Flink 有非常灵活的分层 API 设计，其中的核心层就是 DataStream/DataSet API。由于新版本已经实现了流批一体，DataSet API 将被弃用，官方推荐统一使用 DataStream API 处理流数据和批数据 。
DataStream（数据流）本身是 Flink 中一个用来表示数据集合的类（Class），我们编写的Flink 代码其实就是基于这种数据类型的处理，所以这套核心 API 就以 DataStream 命名。对于批处理和流处理，我们都可以用这同一套 API 来实现。
DataStream 在用法上有些类似于常规的 Java 集合，但又有所不同。我们在代码中往往并不关心集合中具体的数据，而只是用 API 定义出一连串的操作来处理它们；这就叫作数据流的“转换”（transformations）。
一个 Flink 程序，其实就是对 DataStream 的各种转换 。具体来说，代码基本上都由以下几部分构成，如图 5-1 所示：
获取执行环境（execution environment）
读取数据源（source）
定义基于数据的转换操作（transformations）
定义计算结果的输出位置（sink）
触发程序执行（execute）
其中，获取环境和触发执行，都可以认为是针对执行环境的操作。所以我们就从执行环境、数据源（source）、转换操作（transformation）、输出（sink）四大部分 ，对常用的 DataStream API 做基本介绍。
Flink 程序可以在各种上下文环境中运行：我们可以在本地 JVM 中执行程序，也可以提交到远程集群上运行。
不同的环境，代码的提交运行的过程会有所不同。这就要求我们在提交作业执行计算时，首先必须获取当前 Flink 的运行环境，从而建立起与 Flink 框架之间的联系。只有获取了环境上下文信息，才能将具体的任务调度到不同的 TaskManager 执行 。
编写 Flink 程序的第一步，就是创建执行环境。我们要获取的执行环境，是StreamExecutionEnvironment类的对象，这是所有 Flink 程序的基础。在代码中创建执行环境的方式，就是调用这个类的静态方法，具体有以下三种。
第一种getExecutionEnvironment, 最简单的方式，直接调用 getExecutionEnvironment 方法。它会根据当前运行的上下文直接得到正确的结果：如果程序是独立运行的，就返回一个本地执行环境；如果是创建了 jar包，然后从命令行调用它并提交到集群执行，那么就返回集群的执行环境。也就是说，这个方法会根据当前运行的方式，自行决定该返回什么样的运行环境 。这种“智能”的方式不需要我们额外做判断，用起来简单高效，是最常用的一种创建执行环境的方式。
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
第二种createLocalEnvironment这个方法返回一个本地执行环境。可以在调用时传入一个参数，指定默认的并行度；如果不传入，则默认并行度就是本地的 CPU 核心数。
StreamExecutionEnvironment localEnv = StreamExecutionEnvironment . createLocalEnvironment ( ) ;
第三种createRemoteEnvironment这个方法返回集群执行环境。需要在调用时指定 JobManager 的主机名和端口号，并指定要在集群中运行的 Jar 包。在获取到程序执行环境后，我们还可以对执行环境进行灵活的设置。比如可以全局设置程序的并行度、禁用算子链，还可以定义程序的时间语义、配置容错机制。
StreamExecutionEnvironment remoteEnv = StreamExecutionEnvironment
. createRemoteEnvironment ( "host" ,
1234 ,
"path/to/jarFile.jar"
) ;
上面我们获取到的执行环境，是一个 StreamExecutionEnvironment，顾名思义它应该是做流处理的。那对于批处理，又应该怎么获取执行环境呢？
之前的 Flink 版本中 ，批处理的执行环境与流处理类似，是调用类 ExecutionEnvironment
ExecutionEnvironment batchEnv = ExecutionEnvironment . getExecutionEnvironment ( ) ;
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
基于 ExecutionEnvironment 读入数据创建的数据集合，就是 DataSet；对应的调用的一整套转换方法，就是 DataSet API。而从 1.12.0 版本起，Flink 实现了 API 上的流批统一。DataStream API 新增了一个重要特性：可以支持不同的“执行模式”（execution mode），通过简单的设置就可以让一段 Flink 程序在流处理和批处理之间切换。这样一来，DataSet API 也就没有存在的必要了。
**流执行模式（STREAMING）**这是 DataStream API 最经典的模式，一般用于需要持续实时处理的无界数据流。默认情况下，程序使用的就是 STREAMING 执行模式。
**批执行模式（BATCH）**专门用于批处理的执行模式, 这种模式下，Flink 处理作业的方式类似于 MapReduce 框架。对于不会持续计算的有界数据，我们用这种模式处理会更方便。
自动模式（AUTOMATIC）在这种模式下 ，将由程序根据输入数据源是否有界，来自动选择执行模式。BATCH 模式的配置方法由于 Flink 程序默认是 STREAMING 模式，我们这里重点介绍一下 BATCH 模式的配置。主要有两种方式：
bin/flink run -Dexecution.runtime-mode= BATCH ..
通过代码配置(不推荐)， 不要在代码中配置，而是使用命令行。这同设置并行度是类似的：在提交作业时指定参数可以更加灵活，同一段应用程序写好之后，既可以用于批处理也可以用于流处理。而在代码中硬编码（hard code）的方式可扩展性比较差，一般都不推荐。
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
env. setRuntimeMode ( RuntimeExecutionMode . BATCH) ;
什么时候选择 BATCH 模式
我们知道，Flink 本身持有的就是流处理的世界观，即使是批量数据，也可以看作“有界流”来进行处理。所以 STREAMING 执行模式对于有界数据和无界数据都是有效的；而 BATCH模式仅能用于有界数据。看起来 BATCH 模式似乎被 STREAMING 模式全覆盖了，那还有必要存在吗？我们能不能所有情况下都用流处理模式呢？当然是可以的，但是这样有时不够高效。
我们可以仔细回忆一下 word count 程序中，批处理和流处理输出的不同：在 STREAMING模式下，每来一条数据，就会输出一次结果（即使输入数据是有界的）；而 BATCH 模式下，只有数据全部处理完之后，才会一次性输出结果。最终的结果两者是一致的，但是流处理模式会将更多的中间结果输出。在本来输入有界、只希望通过批处理得到最终的结果的场景下，STREAMING 模式的逐个输出结果就没有必要了。
所以总结起来，一个简单的原则就是：用 BATCH 模式处理批量数据，用 STREAMING模式处理流式数据。因为数据有界的时候，直接输出结果会更加高效；而当数据无界的时候, 我们没得选择，只有 STREAMING 模式才能处理持续的数据流。
在后面的示例代码中，即使是有界的数据源，我们也会统一用 STREAMING 模式处理。这是因为我们的主要目标还是构建实时处理流数据的程序，有界数据源也只是我们用来测试的手段。
有了执行环境，我们就可以构建程序的处理流程了：基于环境读取数据源，进而进行各种转换操作，最后输出结果到外部系统。
需要注意的是，写完输出（sink）操作并不代表程序已经结束。因为当 main()方法被调用时，其实只是定义了作业的每个执行操作，然后添加到数据流图中；这时并没有真正处理数据—因为数据可能还没来。Flink 是由事件驱动的，只有等到数据到来，才会触发真正的计算，这也被称为“延迟执行”或“懒执行”（lazy execution）。
所以我们需要显式地调用执行环境的 execute()方法，来触发程序执行。execute()方法将一
env. execute ( ) ;
要处理数据，先得有数据，所以首要任务就是把数据读进来。Flink 可以从各种来源获取数据，然后构建 DataStream 进行转换处理。一般将数据的输入来源称为数据源(data source)，而读取数据的算子就是源算子（source operator）。所以，source就是我们整个处理程序的输入端。
Flink 代码中通用的添加 source 的方式，是调用执行环境的 addSource()方法：
DataStream < String > = env. addSource ( . . . ) ;
方法传入一个对象参数，需要实现 SourceFunction 接口；返回 DataStreamSource。这里的DataStreamSource 类继承自 SingleOutputStreamOperator 类，又进一步继承自 DataStream。所以很明显，读取数据的 source 操作是一个算子，得到的是一个数据流DataStream。
传入的参数是一个“源函数”（source function），需要实现SourceFunction 接口。这是何方神圣，又该怎么实现呢？自己去实现它显然不会是一件容易的事。好在** Flink 直接提供了很多预实现的接口，此外还有很多外部连接工具也帮我们实现了对应的 source function**，通常情况下足以应对我们的实际需求。
我们先构建一个实际应用场景。比如网站的访问操作，可以抽象成一个三元组（用户名，用户访问的 urrl，用户访问 url 的时间戳），所以在这里，我们可以创建一个类 Event，将用户行为包装成它的一个对象。Event 包含了以下一些字段，如下所示：
import java. sql. Timestamp ;
public class Event {
public String user;
public String url;
public Long timestamp;
public Event ( ) {
}
public Event ( String user, String url, Long timestamp) {
this . user = user;
this . url = url;
this . timestamp = timestamp;
}
@Override
public String toString ( ) {
return "Event{" +
"user='" + user + '\'' + ", url='" + url + '\'' +
", timestamp=" + new Timestamp ( timestamp) + '}' ;
}
}
这里需要注意，我们定义的 Event，有这样几个特点：
类是公有（public）的
有一个无参的构造方法
所有属性都是公有（public）的
所有属性的类型都是可以序列化的
Flink 会把这样的类作为一种特殊的 POJO 数据类型来对待，方便数据的解析和序列化。另外我们在类中还重写了 toString 方法，主要是为了测试输出显示更清晰。
我们这里自定义的 Event POJO 类会在后面的代码中频繁使用，所以在后面的代码中碰到
从文件读取数据
从集合中读取数据
从元素读取数据
从socket文本流中读取
package com. atguigu. chapter05 ;
import org. apache. flink. streaming. api. datastream. DataStreamSource ;
import org. apache. flink. streaming. api. environment. StreamExecutionEnvironment ;
import java. util. ArrayList ;
public class SourceTest {
public static void main ( String [ ] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
env. setParallelism ( 1 ) ;
DataStreamSource < String > = env. readTextFile ( "input/clicks.txt" ) ;
ArrayList < Integer > = new ArrayList < > ( ) ;
nums. add ( 2 ) ;
nums. add ( 5 ) ;
DataStreamSource < Integer > = env. fromCollection ( nums) ;
ArrayList < Event > = new ArrayList < > ( ) ;
events. add ( new Event ( "Marry" , "./home" , 1000L ) ) ;
events. add ( new Event ( "Bob" , "./cart" , 2000L ) ) ;
DataStreamSource < Event > = env. fromCollection ( events) ;
DataStreamSource < Event > = env. fromElements (
new Event ( "Marry" , "./home" , 1000L ) ,
new Event ( "Bob" , "./cart" , 2000L )
) ;
DataStreamSource < String > = env. socketTextStream ( "hadoop1" , 7777 ) ;
stream1. print ( "1" ) ;
numStream. print ( "nums" ) ;
stream2. print ( "2" ) ;
stream3. print ( "3" ) ;
stream4. print ( "4" ) ;
env. execute ( ) ;
}
}
**Kafka 的连接比较复杂，Flink 内部并没有提供预实现的方法。所以我们只能采用通用的 addSource 方式、实现一个 SourceFunction 了。**好在Kafka 与Flink 确实是非常契合，所以Flink 官方提供了连接工具flink-connector-kafka，直接帮我们实现了一个消费者FlinkKafkaConsumer ，它就是用来读取 Kafka 数据的SourceFunction。
所以想要以 Kafka 作为数据源获取数据，我们只需要引入 Kafka 连接器的依赖 。Flink 官方提供的是一个通用的 Kafka 连接器，它会自动跟踪最新版本的 Kafka 客户端。目前最新版本只支持 0.10.0 版本以上的 Kafka，读者使用时可以根据自己安装的 Kafka 版本选定连接器的依赖版本。这里我们需要导入的依赖如下。
<dependency>
<groupId> org.apache.flink</groupId>
<artifactId> flink- connector- kafka_${
scala.binary.version} </artifactId>
<version> ${
flink.version} </version>
</dependency>
创建 FlinkKafkaConsumer 时需要传入三个参数：
第一个参数 topic，定义了从哪些主题中读取数据。可以是一个 topic，也可以是 topic列表，还可以是匹配所有想要读取的 topic 的正则表达式。当从多个 topic 中读取数据时，Kafka 连接器将会处理所有 topic 的分区，将这些分区的数据放到一条流中去。
第二个参数是一个 DeserializationSchema 或者 KeyedDeserializationSchema。Kafka 消息被存储为原始的字节数据，所以需要反序列化成 Java 或者 Scala 对象。上面代码中使用的 SimpleStringSchema，是一个内置的 DeserializationSchema，它只是将字节数组简单地反序列化成字符串。DeserializationSchema 和 KeyedDeserializationSchema 是公共接口，所以我们也可以自定义反序列化逻辑。
第三个参数是一个 Properties 对象，设置了 Kafka 客户端的一些属性。
package com. atguigu. chapter05 ;
import org. apache. flink. api. common. serialization. SimpleStringSchema ;
import org. apache. flink. streaming. api. datastream. DataStreamSource ;
import org. apache. flink. streaming. api. environment. StreamExecutionEnvironment ;
import org. apache. flink. streaming. connectors. kafka. FlinkKafkaConsumer ;
import java. util. Properties ;
public class SourceTest {
public static void main ( String [ ] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
env. setParallelism ( 1 ) ;
Properties properties = new Properties ( ) ;
properties. setProperty ( "bootstrap.servers" , "hadoop102:9092" ) ;
properties. setProperty ( "group.id" , "consumer-group" ) ;
properties. setProperty ( "key.deserializer" , "org.apache.kafka.common.serialization.StringDeserializer" ) ;
properties. setProperty ( "value.deserializer" , "org.apache.kafka.common.serialization.StringDeserializer" ) ;
properties. setProperty ( "auto.offset.reset" , "latest" ) ;
DataStreamSource < String > = env. addSource ( new FlinkKafkaConsumer < String > ( "clicks" , new SimpleStringSchema ( ) , properties) ) ;
kafaStream. print ( "Kafka" ) ;
env. execute ( ) ;
}
}
启动kafka进行测试
cd /opt/module/kafka_2.11-2.1.0/
./bin/zookeeper-server-start.sh -daemon ./config/zookeeper.properties
./bin/kafka-server-start.sh -daemon ./config/server.properties
./bin/kafka-console-producer.sh --broker-list localhost:9092 --topic clicks
Mary, ./home, 1000
Alice, ./cart, 2000
如果遇到特殊情况，我们想要读取的数据源来自某个外部系统，而 flink 既没有预实现的方法、也没有提供连接器，又该怎么办呢？那就只好自定义实现 SourceFunction了 。
接下来我们创建一个自定义的数据源，实现 SourceFunction 接口。主要重写两个关键方法：run()和 cancel()。
run()方法：使用运行时上下文对象（SourceContext）向下游发送数据；
cancel()方法：通过标识位控制退出循环，来达到中断数据源的效果。
新建一个类com.atguigu.chapter05.SourceCustomTest
package com. atguigu. chapter05 ;
import org. apache. flink. streaming. api. datastream. DataStreamSource ;
import org. apache. flink. streaming. api. environment. StreamExecutionEnvironment ;
public class SourceCustomTest {
public static void main ( String [ ] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
env. setParallelism ( 1 ) ;
DataStreamSource < Event > = env. addSource ( new ClickSource ( ) ) ;
customSteam. print ( ) ;
env. execute ( ) ;
}
}
想要自定义数据源的话，新建类org.apache.flink.streaming.api.functions.source.SourceFunction
package com. atguigu. chapter05 ;
import org. apache. flink. streaming. api. functions. source. SourceFunction ;
import java. util. Calendar ;
import java. util. Random ;
public class ClickSource implements SourceFunction < Event > {
private boolean running = true ;
@Override
public void run ( SourceContext < Event > ) throws Exception {
Random random = new Random ( ) ;
String [ ] users = {
"Mary" , "Alice" , "Bob" , "Cary" } ;
String [ ] urls = {
"./home" , "./cart" , "./fav" , "./prod?id=100" , "./prod?id=10" } ;
while ( running) {
String user = users[ random. nextInt ( users. length) ] ;
String url = urls[ random. nextInt ( urls. length) ] ;
Long timestamp = Calendar . getInstance ( ) . getTimeInMillis ( ) ;
ctx. collect ( new Event ( user, url, timestamp) ) ;
Thread . sleep ( 1000L ) ;
}
}
@Override
public void cancel ( ) {
running = false ;
}
}
要注意的是 SourceFunction 接口定义的数据源，并行度只能设置为 1，如果数据源设置为大于 1 的并行度，则会抛出异常。 所以如果我们想要自定义并行的数据源的话，需要使用 ParallelSourceFunction ，示例程序如下
package com. atguigu. chapter05 ;
import org. apache. flink. streaming. api. datastream. DataStreamSource ;
import org. apache. flink. streaming. api. environment. StreamExecutionEnvironment ;
import org. apache. flink. streaming. api. functions. source. ParallelSourceFunction ;
import java. util. Random ;
public class SourceCustomTest {
public static void main ( String [ ] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
env. setParallelism ( 4 ) ;
DataStreamSource < Integer > = env. addSource ( new ParallelCustomSource ( ) ) . setParallelism ( 2 ) ;
customSteam. print ( ) ;
env. execute ( ) ;
}
public static class ParallelCustomSource
implements ParallelSourceFunction < Integer > {
private boolean running = true ;
private Random random = new Random ( ) ;
@Override
public void run ( SourceContext < Integer > ) throws Exception {
while ( running) {
sourceContext. collect ( random. nextInt ( ) ) ;
}
}
@Override
public void cancel ( ) {
running = false ;
}
}
}
为什么会出现“不支持”的数据类型呢？因为 Flink 作为一个分布式处理框架，处理的是以数据对象作为元素的流。如果用水流来类比，那么我们要处理的数据元素就是随着水流漂动的物体。在这条流动的河里，可能漂浮着小木块，也可能行驶着内部错综复杂的大船。要分布式地处理这些数据，就不可避免地要面对数据的网络传输、状态的落盘和故障恢复等问题，这就需要对数据进行序列化和反序列化。小木块是容易序列化的；而大船想要序列化之后传输，就需要将它拆解、清晰地知道其中每一个零件的类型。
为了方便地处理数据，Flink 有自己一整套类型系统。Flink使用类型信息（TypeInformation）来统一表示数据类型。TypeInformation 类是 Flink 中所有类型描述符的基类。它涵盖了类型的一些基本属性，并为每个数据类型生成特定的序列化器、反序列化器和比较器。
Flink 支持的数据类型。简单来说，对于常见的 Java 和 Scala 数据类型，Flink 都是支持的。Flink 在内部，Flink对支持不同的类型进行了划分，这些类型可以在 Types 工具类 中找到：
基本类型，所有 Java 基本类型及其包装类，再加上 Void、String、Date、BigDecimal 和 BigInteger。
数组类型，包括基本类型数组（PRIMITIVE_ARRAY）和对象数组(OBJECT_ARRAY)
复合数据类型
Java 元组类型（TUPLE）：这是 Flink 内置的元组类型，是 Java API 的一部分。最多25 个字段，也就是从 Tuple0~Tuple25，不支持空字段
Scala 样例类及 Scala 元组：不支持空字段
行类型（ROW） ：可以认为是具有任意个字段的元组,并支持空字段POJO：Flink 自定义的类似于 Java bean 模式的类
辅助类型 Option、Either、List、Map 等
泛型类型（GENERIC）Flink 支持所有的 Java 类和 Scala 类。不过如果没有按照上面 POJO 类型的要求来定义，就会被 Flink 当作泛型类来处理。Flink 会把泛型类型当作黑盒，无法获取它们内部的属性；它们也不是由 Flink 本身序列化的，而是由 Kryo 序列化的。
在这些类型中，元组类型和 POJO 类型最为灵活，因为它们支持创建复杂类型。而相比之下，POJO 还支持在键（key）的定义中直接使用字段名，这会让我们的代码可读性大大增加。所以，在项目实践中，往往会将流处理程序中的元素类型定为 Flink 的 POJO 类型 。
Flink 对 POJO 类型 的要求如下：
类是公共的（public）和独立的（standalone，也就是说没有非静态的内部类）；
类有一个公共的无参构造方法；
类中的所有字段是 public 且非 final 的；或者有一个公共的 getter 和 setter 方法，这些方法需要符合 Java bean 的命名规范。
类型提示（Type Hints）Flink 还具有一个类型提取系统 ，可以分析函数的输入和返回类型，自动获取类型信息，从而获得对应的序列化器和反序列化器。但是，由于 Java 中泛型擦除的存在，在某些特殊情况下（比如 Lambda 表达式中），自动提取的信息是不够精细的 ——只告诉 Flink 当前的元素由“船头、船身、船尾”构成，根本无法重建出“大船”的模样；这时就需要显式地提供类型信息，才能使应用程序正常工作或提高其性能。为了解决这类问题，Java API 提供了专门的“类型提示”（type hints）。回忆一下之前的 word count 流处理程序，我们在将 String 类型的每个词转换成（word，count）二元组后，就明确地用 returns 指定了返回的类型。因为对于 map 里传入的 Lambda 表达式，系统只能推断出返回的是Tuple2 类型 ，而无法得到 Tuple2<String, Long>。只有显式地告诉系统当前的返回类型，才能正确地解析出完整数据。
. map ( word -> Tuple2 . of ( word, 1L ) ) . returns ( Types . TUPLE ( Types . STRING, Types . LONG) ) ;
这是一种比较简单的场景，二元组的两个元素都是基本数据类型。那如果元组中的一个元素又有泛型 ，该怎么处理呢？
Flink 专门提供了 TypeHint 类，它可以捕获泛型的类型信息，并且一直记录下来，为运行时提供足够的信息 。我们同样可以通过.returns()方法，明确地指定转换之后的 DataStream 里元素的类型。
returns ( new TypeHint < Tuple2 < Integer , SomeType > > ( ) {
} )
数据源读入数据之后，我们就可以使用各种转换算子，将一个或多个 DataStream 转换为新的 DataStream。一个 Flink 程序的核心，其实就是所有的转换操作，它们决定了处理的业务逻辑。
我们可以针对一条流进行转换处理，也可以进行分流、合流等多流转换操作，从而组合成复杂的数据流拓扑。我们来介绍一些基本的转换算子
映射（map）map 是大家非常熟悉的大数据操作算子，主要用于将数据流中的数据进行转换，形成新的数据流 。简单来说，就是一个“一一映射”，消费一个元素就产出一个元素。我们只需要基于 DataStream 调用 map()方法就可以进行转换处理。方法需要传入的参数是接口 MapFunction 的实现 ；返回值类型还是 DataStream，不过泛型（流中的元素类型）可能改变。
下面的代码用不同的方式，实现了提取 Event 中的 user 字段的功能。
package com. atguigu. chapter05 ;
import org. apache. flink. api. common. functions. MapFunction ;
import org. apache. flink. streaming. api. datastream. DataStreamSource ;
import org. apache. flink. streaming. api. datastream. SingleOutputStreamOperator ;
import org. apache. flink. streaming. api. environment. StreamExecutionEnvironment ;
public class TransformMapTest {
public static void main ( String [ ] args) throws Exception {
StreamExecutionEnvironment env = StreamExecutionEnvironment . getExecutionEnvironment ( ) ;
env. setParallelism ( 1 ) ;
DataStreamSource < Event > = env. fromElements (
new Event ( "Mary" , "./home" , 1000L ) ,
new Event ( "Bob" , "./cart" , 2000L )
) ;
SingleOutputStreamOperator < String > = stream. map ( new UserExtractor ( ) ) ;
SingleOutputStreamOperator < String > = stream. map ( new MapFunction < Event ,
本文详细介绍了Apache Flink 1.13版本中的DataStream API，包括执行环境的获取、执行模式、源算子的使用，特别是从Kafka读取数据的实现，以及自定义SourceFunction。此外，文章还探讨了Flink中的转换算子，如映射、聚合、物理分区等，并讲解了输出算子，如文件、Kafka、Redis、Elasticsearch和MySQL的写入操作。内容深入浅出，适合大数据开发者学习Flink API使用。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
