Yun Morning Post | Uber 2018'de 1,8 milyar ABD doları kaybetti, Samsung Tianjin pil üretim hattında para peşinde, Didi Güney Amerika'ya girebilir

Yatırım İstatistikleri | İlk çeyrekte sabit gelir piyasası daha rasyonel hale geldi ve yeni düzenlemelerin uygulanması dikkat çekici bir hale geldi

Tesla'nın açık kaynak patenti, Musk'ın bencilliği ve hırsı

Kadın, aile içi şiddete maruz kaldıktan sonra medyadan yardım istedi ve 4 gün sonra kocası tarafından kafatası kırığı nedeniyle dövüldü.

10 milyar yıllık gelir ve başka bir 100 milyar tıbbi "tek boynuzlu at" A hissesine çarptı ve Shenzhen Venture Capital gibi kurumlar pusuda bekliyor

Tam ekran kraldır! Bunları, bu yılın ilk yarısında makineyi değiştirdiğimde aldım

Han Han öfkeyle "Mobike'nin kurucusu 1.5 milyar nakit para ödedi": panik yaratıyordu! Hu Weiwei böyle yanıt verdi

Che Yun Morning News | Volkswagen, sürücüsüz otomobil şirketi ARGO AI'ya yatırım yapabilir, Renault, Ghosnun emeklilik tazminatını ödemeyecek

Apple yine bir "patent holiganı" tarafından dava edildi ve Cook'un "yanlısı oğlu" dünya çapında yasaklanabilir!