接上节继续，通常在做数据分析时需要指定时间范围，比如："每天凌晨1点统计前一天的订单量" 或者 "每个整点统计前24小时的总发货量"。这个统计时间段，就称为统计窗口。Flink中支持多种Window统计，今天介绍二种常见的窗口：TumbingWindow及SlidingWindow。

如上图，最下面是时间线，假设每1分钟上游系统产生1条数据，分别对应序号1~7。如果每隔1分钟，需要统计前3分钟的数据，这种就是SlidingWindow。如果每2分钟的数据做1次统计(注：2次相邻的统计之间，没有数据重叠部分)，这种就是TumbingWindow。

在开始写示例代码前，再来说一个概念：时间语义。

通常每条业务数据都有自己的"业务发生时间"（比如：订单数据有“下单时间”，IM聊天消息有"消息发送时间"），由于网络延时等原因，数据到达flink时，flink有一个"数据接收时间"。那么在数据分析时，前面提到的各种窗口统计应该以哪个时间为依据呢？这就是时间语义。 flink允许开发者自行指定用哪个时间来做为处理依据，大多数业务系统通常会采用业务发生时间（即：所谓的事件时间)。

下面还是以WordCount这个经典示例来演示一番：（flink版本：1.11.2）

1、准备数据源

仍以kafka作为数据源，准备向其发送以下格式的数据：

{

	"event_datetime": "2020-12-19 14:10:21.209",

	"event_timestamp": "1608358221209",

	"word": "hello"

}

注意：这里event_timestamp相当于业务时间(即：事件时间)对应的时间戳，word为每次要统计的单词。event_datetime不参与处理，只是为了肉眼看日志更方便。

写一个java类，不停发送数据：(每10秒生成一条随机数据，1分钟共6条)

package com.cnblogs.yjmyzz.flink.demo;

import com.google.gson.Gson;

import org.apache.kafka.clients.producer.KafkaProducer;

import org.apache.kafka.clients.producer.ProducerConfig;

import org.apache.kafka.clients.producer.ProducerRecord;

import org.apache.kafka.common.serialization.StringSerializer;

import java.text.SimpleDateFormat;

import java.util.*;

/**

 * @author 菩提树下的杨过

 */

public class KafkaProducerSample {

    private static String topic = "test3";

    private static Gson gson = new Gson();

    private static SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss.SSS");

    public static void main(String[] args) throws InterruptedException {

        Properties p = new Properties();

        p.put(ProducerConfig.BOOTSTRAP_SERVERS_CONFIG, "localhost:9092");

        p.put(ProducerConfig.KEY_SERIALIZER_CLASS_CONFIG, StringSerializer.class);

        p.put(ProducerConfig.VALUE_SERIALIZER_CLASS_CONFIG, StringSerializer.class);

        KafkaProducer<String, String> kafkaProducer = new KafkaProducer<>(p);

        String[] words = new String[]{"hello", "world", "flink"};

        Random rnd = new Random();

        try {

            while (true) {

                Map<String, String> map = new HashMap<>();

                map.put("word", words[rnd.nextInt(words.length)]);

                long timestamp = System.currentTimeMillis();

                map.put("event_timestamp", timestamp + "");

                map.put("event_datetime", sdf.format(new Date(timestamp)));

                String msg = gson.toJson(map);

                ProducerRecord<String, String> record = new ProducerRecord<String, String>(topic, msg);

                kafkaProducer.send(record);

                System.out.println(msg);

                Thread.sleep(10000);

            }

        } finally {

            kafkaProducer.close();

        }

    }

}

　

2. TumbingWindow示例

package com.cnblogs.yjmyzz.flink.demo;

import com.google.gson.Gson;

import com.google.gson.reflect.TypeToken;

import org.apache.flink.api.common.eventtime.*;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.common.serialization.SerializationSchema;

import org.apache.flink.api.common.serialization.SimpleStringSchema;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.api.java.tuple.Tuple3;

import org.apache.flink.streaming.api.TimeCharacteristic;

import org.apache.flink.streaming.api.datastream.DataStream;

import org.apache.flink.streaming.api.datastream.DataStreamSource;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.windowing.time.Time;

import org.apache.flink.streaming.api.windowing.windows.TimeWindow;

import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer011;

import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer010;

import org.apache.flink.util.Collector;

import java.text.SimpleDateFormat;

import java.util.Date;

import java.util.Map;

import java.util.Properties;

/**

 * @author 菩提树下的杨过(http : / / yjmyzz.cnblogs.com /)

 */

public class KafkaStreamTumblingWindowCount {

    private final static Gson gson = new Gson();

    private final static String SOURCE_TOPIC = "test3";

    private final static String SINK_TOPIC = "test4";

    private final static SimpleDateFormat sdf = new SimpleDateFormat("yyyy-MM-dd HH:mm");

    public static void main(String[] args) throws Exception {

        // 1 设置环境

        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //指定使用eventTime作为时间标准

        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);

        // 2. 定义数据

        Properties props = new Properties();

        props.put("bootstrap.servers", "localhost:9092");

        props.put("zookeeper.connect", "localhost:2181");

        props.put("group.id", "test-read-group-2");

        props.put("deserializer.encoding", "GB2312");

        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");

        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");

        props.put("auto.offset.reset", "latest");

        DataStreamSource<String> text = env.addSource(new FlinkKafkaConsumer011<>(

                SOURCE_TOPIC,

                new SimpleStringSchema(),

                props));

        // 3. 处理逻辑

        DataStream<Tuple3<String, Integer, String>> counts = text.assignTimestampsAndWatermarks(new WatermarkStrategy<String>() {

            @Override

            public WatermarkGenerator<String> createWatermarkGenerator(WatermarkGeneratorSupplier.Context context) {

                return new WatermarkGenerator<String>() {

                    private long maxTimestamp;

                    private long delay = 100;

                    @Override

                    public void onEvent(String s, long l, WatermarkOutput watermarkOutput) {

                        Map<String, String> map = gson.fromJson(s, new TypeToken<Map<String, String>>() {

                        }.getType());

                        String timestamp = map.getOrDefault("event_timestamp", l + "");

                        maxTimestamp = Math.max(maxTimestamp, Long.parseLong(timestamp));

                    }

                    @Override

                    public void onPeriodicEmit(WatermarkOutput watermarkOutput) {

                        watermarkOutput.emitWatermark(new Watermark(maxTimestamp - delay));

                    }

                };

            }

        }).flatMap(new FlatMapFunction<String, Tuple3<String, Integer, String>>() {

            @Override

            public void flatMap(String value, Collector<Tuple3<String, Integer, String>> out) throws Exception {

                //解析message中的json

                Map<String, String> map = gson.fromJson(value, new TypeToken<Map<String, String>>() {

                }.getType());

                String word = map.getOrDefault("word", "");

                String eventTimestamp = map.getOrDefault("event_timestamp", "0");

                //获取每个统计窗口的时间（用于显示）

                String windowTime = sdf.format(new Date(TimeWindow.getWindowStartWithOffset(Long.parseLong(eventTimestamp), 0, 60 * 1000)));

                if (word != null && word.trim().length() > 0) {

                    //收集(类似:map-reduce思路)

                    out.collect(new Tuple3<>(word.trim(), 1, windowTime));

                }

            }

        })

                //按Tuple3里的第0项，即：word分组

                .keyBy(value -> value.f0)

                //按每1分整点开固定窗口计算

                .timeWindow(Time.minutes(1))

                //然后对Tuple3里的第1项求合

                .sum(1);

        // 4. 打印结果

        counts.addSink(new FlinkKafkaProducer010<>("localhost:9092", SINK_TOPIC,

                (SerializationSchema<Tuple3<String, Integer, String>>) element -> (element.f2 + " (" + element.f0 + "," + element.f1 + ")").getBytes()));

        counts.print();

        // execute program

        env.execute("Kafka Streaming WordCount");

    }

}

代码看着一大堆，但是并不复杂，解释 一下：

31-34 行是一些常量定义 ，从test3这个topic拿数据，处理好的结果，发送到test4这个topic

42行指定时间语义：使用事件时间做为依据。但是这还不够，不是空口白话，说用“事件时间”就用“事件时间”，flink怎么知道哪个字段代表事件时间? 62-77行，这里给出了细节，解析kafka消息中的json体，然后把event_timestamp提取出来，做为时间依据。另外65行，还指定了允许数据延时100ms（这个可以先不管，后面学习watermark时，再详细解释 ）

89-90行，为了让wordCount的统计结果更友好，本次窗口对应的起始时间，使用静态方法TimeWindow.getWindowStartWithOffset计算后，直接放到结果里了。

102行, timeWindow(Time.munites(1)) 这里指定了使用tumblingWindow，每次统计1分钟的数据。（注：这里的1分钟是从0秒开始，到59秒结束，即类似： 2020-12-12 14:00:00.000 ~ 2020-12-12 14:00:59.999）

运行结果：

下面是数据源的kafka消息日志（截取了部分）

...

{"event_datetime":"2020-12-19 14:32:36.873","event_timestamp":"1608359556873","word":"hello"}

{"event_datetime":"2020-12-19 14:32:46.874","event_timestamp":"1608359566874","word":"world"}

{"event_datetime":"2020-12-19 14:32:56.874","event_timestamp":"1608359576874","word":"hello"}

{"event_datetime":"2020-12-19 14:33:06.875","event_timestamp":"1608359586875","word":"hello"}

{"event_datetime":"2020-12-19 14:33:16.876","event_timestamp":"1608359596876","word":"world"}

{"event_datetime":"2020-12-19 14:33:26.877","event_timestamp":"1608359606877","word":"hello"}

{"event_datetime":"2020-12-19 14:33:36.878","event_timestamp":"1608359616878","word":"world"}

{"event_datetime":"2020-12-19 14:33:46.879","event_timestamp":"1608359626879","word":"flink"}

{"event_datetime":"2020-12-19 14:33:56.879","event_timestamp":"1608359636879","word":"hello"}

{"event_datetime":"2020-12-19 14:34:06.880","event_timestamp":"1608359646880","word":"world"}

{"event_datetime":"2020-12-19 14:34:16.881","event_timestamp":"1608359656881","word":"world"}

{"event_datetime":"2020-12-19 14:34:26.883","event_timestamp":"1608359666883","word":"hello"}

{"event_datetime":"2020-12-19 14:34:36.883","event_timestamp":"1608359676883","word":"flink"}

{"event_datetime":"2020-12-19 14:34:46.885","event_timestamp":"1608359686885","word":"flink"}

{"event_datetime":"2020-12-19 14:34:56.885","event_timestamp":"1608359696885","word":"world"}

{"event_datetime":"2020-12-19 14:35:06.885","event_timestamp":"1608359706885","word":"flink"}

...

flink的处理结果：

...

3> (world,2,2020-12-19 14:33)

4> (flink,1,2020-12-19 14:33)

2> (hello,3,2020-12-19 14:33)

3> (world,3,2020-12-19 14:34)

2> (hello,1,2020-12-19 14:34)

4> (flink,2,2020-12-19 14:34)

...

　　

3.SlidingWindow示例

package com.cnblogs.yjmyzz.flink.demo;

import com.google.gson.Gson;

import com.google.gson.reflect.TypeToken;

import org.apache.flink.api.common.eventtime.*;

import org.apache.flink.api.common.functions.FlatMapFunction;

import org.apache.flink.api.common.serialization.SerializationSchema;

import org.apache.flink.api.common.serialization.SimpleStringSchema;

import org.apache.flink.api.java.tuple.Tuple2;

import org.apache.flink.api.java.tuple.Tuple3;

import org.apache.flink.streaming.api.TimeCharacteristic;

import org.apache.flink.streaming.api.datastream.DataStream;

import org.apache.flink.streaming.api.datastream.DataStreamSource;

import org.apache.flink.streaming.api.environment.StreamExecutionEnvironment;

import org.apache.flink.streaming.api.windowing.time.Time;

import org.apache.flink.streaming.api.windowing.windows.TimeWindow;

import org.apache.flink.streaming.connectors.kafka.FlinkKafkaConsumer011;

import org.apache.flink.streaming.connectors.kafka.FlinkKafkaProducer010;

import org.apache.flink.util.Collector;

import java.text.SimpleDateFormat;

import java.util.Date;

import java.util.Map;

import java.util.Properties;

/**

 * @author 菩提树下的杨过(http : / / yjmyzz.cnblogs.com /)

 */

public class KafkaStreamSlidingWindowCount {

    private final static Gson gson = new Gson();

    private final static String SOURCE_TOPIC = "test3";

    private final static String SINK_TOPIC = "test4";

    private final static SimpleDateFormat sdf1 = new SimpleDateFormat("yyyy-MM-dd HH:mm");

    private final static SimpleDateFormat sdf2 = new SimpleDateFormat("HH:mm");

    public static void main(String[] args) throws Exception {

        // 1 设置环境

        final StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();

        //指定使用eventTime作为时间标准

        env.setStreamTimeCharacteristic(TimeCharacteristic.EventTime);

        // 2. 定义数据

        Properties props = new Properties();

        props.put("bootstrap.servers", "localhost:9092");

        props.put("zookeeper.connect", "localhost:2181");

        props.put("group.id", "test-read-group-1");

        props.put("deserializer.encoding", "GB2312");

        props.put("key.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");

        props.put("value.deserializer", "org.apache.kafka.common.serialization.StringDeserializer");

        props.put("auto.offset.reset", "latest");

        DataStreamSource<String> text = env.addSource(new FlinkKafkaConsumer011<>(

                SOURCE_TOPIC,

                new SimpleStringSchema(),

                props));

        // 3. 处理逻辑

        DataStream<Tuple3<String, Integer, String>> counts = text.assignTimestampsAndWatermarks(new WatermarkStrategy<String>() {

            @Override

            public WatermarkGenerator<String> createWatermarkGenerator(WatermarkGeneratorSupplier.Context context) {

                return new WatermarkGenerator<String>() {

                    private long maxTimestamp;

                    private long delay = 1000;

                    @Override

                    public void onEvent(String s, long l, WatermarkOutput watermarkOutput) {

                        Map<String, String> map = gson.fromJson(s, new TypeToken<Map<String, String>>() {

                        }.getType());

                        String timestamp = map.getOrDefault("event_timestamp", l + "");

                        maxTimestamp = Math.max(maxTimestamp, Long.parseLong(timestamp));

                    }

                    @Override

                    public void onPeriodicEmit(WatermarkOutput watermarkOutput) {

                        watermarkOutput.emitWatermark(new Watermark(maxTimestamp - delay));

                    }

                };

            }

        }).flatMap(new FlatMapFunction<String, Tuple3<String, Integer, String>>() {

            @Override

            public void flatMap(String value, Collector<Tuple3<String, Integer, String>> out) throws Exception {

                //解析message中的json

                Map<String, String> map = gson.fromJson(value, new TypeToken<Map<String, String>>() {

                }.getType());

                String eventTimestamp = map.getOrDefault("event_timestamp", "0");

                String windowTimeStart = sdf1.format(new Date(TimeWindow.getWindowStartWithOffset(Long.parseLong(eventTimestamp), 2 * 60 * 1000, 1 * 60 * 1000)));

                String windowTimeEnd = sdf2.format(new Date(1 * 60 * 1000 + TimeWindow.getWindowStartWithOffset(Long.parseLong(eventTimestamp), 2 * 60 * 1000, 1 * 60 * 1000)));

                String word = map.getOrDefault("word", "");

                if (word != null && word.trim().length() > 0) {

                    out.collect(new Tuple3<>(word.trim(), 1, windowTimeStart + " ~ " + windowTimeEnd));

                }

            }

        })

                //按Tuple3里的第0项，即：word分组

                .keyBy(value -> value.f0)

                //每1分钟算1次，每次算过去2分钟内的数据

                .timeWindow(Time.minutes(2), Time.minutes(1))

                //然后对Tuple3里的第1项求合

                .sum(1);

        // 4. 打印结果

        counts.addSink(new FlinkKafkaProducer010<>("localhost:9092", SINK_TOPIC,

                (SerializationSchema<Tuple3<String, Integer, String>>) element -> (element.f2 + " (" + element.f0 + "," + element.f1 + ")").getBytes()));

        counts.print();

        // execute program

        env.execute("Kafka Streaming WordCount");

    }

}

与TumbingWindow最大的区别在于105行，除了指定窗口的size，还指定了slide值，有兴趣的同学可以研究下这个方法：

	public WindowedStream<T, KEY, TimeWindow> timeWindow(Time size, Time slide) {

		if (environment.getStreamTimeCharacteristic() == TimeCharacteristic.ProcessingTime) {

			return window(SlidingProcessingTimeWindows.of(size, slide));

		} else {

			return window(SlidingEventTimeWindows.of(size, slide));

		}

	}

输出结果：

发送到kafka的数据源片段：

...

{"event_datetime":"2020-12-19 14:32:36.873","event_timestamp":"1608359556873","word":"hello"}

{"event_datetime":"2020-12-19 14:32:46.874","event_timestamp":"1608359566874","word":"world"}

{"event_datetime":"2020-12-19 14:32:56.874","event_timestamp":"1608359576874","word":"hello"}

{"event_datetime":"2020-12-19 14:33:06.875","event_timestamp":"1608359586875","word":"hello"}

{"event_datetime":"2020-12-19 14:33:16.876","event_timestamp":"1608359596876","word":"world"}

{"event_datetime":"2020-12-19 14:33:26.877","event_timestamp":"1608359606877","word":"hello"}

{"event_datetime":"2020-12-19 14:33:36.878","event_timestamp":"1608359616878","word":"world"}

{"event_datetime":"2020-12-19 14:33:46.879","event_timestamp":"1608359626879","word":"flink"}

{"event_datetime":"2020-12-19 14:33:56.879","event_timestamp":"1608359636879","word":"hello"}

{"event_datetime":"2020-12-19 14:34:06.880","event_timestamp":"1608359646880","word":"world"}

{"event_datetime":"2020-12-19 14:34:16.881","event_timestamp":"1608359656881","word":"world"}

{"event_datetime":"2020-12-19 14:34:26.883","event_timestamp":"1608359666883","word":"hello"}

{"event_datetime":"2020-12-19 14:34:36.883","event_timestamp":"1608359676883","word":"flink"}

{"event_datetime":"2020-12-19 14:34:46.885","event_timestamp":"1608359686885","word":"flink"}

{"event_datetime":"2020-12-19 14:34:56.885","event_timestamp":"1608359696885","word":"world"}

{"event_datetime":"2020-12-19 14:35:06.885","event_timestamp":"1608359706885","word":"flink"}

...

处理后的结果：

...

3> (world,2,2020-12-19 14:33)

4> (flink,1,2020-12-19 14:33)

2> (hello,3,2020-12-19 14:33)

3> (world,3,2020-12-19 14:34)

2> (hello,1,2020-12-19 14:34)

4> (flink,2,2020-12-19 14:34)

...

flink 1.11.2 学习笔记(3)-统计窗口window的更多相关文章

  1. Python学习笔记-StatsModels 统计回归（1）线性回归

    1.背景知识 1.1 插值.拟合.回归和预测 插值.拟合.回归和预测,都是数学建模中经常提到的概念,而且经常会被混为一谈. 插值,是在离散数据的基础上补插连续函数,使得这条连续曲线通过全部给定的离散数 ...

  2. Python学习笔记-StatsModels 统计回归（3）模型数据的准备

    1.读取数据文件 回归分析问题所用的数据都是保存在数据文件中的,首先就要从数据文件读取数据. 数据文件的格式很多,最常用的是 .csv,.xls 和 .txt 文件,以及 sql 数据库文件的读取 . ...

  3. Linux（10.5-10.11）学习笔记

    3.2程序编码 unix> gcc -01 -o p p1.c p2.c -o用于指定输出(out)文件名. -01,-02 告诉编译器使用第一级或第二级优化 3.2.1机器级代码 机器级编程两 ...

  4. 1-1 maven 学习笔记(1-6章)

    一.基础概念 1.Maven作为Apache组织中颇为成功的开源项目,主要服务于基于Java平台的项目构建,依赖管理和项目信息管理.从清理,编译,测试到生成报告,到打包部署,自动化构建过程. 还可以跨 ...

  5. （11）学习笔记 ） ASP.NET CORE微服务 Micro-Service ---- Thrift高效通讯 （完结）

    一. 什么是 RPC Restful 采用 Http 进行通讯,优点是开放.标准.简单.兼容性升级容易: 缺点是性能略低.在 QPS 高或者对响应时间要求苛刻的服务上,可以用 RPC(Remote P ...

  6. 1-1.flutter学习笔记（一）git入门（msysgit图文安装）

    1.下载git-for-windows (1)常用的GitHub客户端msysgit,也就是git-for-windows. (2)登录官网 https://git-for-windows.githu ...

  7. c++11多线程学习笔记之一 thread基础使用

    没啥好讲的  c++11  thread类的基本使用 #include "stdafx.h" #include <iostream> #include <thre ...

  8. 机器学习11—Apriori学习笔记

    votesmart下载  https://pypi.python.org/pypi/py-votesmart test11.py #-*- coding:utf-8 import sys sys.pa ...

  9. 11.Laravel5学习笔记：扩展 Validator 类

    简单介绍 在 Laravel5 中,本身已经提供了丰富的验证规则供我们使用,可是天下应用奇葩多,做为程序猿你会发现永远都有新的验证规则诞生,光是组合已经解救不了你的项目了.这个时候就须要我们扩展 Va ...

  10. python 学习笔记(四) 统计序列中元素出现的频度(即次数)

    案例一:在某随机序例中,找到出现频度最高的3个元素,它们出现的次数是多少? from random import randint # 利用列表解析器生成随机序列,包含有30个元素 data = [ra ...

随机推荐

  1. 揭秘AI自动化框架Browser-use（三）：Browser-use控制浏览器的核心机制

    1. 概述 在Browser-use框架中,核心任务是使大模型能够像人类一样操作浏览器.本文深入探讨大模型如何实际控制浏览器,重点解析从模型输出到浏览器动作执行的完整流程. 上一篇(公众号首发)-Br ...

  2. GPUStack v0.5：模型Catalog、图生图功能上线，多维优化全面提升产品能力与使用体验

    GPUStack 是一个专为运行 AI 模型设计的开源 GPU 集群管理器,致力于支持基于任何品牌的异构 GPU 构建统一管理的算力集群.无论这些 GPU 运行在 Apple Mac.Windows ...

  3. Linux TCP网关的线程结构方案

    如果所示: 无论客户端还是服务端链接网关的socket都拆分为读EPoll.写EPoll分别独立. 有两个线程:线程A(左).线程B(右): 线程A负责服务端Socket的读和客户端socket的写, ...

  4. Java编程--接口（interface）简单用法（一）

    接口是Java中的一个重要的概念. interface:定义了子类要实现的功能.由全局常量和抽象方法组成. 接口的定义 定义一个简单的interface public interface A {  p ...

  5. 【经验】Python3｜输入多个整数（map方法或ctypes调用C标准库scanf）

    文章目录 方法一:多次调用input 1. 代码 方法二:调用C标准库 1. 代码 2. 残留的问题(int数组取元素) 附:计算时间差的程序(使用实例) 第一种读取方式: 第二种读取输入方式: 方法 ...

  6. Coze 初体验之打造专属的编程助手

    @charset "UTF-8"; .markdown-body { line-height: 1.75; font-weight: 400; font-size: 15px; o ...

  7. 通过VS地址擦除系统定位缓冲区溢出问题

    VS2019增加了一个名为"地址擦除系统"的功能,默认是关闭的,可以在项目"属性"-"c/c++"-"常规"中开启.在开 ...

  8. 定制Django的Tag和Filter（一）

    1.在 app 目录下创建 templatetags 目录(目录名只能是 templatetags). 如: app/ __init__.py models.py templatetags/ __in ...

  9. sublime仿IDEA darcula主题

    按ctrl+shif+p,输入install package,进入 搜索Darkula,出来的就是了,安装好后在配色方案里选择该主题即可. 记住,是Darkula ,不是darcula.

  10. C#判断当前时间是否在规定时间段范围内（二维数组超简版）

    直接上C#代码 TimeSpan nowTime = DateTime.Now.TimeOfDay; string[,] arr = { { "7:50", "8:10& ...