企业官网建设流程全解析

简介：本资源是一份面向高校计算机专业学生与大数据初学者的Hadoop实践教学文档，聚焦教育数据场景下的分布式成绩分析系统设计与实现。文档完整覆盖项目背景、需求分析、CentOS 6.8+VMware环境搭建、Hadoop完全分布式集群配置（含HDFS与MapReduce核心组件）、基于MapReduce的成绩统计编码实现（含各科平均/最高/最低分、课程均分排序、相同分数频次与人数统计）及调试测试全过程，具备清晰的工程逻辑与可复现性。资源为单文件docx格式，共1个文件，大小1.46MB，内容结构规范，含摘要、目录、7大章节与参考文献，适合作为课程设计报告范本或Hadoop入门实战参考。目前已有1502人学习下载，涵盖从集群部署到业务算法落地的完整链路，特别适合理解Hadoop高可靠性、高容错性在真实教育管理场景中的技术价值。

1. 为什么用 Hadoop 做成绩分析？不是因为“大数据”三个字好听，而是传统单机处理真会翻车

某高校信息工程学院课程设计组曾用 Excel + Python pandas 处理一届 3200 名学生的期末成绩（含 12 门课、平时+期中+期末+实验共 4 类分项），结果：

• 导入耗时 8 分 23 秒，内存峰值突破 4.7GB；
• 计算“每门课各分数段人数分布”时，pandas.value_counts(bins=...)直接 OOM；
• 更致命的是——当需要同时跑“课程平均分排序”“同分频次统计”“异常低分预警”三个任务时，CPU 占用率持续 98% 超过 15 分钟，期间系统假死，无法响应 SSH 连接。

这不是性能瓶颈，是架构错配。成绩数据天然具备高吞吐、可分片、弱实时性特征：学生 ID 和课程名构成天然分区键，各科成绩互不依赖，且分析结果用于教学复盘而非秒级决策。Hadoop 的价值不在“大”，而在把“一次写入、多次分析”的静态学情数据，变成可水平扩展、故障自愈、运维透明的批处理流水线。本方案聚焦真实课设场景：CentOS 6.8 + Hadoop 2.6.4 完全分布式集群（1 master + 3 slave），用原生 MapReduce 实现三项硬需求——课程极值/均值统计、均分降序排名、同分频次挖掘。所有配置、代码、验证步骤均经 VMware 虚拟环境实测，拒绝“理论上可行”。

2. 总体架构设计：三层物理结构与四个核心模块的职责边界

本系统采用经典的 Hadoop 完全分布式部署模型，但针对课设环境做了关键裁剪：放弃 YARN 资源调度层的复杂配置，直接使用 MapReduce v1 的 JobTracker/TaskTracker 模型（Hadoop 2.6.4 兼容模式）。原因很实际：课设集群规模小（≤4 节点），YARN 的 container 管理反而增加调试复杂度，而 MapReduce v1 的日志路径、端口、进程名全部固化，出问题时jps一眼定位。

2.1 物理层：VMware 虚拟机网络拓扑与资源分配

提示：CentOS 6.8 minimal 版本必须关闭 SELinux（setenforce 0）和防火墙（service iptables stop && chkconfig iptables off），否则 HDFS 数据块传输会被拦截。这是课设中最常被忽略的底层拦路虎。

2.2 存储层：HDFS 的最小化配置策略

HDFS 不是“越大越好”，课设环境需主动约束冗余和块大小：

• 副本数设为 2（非默认 3）：hdfs-site.xml中<property><name>dfs.replication</name><value>2</value></property>。理由：3 节点集群若设副本=3，则任一节点宕机即触发全量复制，带宽吃紧；副本=2 时，单节点故障仍可读写，且节省 33% 存储。
• 块大小设为 64MB（非默认 128MB）：hdfs-site.xml中<property><name>dfs.blocksize</name><value>67108864</value></property>。理由：学生成绩文件普遍小于 10MB（如scoreinput.txt仅 2.3MB），过大的块导致单个文件仅占 1 块，无法发挥并行读取优势。

2.3 计算层：MapReduce v1 的轻量级作业流

本方案绕过 YARN，直接启用mapred-site.xml的经典配置：

<configuration> <property> <name>mapred.job.tracker</name> <value>master:9001</value> <!-- JobTracker 地址 --> </property> <property> <name>mapred.map.tasks</name> <value>4</value> <!-- 强制 Mapper 并行度为 4 --> </property> <property> <name>mapred.reduce.tasks</name> <value>3</value> <!-- 强制 Reducer 并行度为 3 --> </property> </configuration>

设计说明：mapred.map.tasks=4并非随意指定。经测试，scoreinput.txt（3200 行）在 64MB 块大小下被切分为 1 个 InputSplit，但通过FileInputFormat.setMaxInputSplitSize()可强制拆分。此处设为 4，确保 Mapper 任务均匀分配到 4 个节点（master 也参与计算），避免 slave 节点闲置。Reducer 设为 3 是因最终输出需按课程分组，3 个 reducer 正好对应 3 个常见课程（如数学、英语、编程），减少 shuffle 阶段网络传输。

2.4 应用层：四大分析模块的输入/输出契约

所有 MapReduce 作业遵循统一数据契约：

• 输入格式：纯文本，每行学生ID,课程名,分数，如S001,高等数学,87；
• 输出格式：课程名\t统计类型:值，如高等数学\tAVG:82.3；
• 模块划分：
  1. MaxMinAvgJob：计算单科最高/最低/平均分；
  2. CourseRankJob：按平均分降序排列课程；
  3. ScoreFreqJob：统计各科内相同分数的出现次数；
  4. AnomalyDetectJob（扩展模块）：标记低于均分 2 个标准差的学生。
     每个模块独立打包为 JAR，避免作业间 classpath 冲突——这是 Eclipse 插件开发时最易踩的坑。

3. 集群搭建实战：从 VMware 克隆到 SSH 免密登录的 7 个关键断点

课设集群搭建不是线性流程，而是由多个强依赖断点串联。以下步骤按实操中失败率最高的顺序排列，每步附验证命令和预期输出。

3.1 断点 1：VMware NAT 网络子网与虚拟机 IP 的严格对齐

现象：克隆 slave1 后ping master通，但ssh root@master提示Connection refused。
原因：VMware NAT 设置的子网 IP（如192.168.128.0）与虚拟机/etc/sysconfig/network-scripts/ifcfg-eth0中IPADDR（如192.168.128.131）不在同一网段，或GATEWAY指向错误。
解决：

1. VMware 菜单 → 编辑 → 虚拟网络编辑器 → 选 NAT 模式 → 子网 IP 设为192.168.128.0，子网掩码255.255.255.0；
2. 虚拟机内执行：

# 修改网卡配置 vi /etc/sysconfig/network-scripts/ifcfg-eth0 # 确保包含： IPADDR=192.168.128.131 NETMASK=255.255.255.0 GATEWAY=192.168.128.2 # 必须与 VMware NAT 设置的网关一致 # 重启网络 service network restart

验证：ping -c 3 192.168.128.2（网关）和ping -c 3 master均返回64 bytes from ...。

3.2 断点 2：/etc/hosts的双向解析必须完整

现象：ssh-copy-id slave1成功，但hadoop fs -ls /报错UnknownHostException: master。
原因：Hadoop 组件间通信依赖主机名解析，/etc/hosts仅配置192.168.128.130 master，未添加127.0.0.1 master，导致本地进程（如 NameNode）尝试连接localhost时失败。
解决：所有节点/etc/hosts必须包含：

127.0.0.1 localhost localhost.localdomain 192.168.128.130 master 192.168.128.131 slave1 192.168.128.132 slave2 192.168.128.133 slave3

验证：在 master 上执行hostname -i应输出192.168.128.130，且ping master、ping slave1均通。

3.3 断点 3：SSH 免密登录的私钥权限必须为 600

现象：ssh root@slave1仍提示输入密码，ssh-copy-id日志显示Warning: Permanently added 'slave1' (RSA) to the list of known hosts.但未报错。
原因：/root/.ssh/id_rsa权限过大（如 644），OpenSSH 出于安全强制拒绝使用。
解决：

# 在 master 执行 chmod 600 /root/.ssh/id_rsa chmod 644 /root/.ssh/id_rsa.pub # 重新分发公钥 ssh-copy-id -i /root/.ssh/id_rsa.pub slave1

验证：ssh root@slave1 date直接返回时间，无密码提示。

3.4 断点 4：JDK 环境变量在所有节点的$PATH末尾追加

现象：java -version正常，但hadoop version报错Error: JAVA_HOME is not set and could not be found.。
原因：Hadoop 启动脚本hadoop-env.sh中export JAVA_HOME指向/usr/java/jdk1.7.0_80，但该路径下bin/java实际为软链接，指向/etc/alternatives/java，而alternatives未在所有节点配置。
解决：统一使用 RPM 安装后的绝对路径：

# 在所有节点执行 rpm -ivh jdk-7u80-linux-x64.rpm # 编辑 hadoop-env.sh vi $HADOOP_HOME/conf/hadoop-env.sh # 修改为： export JAVA_HOME=/usr/java/jdk1.7.0_80 export PATH=$PATH:$JAVA_HOME/bin

验证：source $HADOOP_HOME/conf/hadoop-env.sh && echo $JAVA_HOME输出/usr/java/jdk1.7.0_80。

3.5 断点 5：NTP 时间同步必须主从分离且禁用 driftfile

现象：start-dfs.sh后jps显示 NameNode 进程，但 WebUIhttp://master:50070打不开，日志报org.apache.hadoop.hdfs.server.namenode.NameNode: RECEIVED SIGNAL 15。
原因：Hadoop 要求集群节点时间偏差 < 10s，CentOS 6.8 默认 NTP 服务未启用，各节点系统时间漂移超限。
解决：

• Master 节点：

  yum -y install ntp # 编辑 /etc/ntp.conf，注释所有 server 行，添加： restrict default kod nomodify notrap nopeer noquery restrict 192.168.128.0 mask 255.255.255.0 nomodify notrap server 127.127.1.0 fudge 127.127.1.0 stratum 10 # 删除 driftfile 行（课设环境无需长期校准） service ntpd start && chkconfig ntpd on

• Slave 节点：

  # /etc/ntp.conf 仅保留： server master iburst # 同步一次后启动 ntpdate master && service ntpd start && chkconfig ntpd on

验证：ntpq -p在 slave 上显示master状态为*（主同步源）。

3.6 断点 6：HDFS 格式化前必须清空 data 和 name 目录

现象：./hdfs namenode -format成功，但start-dfs.sh后jps无 DataNode，$HADOOP_HOME/logs/中hadoop-root-datanode-slave1.log报InconsistentFSStateException。
原因：克隆虚拟机时，slave 节点的$HADOOP_HOME/data目录残留了 master 的 clusterID，与新格式化的 NameNode clusterID 冲突。
解决：

# 在所有 slave 节点执行 rm -rf $HADOOP_HOME/data/* # 在 master 执行格式化 $HADOOP_HOME/bin/hdfs namenode -format

验证：cat $HADOOP_HOME/name/current/VERSION中clusterID在所有节点一致。

3.7 断点 7：Windows hosts 文件必须映射到 Hadoop WebUI 端口

现象：start-dfs.sh后jps显示 NameNode，但浏览器访问http://192.168.128.130:50070显示This site can’t be reached。
原因：Windows 主机未将master解析到虚拟机 IP，浏览器直连 IP 时，Hadoop WebUI 的重定向头（如Location: http://master:50070/dfshealth.html）导致跳转失败。
解决：编辑C:\Windows\System32\drivers\etc\hosts，添加：

192.168.128.130 master 192.168.128.131 slave1 192.168.128.132 slave2 192.168.128.133 slave3

验证：Windows 命令行ping master返回192.168.128.130，且浏览器访问http://master:50070正常显示 HDFS 状态页。

4. MapReduce 核心代码实现：三类成绩分析的算法落地与参数调优

本节代码均基于 Hadoop 2.6.4 API，规避了新版 Hadoop 的Configuration兼容性问题。所有 Mapper/Reducer 继承Mapper<LongWritable, Text, Text, Text>和Reducer<Text, Text, Text, Text>，确保 key/value 类型与 HDFS 文本输入严格匹配。

4.1 课程极值与均值统计：MaxMinAvgJob的三次聚合设计

业务逻辑：对每门课，需同时输出MAX:95、MIN:42、AVG:76.3。若用三个独立 Job，I/O 开销翻 3 倍。本方案在单个 Reducer 中完成三次聚合：

• Mapper 输出：<课程名, "RAW:"+分数>，如<"高等数学", "RAW:87">；
• Reducer 输入：<"高等数学", ["RAW:87","RAW:92","RAW:65"]>；
• Reducer 内部：遍历 values，用int max=0, min=100, sum=0, count=0累加，最后输出三行。

关键代码：

public static class AverageReducer extends Reducer<Text, Text, Text, Text> { @Override protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { int max = Integer.MIN_VALUE; int min = Integer.MAX_VALUE; long sum = 0; int count = 0; for (Text value : values) { String[] parts = value.toString().split(":"); if (parts.length == 2 && "RAW".equals(parts[0])) { int score = Integer.parseInt(parts[1]); max = Math.max(max, score); min = Math.min(min, score); sum += score; count++; } } // 输出三行：MAX/MIN/AVG context.write(key, new Text("MAX:" + max)); context.write(key, new Text("MIN:" + min)); context.write(key, new Text("AVG:" + String.format("%.1f", (double) sum / count))); } }

参数说明：String.format("%.1f", ...)确保平均分保留 1 位小数，符合教育统计惯例；Math.max/min初始值设为Integer.MIN_VALUE/MAX_VALUE，避免score=0时误判。

4.2 课程均分降序排名：CourseRankJob的二次排序技巧

业务逻辑：先按课程计算平均分，再按平均分从高到低排序。若先AVG再sort，需两个 Job。本方案用Composite Key实现一次 MapReduce：

• Mapper 输出：<AVG分数_课程名, 课程名>，如<"76.3_高等数学", "高等数学">；
• Partitioner：按AVG分数_前缀哈希，确保同分数课程进同一 Reducer；
• GroupingComparator：仅比较AVG分数_部分，使76.3_数学和76.3_英语归为一组；
• SortComparator：按AVG分数_降序排列（字符串比较需补零："076.3"）。

关键代码（SortComparator）：

public static class ScoreDescComparator extends WritableComparator { protected ScoreDescComparator() { super(Text.class, true); } @Override public int compare(WritableComparable a, WritableComparable b) { Text t1 = (Text) a; Text t2 = (Text) b; String s1 = t1.toString(); String s2 = t2.toString(); // 提取 AVG 分数部分（下划线前） double score1 = Double.parseDouble(s1.split("_")[0]); double score2 = Double.parseDouble(s2.split("_")[0]); return Double.compare(score2, score1); // 降序：score2 在前 } }

设计说明：Double.compare(score2, score1)实现降序，比字符串"76.3".compareTo("82.1")更可靠，避免76.3 > 82.1的字符串误判。

4.3 同分频次统计：ScoreFreqJob的嵌套 MapReduce 模式

业务逻辑：对每门课，统计85分出现3次、92分出现1次。难点在于：同一分数在不同课程中需独立计数（数学的 85 分 ≠ 英语的 85 分）。
解决方案：Mapper 输出<课程名_分数, "COUNT:1">，Reducer 对每个课程名_分数求和。例如：

• Mapper 输入：S001,高等数学,85→ 输出<"高等数学_85", "COUNT:1">；
• Reducer 输入：<"高等数学_85", ["COUNT:1","COUNT:1"]>→ 输出<"高等数学", "85:2">。

关键代码（Reducer）：

public static class FreqReducer extends Reducer<Text, Text, Text, Text> { @Override protected void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException { String[] parts = key.toString().split("_"); String course = parts[0]; String score = parts[1]; int count = 0; for (Text val : values) { count++; // 每个 "COUNT:1" 计 1 次 } context.write(new Text(course), new Text(score + ":" + count)); } }

避坑点：key.toString().split("_")前必须校验parts.length >= 2，否则ArrayIndexOutOfBoundsException。课设数据中若存在课程名含_（如C++_程序设计），需改用\u0001（ASCII 1）作分隔符：course + "\u0001" + score。

4.4 Eclipse Hadoop 插件配置：绕过ClassNotFoundException的 3 步法

现象：Eclipse 中运行 MapReduce 作业报java.lang.ClassNotFoundException: org.apache.hadoop.mapreduce.Job。
原因：Hadoop Eclipse 插件hadoop-eclipse-plugin-2.6.0.jar未正确加载，或 Hadoop 客户端库未关联。
解决：

1. 插件放置：将hadoop-eclipse-plugin-2.6.0.jar复制到eclipse/dropins/（非plugins/），重启 Eclipse；
2. Hadoop Location 配置：Window → Perspective → Open Perspective → Other → Map/Reduce → 右键 Map/Reduce Locations → New Hadoop Location → 填写：
   • Location name:Hadoop264
   • Map/Reduce Master:master:9001
   • DFS Master:master:9000
3. 项目 Build Path：右键项目 → Properties → Java Build Path → Libraries → Add External JARs → 添加$HADOOP_HOME/share/hadoop/common/*.jar和$HADOOP_HOME/share/hadoop/mapreduce/*.jar。
   验证：Project Explorer 中展开Hadoop264节点，应显示/user/root目录树。

5. 避坑指南：课设集群搭建与 MapReduce 开发的 5 个高频翻车点

这些是某高校连续三届学生在答辩前 48 小时集中爆发的问题，按紧急程度排序。

5.1 现象：start-dfs.sh后jps显示 NameNode，但hadoop fs -ls /报Connection refused

原因：NameNode 进程虽启动，但未成功绑定端口9000。根本原因是core-site.xml中fs.defaultFS配置为hdfs://master:9000，而master主机名未在/etc/hosts中解析（见 3.2 断点）。
解决：

• 执行netstat -tuln | grep 9000，确认端口监听；
• 若无输出，检查$HADOOP_HOME/logs/hadoop-root-namenode-master.log，搜索ERROR；
• 90% 情况是java.net.UnknownHostException: master，立即修复/etc/hosts。

5.2 现象：MapReduce 作业提交后卡在ACCEPTED状态，jps无 TaskTracker 进程

原因：TaskTracker 未启动，或启动后因内存不足被系统 kill。CentOS 6.8 默认vm.swappiness=60，频繁 swap 导致 TaskTracker 响应超时。
解决：

• 在所有 slave 节点执行：

  echo 10 > /proc/sys/vm/swappiness # 降低 swap 倾向 sysctl vm.swappiness=10 # 永久生效 # 重启 TaskTracker $HADOOP_HOME/sbin/hadoop-daemon.sh start tasktracker

• 验证：jps应显示TaskTracker，且tail -f $HADOOP_HOME/logs/hadoop-root-tasktracker-slave1.log无OutOfMemoryError。

5.3 现象：CourseRankJob输出结果乱序，如英语:82.1排在数学:76.3前，但82.1 < 76.3

原因：SortComparator 未生效，或job.setSortComparatorClass()未调用。课设中常忘记在main()方法中显式设置：

job.setSortComparatorClass(ScoreDescComparator.class); // 必须有！ job.setGroupingComparatorClass(CourseGroupingComparator.class);

解决：检查main()方法，确认setSortComparatorClass在job.waitForCompletion(true)之前调用；用hadoop jar xxx.jar demo.CourseRankJob /input /output命令行验证，排除 Eclipse 插件干扰。

5.4 现象：ScoreFreqJob输出中，同一课程的同分记录分散在多行，如数学 85:1、数学 85:1（应合并为85:2）

原因：Mapper 输出的 key 未包含课程名，如只输出<"85", "COUNT:1">，导致不同课程的 85 分被归到同一组。
解决：严格按课程名_分数构造 key：

// Mapper 中 String line = value.toString(); String[] fields = line.split(","); if (fields.length == 3) { String course = fields[1].trim(); String score = fields[2].trim(); context.write(new Text(course + "_" + score), new Text("COUNT:1")); }

验证：hadoop fs -cat /output/part-r-00000查看原始输出，确认 key 为数学_85格式。

5.5 现象：Windows 下 Xshell 连接 slave1 后，执行hadoop fs -put报Permission denied: user=root, access=WRITE, inode="/":hdfs:hdfs:drwxr-xr-x

原因：HDFS 根目录/所属用户为hdfs，而当前用户root无写权限。课设中常误以为root是万能用户。
解决：

• 方案一（推荐）：用hdfs用户操作

  sudo -u hdfs hadoop fs -mkdir -p /user/root sudo -u hdfs hadoop fs -chown root:root /user/root

• 方案二（临时）：修改根目录权限（仅限课设）

  sudo -u hdfs hadoop fs -chmod 777 /

注意：生产环境严禁chmod 777 /，课设答辩演示后务必恢复：sudo -u hdfs hadoop fs -chmod 755 /。

6. 答辩验收 checklist：从集群状态到结果可视化的 6 项硬指标

答辩不是讲 PPT，是现场执行。我带过的 12 个课设组，9 个因“演示时命令敲错”扣分。以下 checklist 每项都对应一个可截图的终端命令或 WebUI 页面，答辩前必须逐条实操 3 遍。

6.1 集群健康状态：5 个进程 + 2 个端口必须全绿

在 master 节点执行：

# 1. 检查核心进程（5 个） jps | grep -E "(NameNode|DataNode|SecondaryNameNode|JobTracker|TaskTracker)" # 预期输出：5 行，无缺失 # 2. 检查端口监听（2 个） netstat -tuln | grep -E ":9000|:9001" # 预期：9000（NameNode）、9001（JobTracker）均显示 LISTEN # 3. 检查 HDFS 容量（WebUI 截图） # 浏览器打开 http://master:50070 → 查看 "Live Nodes" 数量为 3，"Configured Capacity" > 0

血泪经验：答辩当天第一件事，不是开 PPT，而是jps—— 有 1 次因虚拟机休眠后 NetworkManager 未唤醒，jps缺少 DataNode，手忙脚乱重启花了 12 分钟。

6.2 数据上传与验证：hadoop fs命令链必须原子化

# 1. 创建输入目录（-p 避免父目录不存在报错） hadoop fs -mkdir -p /input/score # 2. 上传数据（-f 强制覆盖，防旧数据干扰） hadoop fs -put -f ./scoreinput.txt /input/score/ # 3. 验证上传（-cat 显示前 5 行，-du 显示大小） hadoop fs -cat /input/score/scoreinput.txt | head -5 hadoop fs -du -s /input/score/ # 预期：size > 0，且 head 输出符合 "Sxxx,课程名,分数" 格式

注意：scoreinput.txt必须是 Unix 换行符（LF），Windows 的 CRLF 会导致 Mapper 读取整行失败。用 Notepad++ → 编码 → 转为 UTF-8 无 BOM + 结束符 → Unix（LF）。

6.3 作业执行与日志追踪：hadoop jar命令必须带-D参数

# 执行 MaxMinAvgJob（关键：-D 指定 reducer 数量） hadoop jar maxminavg.jar demo.maxminaverage134 \ -D mapred.reduce.tasks=3 \ /input/score/scoreinput.txt \ /output/maxminavg # 查看作业状态（实时） hadoop job -status job_202310151200_0001 # 查看 reducer 日志（定位失败原因） hadoop job -logs job_202310151200_0001 | grep -A 5 -B 5 "ERROR"

玄学提示：-D mapred.reduce.tasks=3必须显式指定，否则 Hadoop 可能分配 1 个 reducer，导致课程多时输出混乱。课设数据中课程数通常为 3~5 门，设为 3 最稳妥。

6.4 结果提取与格式校验：hadoop fs -cat+awk一键验证

# 提取所有课程的平均分（过滤 AVG 行，按课程名排序） hadoop fs -cat /output/maxminavg/part-r-00000 | \ awk -F'\t' '$2 ~ /^AVG:/ {print $1 "\t" $2}' | \ sort -k1,1 # 预期输出示例： # 高等数学 AVG:76.3 # 英语 AVG:82.1 # 编程 AVG:68.5

设计说明：awk -F'\t'指定 tab 为分隔符，$2 ~ /^AVG:/匹配第二列以AVG:开头的行，sort -k1,1按第一列（课程名）字典序排序，确保结果可读。

6.5 WebUI 结果可视化：3 个关键页面必须截图备存

答辩 PPT 中必须包含以下 3 张截图，且标注箭头指示关键信息：

• HDFS 状态页（http://master:50070）：红框标出 "Live Nodes: 3" 和 "Configured Capacity" 数值；
• JobTracker 页面（http://master:50030）：红框标出刚执行的作业状态为 "SUCCEEDED"，"Map/Reduce Tasks" 显示 4/3；
• 输出目录内容（http://master:50070/explorer.html#/output/maxminavg）：红框标出part-r-00000文件大小 > 0。

后悔药：答辩前用手机拍下这 3 张图，万一演示时网络波动，直接展示截图，比解释“刚才

本文还有配套的精品资源，点击获取