自 2019 年 1 月起，阿里巴巴逐步將內(nèi)部維護(hù)的 Blink 回饋給 Flink 開源社區(qū)，目前貢獻(xiàn)代碼數(shù)量已超過 100 萬行。國內(nèi)包括騰訊、百度、字節(jié)跳動(dòng)等公司，國外包括 Uber、Lyft、Netflix 等公司都是 Flink 的使用者。
今年 8 月發(fā)布的 Flink 1.9.0 是阿里內(nèi)部版本 Blink 合并入 Flink 后的首次發(fā)版，在今天的 Flink Forward 2019 大會(huì)上，阿里發(fā)布了 Flink 1.10 版本功能前瞻，正式版本預(yù)計(jì)于 2020 年 1 月發(fā)布。
Flink 1.10 版本功能前瞻：Blink 全部功能進(jìn)入 Flink
據(jù)介紹，F(xiàn)link 1.10 版本可以看作一個(gè)比較重要的里程碑式版本，至此，Blink 全部功能都已經(jīng)進(jìn)入 Flink，包括 Blink 中比較關(guān)鍵的設(shè)計(jì)和通用的優(yōu)化。以下是該版本將包含的主要功能和技術(shù)亮點(diǎn)前瞻：
（1）
更加強(qiáng)大的Blink Query Processor
對 TaskExecutor 的內(nèi)存模型進(jìn)行了梳理，解決了 RockDB 內(nèi)存難以配置和管控、TM 啟動(dòng)前后內(nèi)存計(jì)算不一致等長期存在的問題
簡化了內(nèi)存計(jì)算邏輯，降低了配置難度
對算子級別的資源用量進(jìn)行更精細(xì)的管理，解決算子資源超用帶來的性能及穩(wěn)定性問題，提高資源利用效率
（1）Meta 兼容，支持直接讀取 Hive catalog，版本覆蓋1.x，2.x到3.x
（2）數(shù)據(jù)格式兼容，支持直接讀取 Hive 表，同時(shí)也支持寫成 Hive 表的格式
（3）UDF 兼容，支持在 Flink SQL 內(nèi)直接調(diào)用 Hive 的UDF，UDTF，UDAF
增加了對 NativePython UDF 的支持，用戶可以用Python開發(fā)自己的業(yè)務(wù)邏輯
很好的支持了 Python 類庫的依賴管理，Python用戶不僅可以自定義Python UDF 而且可以與其他現(xiàn)有的Python library進(jìn)行集成
在架構(gòu)上引入了BeamPortability Framework，F(xiàn)link與Beam社區(qū)共同打造功能便捷，性能優(yōu)越的Python UDF支持框架
與Flink資源管理框架進(jìn)行集成，實(shí)現(xiàn)了對Python UDF資源的管控
（1）原生的資源管理，可以根據(jù)作業(yè)的資源需求動(dòng)態(tài)去申請TaskManager，不需要依賴外部系統(tǒng)或組件
（2）更加方便的任務(wù)提交，不需要安裝kubectl等工具，可以達(dá)到和Yarn相似的體驗(yàn)
5.新增多個(gè)主流機(jī)器學(xué)習(xí)算法庫
（1）包括邏輯回歸，隨機(jī)森林，KMeans等
提問：在 1.10 版本中，Blink 全部功能都已經(jīng)進(jìn)入 Flink，而這距離上一次 1.9 發(fā)布剛過去三個(gè)月，那也是 Blink 首次并入 Flink 的版本發(fā)布，距離去年阿里宣布要開源 Blink 也不過一年時(shí)間。為什么 Blink 的 Merge 進(jìn)度能做到這么快？過程中遇到了哪些問題？你們是如何解決的？
莫問： 我們投入了很多資源，包括有數(shù)十位技術(shù)人員來做這個(gè)事情，并行度比較大，所以才能在比較短的時(shí)間內(nèi)貢獻(xiàn)多達(dá) 150 萬行代碼。
提問：整個(gè)過程中有沒有遇到什么比較棘手的問題？
莫問： 社區(qū)是一個(gè)相對開放透明的場景，不像自己的項(xiàng)目可以比較隨意地改動(dòng)，而是要走一個(gè)民主的過程，包括要經(jīng)過社區(qū)的討論、大家的認(rèn)可，要保證代碼的質(zhì)量等。我們既要做到快速推進(jìn)，還要保證質(zhì)量和社區(qū)的公平性，這個(gè)挑戰(zhàn)還是很大的。
莫問： 整個(gè) Flink 社區(qū)的合作模式是比較高效的，社區(qū)不同模塊的負(fù)責(zé)人每周都會(huì)有視頻會(huì)議，可能是不同國家的社區(qū)討論，這些都做得非常高效，項(xiàng)目管理做得非常好。在這種機(jī)制的保證下，我們可以讓代碼快速進(jìn)入同時(shí)保證迭代的速度。其實(shí)這對工程效率的開發(fā)也是非常大的挑戰(zhàn)。說白了，我們投入了很多技術(shù)人員做這件事，但也不是只看數(shù)量。我們投入的很多人手本身就是 Apache 項(xiàng)目的 PMC 和 Committer，而不完全是普通的工程師，這些人本身對于 Apache 項(xiàng)目的工作機(jī)制和流程都比較熟悉，他們的效率和作戰(zhàn)能力不能按一個(gè)人這么算。社區(qū)就是這樣，不是人多的問題，還需要合適的人。
提問：您上午在演講中提到 Flink 正在成為一個(gè)真正的 Unified Engine。有趣的是，我們近期已經(jīng)不止一次聽到不同的計(jì)算引擎提出類似的說法，比如 Spark 的核心理念也是成為“統(tǒng)一數(shù)據(jù)分析平臺(tái)”，能否請您談?wù)?Flink 的設(shè)計(jì)理念？二者的統(tǒng)一有什么相同點(diǎn)和不同點(diǎn)？
莫問：Flink 的核心理念我們強(qiáng)調(diào)過很多次，它的本質(zhì)計(jì)算思想是流處理核心。流處理核心就是所有的都是基于 Stream 來處理，批可以看作是一個(gè)有限的流。像今天提到的在線的 Stateful Function 也是 Event Driven，所有的 Event 不停地進(jìn)入做函數(shù)計(jì)算，做在線有狀態(tài)的計(jì)算，然后把結(jié)果給用戶，再不停地迭代。其實(shí)在線服務(wù)也是無限的，也是不會(huì)停止的處理，不停地有人訪問，有人處理。Flink 的核心是基于流計(jì)算的 Core，去覆蓋 Offline 和 Online，這樣它跟 Spark 還是不太一樣的。Spark 認(rèn)為所有東西都是基于 Batch 的，而流是無數(shù)個(gè) Batch 湊在一起，這一點(diǎn)不太一樣。
但大家在宏觀上的愿景都是類似的，用一套計(jì)算引擎技術(shù)或大數(shù)據(jù)處理的技術(shù)，來解決盡量多的場景，這樣從用戶的角度來說學(xué)習(xí)成本更低、開發(fā)效率更高、運(yùn)維成本也更低。所以大家的目標(biāo)和理念是一致的，只不過在實(shí)現(xiàn)這個(gè)目標(biāo)的方法上的選擇是不一樣的。
**提問：下面這個(gè)問題我們之前問過 Databricks 的工程師，今天也想問問您，如果我要做統(tǒng)一的平臺(tái)，你也要做統(tǒng)一平臺(tái)，那會(huì)不會(huì)存在最后到底誰能真正統(tǒng)一誰的問題？
**莫問： 我覺得大家并不是說做什么，什么就一定會(huì)贏，一定會(huì)好。從我個(gè)人態(tài)度來說，技術(shù)還是需要有一定良性的競爭，這樣才能相互學(xué)習(xí)，同時(shí)條條大路通羅馬，不一定哪一個(gè)絕對正確，可能不同場景有不同的偏好或不同的特定區(qū)域的需求，或適應(yīng)的場景不一樣。解決類似問題有兩三家公司共存，這種狀態(tài)是比較健康的，就像數(shù)據(jù)庫領(lǐng)域有 MySQL、PostgreSQL 等，在線服務(wù)也類似，起碼得有兩家大公司在一起競爭，是比較合適的。但最終哪個(gè)做得更好，還是取決于是否能把自己的理論做到極致。因?yàn)槔碚撌抢碚?，你的理論和我的理論聽起來各有千秋，但是誰最后能贏看的是細(xì)節(jié)，包括用戶體驗(yàn)。你是否按照正確的方法在做，細(xì)節(jié)做得夠不夠好，而不是大家聽起來思路一樣就沒有區(qū)別了。細(xì)節(jié)和社區(qū)生態(tài)的發(fā)展、推進(jìn)過程都很重要。
開源 Alink：Flink 機(jī)器學(xué)習(xí)進(jìn)度幾何？
Flink 在機(jī)器學(xué)習(xí)領(lǐng)域的進(jìn)展一直是眾多開發(fā)者關(guān)注的焦點(diǎn)，今年 Flink 迎來了一個(gè)小里程碑：機(jī)器學(xué)習(xí)算法平臺(tái) Alink 開源，這也宣告了 Flink 正式切入 AI 領(lǐng)域。
Alink 開源項(xiàng)目鏈接：
https://github.com/alibaba/Alink
Alink 是阿里巴巴機(jī)器學(xué)習(xí)算法團(tuán)隊(duì)從 2017 年開始基于實(shí)時(shí)計(jì)算引擎 Flink 研發(fā)的新一代機(jī)器學(xué)習(xí)算法平臺(tái)，提供豐富的算法組件庫和便捷的操作框架，開發(fā)者可以一鍵搭建覆蓋數(shù)據(jù)處理、特征工程、模型訓(xùn)練、模型預(yù)測的算法模型開發(fā)全流程。作為業(yè)界首個(gè)同時(shí)支持批式算法、流式算法的機(jī)器學(xué)習(xí)平臺(tái)，Alink 提供了 Python 接口，開發(fā)者無需 Flink 技術(shù)背景也可以輕松構(gòu)建算法模型。Alink 這個(gè)名字取自相關(guān)名稱（Alibaba, Algorithm, AI, Flink,Blink）的公共部分。
據(jù)悉，Alink 已被廣泛運(yùn)用在阿里巴巴搜索、推薦、廣告等多個(gè)核心實(shí)時(shí)在線業(yè)務(wù)中。在剛剛落幕的天貓雙 11 中，單日數(shù)據(jù)處理量達(dá)到 970PB，每秒處理峰值數(shù)據(jù)高達(dá) 25 億條。Alink 成功經(jīng)受住了超大規(guī)模實(shí)時(shí)數(shù)據(jù)訓(xùn)練的檢驗(yàn)，并幫助提升 4% CTR（商品點(diǎn)擊轉(zhuǎn)化率）。
提問：能否先介紹一下 FlinkML 和 Alink 的概況，以及二者的關(guān)系？
莫問：FlinkML 是 Flink 社區(qū)現(xiàn)存的一套機(jī)器學(xué)習(xí)算法庫，這一套算法庫已經(jīng)存在很久而且更新比較緩慢。Alink 是基于新一代的 Flink，完全重新寫了一套，跟 FlinkML 沒有代碼上的關(guān)系。Alink 由阿里巴巴大數(shù)據(jù)團(tuán)隊(duì)開發(fā)，開發(fā)出來以后在阿里巴巴內(nèi)部也用了，然后現(xiàn)在正式開源出來。
未來我們希望 Alink 的算法逐漸替換掉 FlinkML 的算法，可能 Alink 就會(huì)成為新一代版本的 FlinkML，當(dāng)然替換還需要一個(gè)比較漫長的過程。Alink 包含了非常多的機(jī)器學(xué)習(xí)算法，往 Flink 貢獻(xiàn)或發(fā)布的時(shí)候也需要比較大的帶寬，我們擔(dān)心整個(gè)過程耗時(shí)會(huì)比較長，所以先把 Alink 單獨(dú)開源出來，大家如果有需要的可以先用起來。后面貢獻(xiàn)進(jìn)展比較順利的情況下，Alink 應(yīng)該能完全合并到 FlinkML，也就是直接進(jìn)入 Flink 生態(tài)的主干，這對于 Alink 來說是最好的歸宿，到這個(gè)時(shí)候 FlinkML 就可以跟 SparkML 完全對應(yīng)起來了。
提問：除了 Alink 以外，F(xiàn)link 當(dāng)前在機(jī)器學(xué)習(xí)領(lǐng)域的工作還有哪些進(jìn)展？和其他計(jì)算引擎相比，您如何評價(jià)當(dāng)前 Flink 在機(jī)器學(xué)習(xí)和 AI 領(lǐng)域的工作，它的競爭力足夠強(qiáng)嗎？
莫問： 其實(shí)我們還有很多正在進(jìn)行的工作。機(jī)器學(xué)習(xí)的核心是迭代計(jì)算，機(jī)器學(xué)習(xí)訓(xùn)練就是不停地對數(shù)據(jù)進(jìn)行迭代訓(xùn)練，訓(xùn)練出來一個(gè)模型然后上線。在核心訓(xùn)練的基礎(chǔ)上，F(xiàn)link 正在設(shè)計(jì)新的迭代計(jì)算，因?yàn)?Flink 是基于流式計(jì)算，所以它的迭代計(jì)算可以轉(zhuǎn)化為 mini-batch 的迭代計(jì)算，可以根據(jù)數(shù)據(jù)條目數(shù)也可以根據(jù)數(shù)據(jù)段的時(shí)長，在流上打出很多細(xì)粒度的數(shù)據(jù)段。
Flink 的好處是在流上打細(xì)粒度的數(shù)據(jù)段可行性上沒有問題，因?yàn)樗緛砭褪羌兞魇降?，截成一段一段沒有問題。而 Spark 的迭代是把一個(gè)數(shù)據(jù)集做一次迭代，再做一次迭代，這個(gè)數(shù)據(jù)集很難切得特別細(xì)，切出來一段就是一次任務(wù)的運(yùn)行，細(xì)粒度的挑戰(zhàn)比較大。Flink 的好處是本身可以把粒度截得很細(xì)，所以重構(gòu)原有的迭代計(jì)算是可行的。
Flink 最早的迭代計(jì)算也跟 Spark 一樣，要么是一批迭代要么是一條一條迭代，完全是兩個(gè)極端，我們想把它做一個(gè)抽象，可以按照時(shí)間、大小來設(shè)定迭代的 batch 大小，就類似于 Flink 窗口的概念，這樣可以支持嵌套迭代、增量迭代等。我們在引擎層面做好了基于流的迭代技術(shù)之后，整個(gè)機(jī)器學(xué)習(xí)的訓(xùn)練就會(huì)大幅度加速。雖然算法本身的效果可能是一樣的，但是運(yùn)行的性能和速度不一樣。
同時(shí)它還可以解決在線訓(xùn)練的問題，比如說互聯(lián)網(wǎng)的日志流、用戶行為是不停產(chǎn)生的，F(xiàn)link 流式迭代可以不間斷地處理用戶產(chǎn)生的實(shí)時(shí)數(shù)據(jù)，可以在線迭代更新，模型可以每隔 5 分鐘更新一次，也可以每隔 1 分鐘更新一次。這樣它的模型上線是一個(gè) 7×24 小時(shí)環(huán)狀的更新，這樣一套在線學(xué)習(xí)的體系會(huì)給用戶帶來很大的變化，這個(gè)變化不是簡單的 30% 的提升或者是工程上的優(yōu)化，而是在使用機(jī)器學(xué)習(xí)的理念上會(huì)有優(yōu)化。
這是我們當(dāng)前正在做的工作，社區(qū)里也已經(jīng)開始討論了，可能會(huì)作為 Flink 明年 1-2 個(gè)版本的重點(diǎn)。你可以這么認(rèn)為，F(xiàn)link 去年還是 Unified Engine，今年開始擁抱 AI 了，2019 年我們做的很多工作是偏 SQL 的優(yōu)化，明年我們會(huì)更多地切入到 AI，就是 FlinkML 和 AI 場景的方向上。
**提問：阿里是什么時(shí)候決定開源 Alink 的？
**
莫問： 去年 Blink 開源的時(shí)候，我們就在考慮是否把 Alink 一起開源了。但是后來覺得，第一個(gè)開源還沒做，不敢一下子步子邁得這么大，要一步步來，而且 Blink 開源也要準(zhǔn)備很多東西。當(dāng)時(shí)我們沒有辦法做到兩個(gè)大的項(xiàng)目同時(shí)開源，所以就先把 Blink 開源做好。
Blink 開源以后，我們想是不是把 Alink 的算法推到 Flink 就好了。但是發(fā)現(xiàn)往社區(qū)貢獻(xiàn)確實(shí)是比較復(fù)雜的過程，Blink 在推的時(shí)候已經(jīng)占用了很大的帶寬，而社區(qū)的帶寬就那么多，沒有辦法同時(shí)做多件事情。社區(qū)也需要一段時(shí)間消耗，所以決定先把 Blink 消耗掉，貢獻(xiàn)完了，社區(qū)吃得下，然后再把 Alink 逐步貢獻(xiàn)回社區(qū)。這是沒有辦法跨越的一個(gè)過程。
開源是一個(gè)很慎重的過程，不能隨意想開就開一個(gè)。孩子不能管生不管養(yǎng)，要發(fā)東西就要有一個(gè)長期的計(jì)劃，要負(fù)責(zé)任的，得給大家一個(gè)很明確的信號(hào)，這是有長期計(jì)劃的，不是放了開源就結(jié)束了，以后肯定會(huì)有用戶問你們放上去以后管不管？如果我們不想好這些問題，對用戶來說就適得其反，大家覺得你并沒有給大家一個(gè)清晰的信號(hào)，大家也不敢用。
提問：相比 SparkML，Alink 的亮點(diǎn)是什么？對于開發(fā)者來說在哪些方面會(huì)比較有吸引力？
莫問：Alink 一是依賴于 Flink 計(jì)算引擎層；第二 Flink 框架中有 UDF 的算子，Alink 本身對算法做了很多優(yōu)化，包括在算法實(shí)現(xiàn)上做了細(xì)節(jié)的優(yōu)化，比如通信、數(shù)據(jù)訪問、迭代數(shù)據(jù)處理的流程等多方面的優(yōu)化?；谶@些優(yōu)化可以讓算法運(yùn)行的效率更高，同時(shí)我們還做了很多配套工具，讓易用性更好。同時(shí) Alink 還有一個(gè)核心技術(shù)，就是做了很多 FTRL 的算法，是天然針對在線學(xué)習(xí)的。在線學(xué)習(xí)需要高頻快速更新的迭代算法，這種情況下 Alink 有天然的優(yōu)勢，像今日頭條、微博的信息流都會(huì)經(jīng)常遇到這樣的在線場景。
在離線學(xué)習(xí)上 Alink 跟 SparkML 對比基本上差不多，只要大家工程化都做得足夠好，離線學(xué)習(xí)無法打出代差，真正的代差一定是設(shè)計(jì)上的理念不一樣。設(shè)計(jì)上、產(chǎn)品形態(tài)、技術(shù)形態(tài)不一樣才會(huì)有代差明顯的優(yōu)勢。
相比 SparkML，我們的基調(diào)是批式算法基本一致，包括功能和性能，Alink 可以支持算法工程師常用的所有算法，包括聚類、分類、回歸、數(shù)據(jù)分析、特征工程等，這些類型的算法是算法工程師常用的。我們開源之前也對標(biāo)了 SparkML 所有的算法，做到了 100% 對標(biāo)。除此之外，Alink 最大的亮點(diǎn)是有流式算法和在線學(xué)習(xí)，在自己的特色上能做到獨(dú)樹一幟，這樣對用戶來說沒有短板，同時(shí)優(yōu)勢又很明顯。
Alink 支持的機(jī)器學(xué)習(xí)算法
后續(xù)規(guī)劃和未來展望
提問：接下來 Flink 會(huì)按照什么樣的頻率更新版本？能否透露 Flink 接下來還會(huì)有哪些值得期待的新特性或功能？
莫問：3-4 個(gè)月，基本上會(huì)是一個(gè)季度更新一個(gè)版本，比如 2020 年 1 月份會(huì)發(fā) 1.10，4 月份會(huì)發(fā) 1.11。現(xiàn)在還說不好什么時(shí)候切 2.0，2.0 應(yīng)該會(huì)是一個(gè)非常有里程碑意義的版本。現(xiàn)在 Flink 社區(qū)可以看到非常多的點(diǎn)，不僅有 AI、機(jī)器學(xué)習(xí)，還有今天主題演講 Stephan Ewen 提到的 Stateful Function，也是非常有前景的。其實(shí)在線場景還有很多有前景的東西可以挖掘，Serverless（Faas）也是 Flink 后面的方向。Flink 社區(qū)有一點(diǎn)非常好，它剛剛演進(jìn)到 1.x 版本，還有很大的上升空間，社區(qū)的生命力和狀態(tài)都很好，大家有很多想法想放進(jìn)去。
提問：未來大數(shù)據(jù)領(lǐng)域還有哪些新的技術(shù)方向或趨勢是比較重要的？
莫問： 大數(shù)據(jù)和 AI 的融合可能是一個(gè)很好的機(jī)會(huì)，大家現(xiàn)在純玩大數(shù)據(jù)基本上五花八門什么都玩過了，各種項(xiàng)目層出不窮。AI 也是百花爭鳴，但其實(shí)用戶想要的不只是 AI，數(shù)據(jù)在哪？AI 沒有數(shù)據(jù)怎么玩？得把特征算好、樣本算好才能訓(xùn)練出好的模型。這個(gè)模型只有經(jīng)過不斷地迭代反饋才能越來越好。這個(gè)過程中數(shù)據(jù)處理和數(shù)據(jù)分析非常重要，如果沒有一套完整的反饋體系，大數(shù)據(jù) +AI 的鏈路玩不通。有再好的引擎，如果沒有閉環(huán)的計(jì)算路徑也無法真正發(fā)揮生產(chǎn)或業(yè)務(wù)上的效果。
所以要把大數(shù)據(jù) +AI 整套處理做成非常易用、好用的解決方案，這是大家最需要的?，F(xiàn)在可能一個(gè)個(gè)零散的點(diǎn)大家已經(jīng)做到了，很多東西都能找到對應(yīng)的開源項(xiàng)目，但是需要有一個(gè)整體的平臺(tái)把所有技術(shù)串起來。
莫問： 明年我們會(huì)開源一個(gè)新的項(xiàng)目 AI Flow，目前還沒有 Ready，我們希望 AI Flow 可以通過一個(gè)工作流程把數(shù)據(jù)處理、預(yù)處理，包括模型的訓(xùn)練、模型管理、模型上線、動(dòng)態(tài)更新，更新完拿到反饋，反饋之后怎么反向優(yōu)化流程，整個(gè)系統(tǒng)串起來。其中每個(gè)環(huán)節(jié)都可以使用不同的引擎來實(shí)現(xiàn)，用 Flink OK，用 Spark 也 OK，就看最后哪個(gè)好用。比如可以用 Flink 做大數(shù)據(jù)處理，TensorFlow 做深度學(xué)習(xí)訓(xùn)練，F(xiàn)linkML 做流式訓(xùn)練，把這些都串聯(lián)起來給用戶提供一個(gè)端到端的解決方案，這是很有前景的一個(gè)項(xiàng)目。
提問：這是不是跟 Databricks 的 MLflow 有點(diǎn)類似？
莫問：AI Flow 大于 MLflow，因?yàn)?MLflow 只定義了數(shù)據(jù)格式，AI Flow 可能跟 Kubeflow 更像，AI Flow 偏工作流程，MLflow 偏重于數(shù)據(jù)格式，沒有覆蓋特別完整的工作流程，但我們也不排除 MLflow 將來越做越大。
為什么我們要做這個(gè)東西？因?yàn)槲覀冊诎⒗锇桶蛢?nèi)部非常熟悉整個(gè)搜索推薦廣告最核心的系統(tǒng)怎么玩，如何一步步流程化才能形成一套大腦去調(diào)控整個(gè)流量，甚至是搜索流量、推薦流量、廣告流量，在業(yè)務(wù)流量和現(xiàn)金流量去 battle 等，這是整個(gè)商業(yè)化最核心的系統(tǒng)，這個(gè)系統(tǒng)就是基于大數(shù)據(jù) +AI 的方案，而這套方案離不開 workflow，離不開數(shù)據(jù)格式的定義，離不開不同計(jì)算引擎的協(xié)同，這是更大的一個(gè)概念。我們明年會(huì)在這方面投入更多資源，也會(huì)聯(lián)合其他的公司一起來做。
本文為云棲社區(qū)原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。
當(dāng)前題目：阿里重磅開源全球首個(gè)批流一體機(jī)器學(xué)習(xí)平臺(tái)Alink，Blink功能已全部貢獻(xiàn)至Flink
網(wǎng)站URL：
http://weahome.cn/article/jsdejp.html
重慶分公司
重慶分公司
