批处理流处理大数据【免费下载链接】beamApache Beam is a unified programming model for Batch and Streaming data processing.项目地址https://gitcode.com/gh_mirrors/beam15/beam点击查看免费下载GroupByKey是 Apache Beam 中最基础也最常用的聚合变换之一它接收一个由键/值对在 Python SDK 中即二元组组成的PCollection并把具有相同键的所有值收集到一起输出为唯一键 值集合的新PCollection。本文基于 Apache Beam 官方文档 的 Python 版 GroupByKey 页面结合本仓库中的 核心源码 与 官方示例完整讲解其语义、类型约束、实操示例、窗口/触发器前提条件以及与GroupBy、CombinePerKey、CoGroupByKey等邻近变换的选型关系。读完本文你将能熟练写出可运行的分组聚合管道并理解其底层实现原理与边界条件。一、GroupByKey 是什么根据 Python 版 GroupByKey 文档页 的定义Takes a keyed collection of elements and produces a collection where each element consists of a key and all values associated with that key.即输入是带键的元素集合key/value 对输出是每个键与其全部关联值组成的集合。这是典型的分组聚合Aggregation语义——把键相同、值不同的多条记录归并为一个键对应一组值的单一记录。在 编程指南的 GroupByKey 章节 中Beam 将GroupByKey定位为并行归约操作其地位相当于 Map/Shuffle/Reduce 范式中的Shuffle 阶段输入的多重映射multimap多个键重复、值各不相同被转换为单射映射uni-map唯一键对应值集合。一个直观的例子输入cat, 1 dog, 5 and, 1 jump, 3 tree, 2 cat, 5 dog, 2 and, 2 cat, 9 and, 6经过GroupByKey后输出cat, [1,5,9] dog, [5,2] and, [1,2,6] jump, [3] tree, [2]GroupByKey非常适合聚合具有共同特征的数据。例如客户订单记录中可以按邮政编码字段作为键、订单记录的其余部分作为值把所有同邮编的订单归并到一起见 编程指南 4.2.2 节。二、源码视角类型约束与核心实现在 Python SDK 中GroupByKey定义于 apache_beam/transforms/core.py其类型签名非常明确typehints.with_input_types(typing.Tuple[K, V]) typehints.with_output_types(typing.Tuple[K, typing.Iterable[V]]) class GroupByKey(PTransform):输入类型Tuple[K, V]即键值对元组。Python 中的键/值对就是一个二元组tuple。输出类型Tuple[K, Iterable[V]]即每个输出元素包含一个键K和该键下所有值的可迭代集合Iterable[V]。源码的 docstring 给出了最简说明Processes an input PCollection consisting of key/value pairs represented as a tuple pair. The result is a PCollection where values having a common key are grouped together. For example (a, 1), (b, 2), (a, 3) will result into (a, [1, 3]), (b, [2]).即输入(a, 1), (b, 2), (a, 3)会得到(a, [1, 3]), (b, [2])。从实现细节看GroupByKey.expand()core.py L3175 起在 Direct Runner 本地执行时通过内部的ReifyWindowsDoFn 将每个(k, v)元素转换为带窗口、带时间戳的(k, WindowedValue(v, timestamp, [window]))为后续按窗口分组做准备同时其infer_output_type会调用coerce_to_kv_type强制校验输入必须是KV[A, B]类型否则抛出类型错误。这说明GroupByKey 的输入必须是键值对结构不能直接对普通元素使用。此外GroupByKey实现了 Runner API 协议core.py L3221-L3232to_runner_api_parameter将其序列化为common_urns.primitives.GROUP_BY_KEY.urn原语这是所有 RunnerDataflow、Flink、Spark 等统一识别的 URNrunner_api_requires_keyed_input返回True向 Runner 声明该变换要求输入已经过键化keyed从而可以在集群上触发对应的 shuffle/group 执行策略。三、完整可运行示例按季节分组农产品文档页提供了两个 playground 交互式示例可在浏览器中直接运行其对应源码位于 examples/snippets/transforms/aggregation/groupbykey.pyplayground 元数据中名为GroupByKeySort。示例一按季节键分组所有农产品并对每组值排序import apache_beam as beam with beam.Pipeline() as pipeline: produce_counts ( pipeline | Create produce counts beam.Create([ (spring, ), (spring, ), (spring, ), (spring, ), (summer, ), (summer, ), (summer, ), (fall, ), (fall, ), (winter, ), ]) | Group counts per produce beam.GroupByKey() | beam.MapTuple(lambda k, vs: (k, sorted(vs))) # sort and format | beam.Map(print))该示例的执行步骤为beam.Create(...)创建含 10 个键值对的PCollection键是季节spring、summer、fall、winter值是农产品 emojibeam.GroupByKey()按季节分组得到每个季节及其农产品列表beam.MapTuple(lambda k, vs: (k, sorted(vs)))对每个键的值集合排序使输出结果可预测、可读beam.Map(print)打印结果。对应的单元测试 groupbykey_test.py 断言了期望输出注意测试会先对值集合排序以消除元素顺序的非确定性(spring, [, , , ]) (summer, [, , ]) (fall, [, ]) (winter, [])示例二文档页第二个 playground 示例SDK_PYTHON_GroupByKey演示不带排序的原始GroupByKey分组输出每个键对应的值集合——注意Beam 不保证组内值的顺序因此组内元素是无序集合如果业务上需要稳定顺序务必像示例一那样自行sorted()。四、常用搭配先 Map 造键再 GroupByKeyGroupByKey本身不产生键它只对已有的键值对进行分组。实际生产中最常见的模式是先通过beam.Map/ParDo把普通元素加工成键值对再应用GroupByKey。编程指南的示例 用词频统计演示了这一模式words_and_counts ( pipeline | beam.Create(contents) | beam.FlatMap(lambda x: re.findall(r\w, x)) | one word beam.Map(lambda w: (w, 1))) # 先把单词加工成 (word, 1) # GroupByKey accepts a PCollection of (w, 1) and # outputs a PCollection of (w, (1, 1, ...)). # (A key/value pair is just a tuple in Python.) grouped_words words_and_counts | beam.GroupByKey()这里beam.Map(lambda w: (w, 1))把每个单词映射为(word, 1)键值对之后GroupByKey得到(word, [1, 1, ...])最后用count_ones统计每个单词出现次数。编程指南在注释中特别指出这个例子也可以直接用beam.combiners.Count.PerElement更简洁地实现说明GroupByKey常常只是聚合链中的中间环节。需要注意的是Python SDK 中键值对就是普通的二元组如果键本身是复合结构如元组同样可以直接作为键参与分组。五、窗口与触发器无界 PCollection 的硬性前提GroupByKey是对有界数据最自然的分组操作但对于无界流式PCollection编程指南 4.2.2.1 节 明确要求If you are using unbounded PCollections, you must use either non-global windowing or an aggregation trigger in order to perform a GroupByKey or CoGroupByKey.原因在于有界分组的GroupByKey必须等待某个键的全部数据到齐才能输出而无界数据是无限的永远等不到全部。因此必须借助非全局窗口windowing或聚合触发器trigger把无限数据流切成逻辑上有界的数据块分组操作才能在这些有限块上进行。若对无界PCollection使用GroupByKey且未设置非全局窗口或触发器Beam 会在管道构建期抛出IllegalStateException错误。这一约束在源码expand()中也有直接体现core.py L3178-L3212if not pcoll.is_bounded and isinstance( windowing.windowfn, GlobalWindows) and isinstance(trigger, DefaultTrigger): if pcoll.pipeline.allow_unsafe_triggers: _LOGGER.warning(...) else: raise ValueError( GroupByKey cannot be applied to an unbounded PCollection with global windowing and a default trigger)也就是说当输入无界、窗口为全局窗口、触发器为默认触发器三者同时成立时Direct Runner 会直接抛出ValueError除非显式设置--allow_unsafe_triggers标志此时只告警但数据可能无法完整流过管道。源码还通过trigger.may_lose_data(windowing)检测其他可能丢数据的不安全触发器同样默认抛错、可选放行。另外当对多个已设置窗口的PCollection执行GroupByKey/CoGroupByKey分组时所有输入必须使用相同的窗口策略和窗口大小例如统一用 5 分钟固定窗口或 30 秒滑动一次的 4 分钟滑动窗口。若窗口不兼容Beam 同样在管道构建期抛出IllegalStateException。在无界场景下GroupByKey天然按窗口边界分组属于逐窗口per-window操作这也是它常与窗口触发器一起出现的原因。六、与相关变换的选型对比GroupByKey 文档页 在末尾给出了三个相关变换理解它们的差异有助于正确选型变换作用适用场景GroupByKey输入键值对按已有键把值收集成集合键已在数据中显式存在如季节、邮编、单词GroupBy根据元素自身的任意属性/表达式动态生成键再分组键需要从元素中计算得出而不是预先存在CombinePerKey对每个键的所有值用CombineFn合并为单个结果需要按键聚合出单一值求和、求均值、TopK 等CoGroupByKey对多个输入PCollection按公共键做关系型连接多数据源按相同键关联类似 SQL JOIN其中与GroupByKey最易混淆的是GroupBy文档源码文档明确指出Unlike GroupByKey, the key is dynamically created from the elements themselves.其源码 docstring 说明GroupBy(expr)大致等价于beam.Map(lambda v: (expr(v), v)) | beam.GroupByKey()即先算键、再按键分组的语法糖并支持多字段组合键GroupBy(aexpr1, bexpr2)、字符串属性简写GroupBy(some_field)等价于GroupBy(lambda v: getattr(v, some_field))以及aggregate_field聚合扩展。当分组键需要从元素属性或表达式中动态推导时优先用GroupBy当键已经存在于数据中时用GroupByKey更直接。CombinePerKey与GroupByKey输出键 值集合不同CombinePerKey对每个键的值归并成单一结果。若你只需要每个键的聚合值如总和、计数、最大值而非完整的值列表应直接使用CombinePerKey避免先GroupByKey再手动归约的开销。CoGroupByKey当需要把两个或多个键值PCollection按公共键连接如姓名-邮箱与姓名-电话两张表合成一张时使用CoGroupByKey实现关系型 JOINGroupByKey只处理单个输入集合。七、总结与最佳实践围绕 Apache Beam Python SDK 的GroupByKey核心要点可归纳为语义输入Tuple[K, V]的键值对集合输出Tuple[K, Iterable[V]]把多键多值的多重映射变为唯一键 值集合的单射映射等价于 Map/Shuffle/Reduce 的 Shuffle 阶段。类型约束输入必须是键值对Python 二元组源码通过coerce_to_kv_type强制校验底层序列化为GROUP_BY_KEYRunner API 原语并要求输入已键化。顺序不保证GroupByKey不保证组内值的顺序需要稳定输出时自行sorted()见官方示例。无界数据前提对无界PCollection必须配合非全局窗口或聚合触发器否则管道构建期即报错全局窗口 默认触发器 无界输入的组合会抛出ValueError除非显式--allow_unsafe_triggers。窗口兼容性分组多个带窗口的PCollection时必须使用相同的窗口策略与窗口大小。选型键已存在用GroupByKey键需动态推导用GroupBy只需单一聚合值用CombinePerKey多集合连接用CoGroupByKey。最后建议直接到 playground 示例源码 与 groupbykey_test.py 中动手运行、修改验证learning/katas/python/Core Transforms/GroupByKey/GroupByKey/task.md 还提供了一个按单词首字母分组的练习题目适合用来巩固本文所学。赞分享批处理流处理大数据【免费下载链接】beamApache Beam is a unified programming model for Batch and Streaming data processing.项目地址https://gitcode.com/gh_mirrors/beam15/beam点击查看免费下载相关推荐Apache Beam Python SDK 的 GroupByKey 变换按键分组的原理、完整示例与源码级解析Apache Beam Python SDK 的 GroupByKey 变换按键分组的原理、完整示例与源码级解析 GroupByKey 是 Apache BeApache Beam Java SDK Combine 变换实战指南全局聚合与按键聚合Apache Beam Java SDK Combine 变换实战指南全局聚合与按键聚合 Apache Beam 的 Combine 变换用于将 PColle大数据批处理流处理数据工程Apache Beam Java SDK 的 GroupIntoBatches 变换按键分批聚合的原理与实战Apache Beam Java SDK 的 GroupIntoBatches 变换按键分批聚合的原理与实战 导读 GroupIntoBatches 是 Ap批处理流处理大数据上一篇Meshroom终极指南免费开源3D重建软件的完整入门教程下一篇为什么OSS Browser是管理阿里云OSS的终极桌面客户端5个理由让你无法拒绝创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
批处理流处理大数据【免费下载链接】beamApache Beam is a unified programming model for Batch and Streaming data processing.项目地址https://gitcode.com/gh_mirrors/beam15/beam点击查看免费下载GroupByKey是 Apache Beam 中最基础也最常用的聚合变换之一它接收一个由键/值对在 Python SDK 中即二元组组成的PCollection并把具有相同键的所有值收集到一起输出为唯一键 值集合的新PCollection。本文基于 Apache Beam 官方文档 的 Python 版 GroupByKey 页面结合本仓库中的 核心源码 与 官方示例完整讲解其语义、类型约束、实操示例、窗口/触发器前提条件以及与GroupBy、CombinePerKey、CoGroupByKey等邻近变换的选型关系。读完本文你将能熟练写出可运行的分组聚合管道并理解其底层实现原理与边界条件。一、GroupByKey 是什么根据 Python 版 GroupByKey 文档页 的定义Takes a keyed collection of elements and produces a collection where each element consists of a key and all values associated with that key.即输入是带键的元素集合key/value 对输出是每个键与其全部关联值组成的集合。这是典型的分组聚合Aggregation语义——把键相同、值不同的多条记录归并为一个键对应一组值的单一记录。在 编程指南的 GroupByKey 章节 中Beam 将GroupByKey定位为并行归约操作其地位相当于 Map/Shuffle/Reduce 范式中的Shuffle 阶段输入的多重映射multimap多个键重复、值各不相同被转换为单射映射uni-map唯一键对应值集合。一个直观的例子输入cat, 1 dog, 5 and, 1 jump, 3 tree, 2 cat, 5 dog, 2 and, 2 cat, 9 and, 6经过GroupByKey后输出cat, [1,5,9] dog, [5,2] and, [1,2,6] jump, [3] tree, [2]GroupByKey非常适合聚合具有共同特征的数据。例如客户订单记录中可以按邮政编码字段作为键、订单记录的其余部分作为值把所有同邮编的订单归并到一起见 编程指南 4.2.2 节。二、源码视角类型约束与核心实现在 Python SDK 中GroupByKey定义于 apache_beam/transforms/core.py其类型签名非常明确typehints.with_input_types(typing.Tuple[K, V]) typehints.with_output_types(typing.Tuple[K, typing.Iterable[V]]) class GroupByKey(PTransform):输入类型Tuple[K, V]即键值对元组。Python 中的键/值对就是一个二元组tuple。输出类型Tuple[K, Iterable[V]]即每个输出元素包含一个键K和该键下所有值的可迭代集合Iterable[V]。源码的 docstring 给出了最简说明Processes an input PCollection consisting of key/value pairs represented as a tuple pair. The result is a PCollection where values having a common key are grouped together. For example (a, 1), (b, 2), (a, 3) will result into (a, [1, 3]), (b, [2]).即输入(a, 1), (b, 2), (a, 3)会得到(a, [1, 3]), (b, [2])。从实现细节看GroupByKey.expand()core.py L3175 起在 Direct Runner 本地执行时通过内部的ReifyWindowsDoFn 将每个(k, v)元素转换为带窗口、带时间戳的(k, WindowedValue(v, timestamp, [window]))为后续按窗口分组做准备同时其infer_output_type会调用coerce_to_kv_type强制校验输入必须是KV[A, B]类型否则抛出类型错误。这说明GroupByKey 的输入必须是键值对结构不能直接对普通元素使用。此外GroupByKey实现了 Runner API 协议core.py L3221-L3232to_runner_api_parameter将其序列化为common_urns.primitives.GROUP_BY_KEY.urn原语这是所有 RunnerDataflow、Flink、Spark 等统一识别的 URNrunner_api_requires_keyed_input返回True向 Runner 声明该变换要求输入已经过键化keyed从而可以在集群上触发对应的 shuffle/group 执行策略。三、完整可运行示例按季节分组农产品文档页提供了两个 playground 交互式示例可在浏览器中直接运行其对应源码位于 examples/snippets/transforms/aggregation/groupbykey.pyplayground 元数据中名为GroupByKeySort。示例一按季节键分组所有农产品并对每组值排序import apache_beam as beam with beam.Pipeline() as pipeline: produce_counts ( pipeline | Create produce counts beam.Create([ (spring, ), (spring, ), (spring, ), (spring, ), (summer, ), (summer, ), (summer, ), (fall, ), (fall, ), (winter, ), ]) | Group counts per produce beam.GroupByKey() | beam.MapTuple(lambda k, vs: (k, sorted(vs))) # sort and format | beam.Map(print))该示例的执行步骤为beam.Create(...)创建含 10 个键值对的PCollection键是季节spring、summer、fall、winter值是农产品 emojibeam.GroupByKey()按季节分组得到每个季节及其农产品列表beam.MapTuple(lambda k, vs: (k, sorted(vs)))对每个键的值集合排序使输出结果可预测、可读beam.Map(print)打印结果。对应的单元测试 groupbykey_test.py 断言了期望输出注意测试会先对值集合排序以消除元素顺序的非确定性(spring, [, , , ]) (summer, [, , ]) (fall, [, ]) (winter, [])示例二文档页第二个 playground 示例SDK_PYTHON_GroupByKey演示不带排序的原始GroupByKey分组输出每个键对应的值集合——注意Beam 不保证组内值的顺序因此组内元素是无序集合如果业务上需要稳定顺序务必像示例一那样自行sorted()。四、常用搭配先 Map 造键再 GroupByKeyGroupByKey本身不产生键它只对已有的键值对进行分组。实际生产中最常见的模式是先通过beam.Map/ParDo把普通元素加工成键值对再应用GroupByKey。编程指南的示例 用词频统计演示了这一模式words_and_counts ( pipeline | beam.Create(contents) | beam.FlatMap(lambda x: re.findall(r\w, x)) | one word beam.Map(lambda w: (w, 1))) # 先把单词加工成 (word, 1) # GroupByKey accepts a PCollection of (w, 1) and # outputs a PCollection of (w, (1, 1, ...)). # (A key/value pair is just a tuple in Python.) grouped_words words_and_counts | beam.GroupByKey()这里beam.Map(lambda w: (w, 1))把每个单词映射为(word, 1)键值对之后GroupByKey得到(word, [1, 1, ...])最后用count_ones统计每个单词出现次数。编程指南在注释中特别指出这个例子也可以直接用beam.combiners.Count.PerElement更简洁地实现说明GroupByKey常常只是聚合链中的中间环节。需要注意的是Python SDK 中键值对就是普通的二元组如果键本身是复合结构如元组同样可以直接作为键参与分组。五、窗口与触发器无界 PCollection 的硬性前提GroupByKey是对有界数据最自然的分组操作但对于无界流式PCollection编程指南 4.2.2.1 节 明确要求If you are using unbounded PCollections, you must use either non-global windowing or an aggregation trigger in order to perform a GroupByKey or CoGroupByKey.原因在于有界分组的GroupByKey必须等待某个键的全部数据到齐才能输出而无界数据是无限的永远等不到全部。因此必须借助非全局窗口windowing或聚合触发器trigger把无限数据流切成逻辑上有界的数据块分组操作才能在这些有限块上进行。若对无界PCollection使用GroupByKey且未设置非全局窗口或触发器Beam 会在管道构建期抛出IllegalStateException错误。这一约束在源码expand()中也有直接体现core.py L3178-L3212if not pcoll.is_bounded and isinstance( windowing.windowfn, GlobalWindows) and isinstance(trigger, DefaultTrigger): if pcoll.pipeline.allow_unsafe_triggers: _LOGGER.warning(...) else: raise ValueError( GroupByKey cannot be applied to an unbounded PCollection with global windowing and a default trigger)也就是说当输入无界、窗口为全局窗口、触发器为默认触发器三者同时成立时Direct Runner 会直接抛出ValueError除非显式设置--allow_unsafe_triggers标志此时只告警但数据可能无法完整流过管道。源码还通过trigger.may_lose_data(windowing)检测其他可能丢数据的不安全触发器同样默认抛错、可选放行。另外当对多个已设置窗口的PCollection执行GroupByKey/CoGroupByKey分组时所有输入必须使用相同的窗口策略和窗口大小例如统一用 5 分钟固定窗口或 30 秒滑动一次的 4 分钟滑动窗口。若窗口不兼容Beam 同样在管道构建期抛出IllegalStateException。在无界场景下GroupByKey天然按窗口边界分组属于逐窗口per-window操作这也是它常与窗口触发器一起出现的原因。六、与相关变换的选型对比GroupByKey 文档页 在末尾给出了三个相关变换理解它们的差异有助于正确选型变换作用适用场景GroupByKey输入键值对按已有键把值收集成集合键已在数据中显式存在如季节、邮编、单词GroupBy根据元素自身的任意属性/表达式动态生成键再分组键需要从元素中计算得出而不是预先存在CombinePerKey对每个键的所有值用CombineFn合并为单个结果需要按键聚合出单一值求和、求均值、TopK 等CoGroupByKey对多个输入PCollection按公共键做关系型连接多数据源按相同键关联类似 SQL JOIN其中与GroupByKey最易混淆的是GroupBy文档源码文档明确指出Unlike GroupByKey, the key is dynamically created from the elements themselves.其源码 docstring 说明GroupBy(expr)大致等价于beam.Map(lambda v: (expr(v), v)) | beam.GroupByKey()即先算键、再按键分组的语法糖并支持多字段组合键GroupBy(aexpr1, bexpr2)、字符串属性简写GroupBy(some_field)等价于GroupBy(lambda v: getattr(v, some_field))以及aggregate_field聚合扩展。当分组键需要从元素属性或表达式中动态推导时优先用GroupBy当键已经存在于数据中时用GroupByKey更直接。CombinePerKey与GroupByKey输出键 值集合不同CombinePerKey对每个键的值归并成单一结果。若你只需要每个键的聚合值如总和、计数、最大值而非完整的值列表应直接使用CombinePerKey避免先GroupByKey再手动归约的开销。CoGroupByKey当需要把两个或多个键值PCollection按公共键连接如姓名-邮箱与姓名-电话两张表合成一张时使用CoGroupByKey实现关系型 JOINGroupByKey只处理单个输入集合。七、总结与最佳实践围绕 Apache Beam Python SDK 的GroupByKey核心要点可归纳为语义输入Tuple[K, V]的键值对集合输出Tuple[K, Iterable[V]]把多键多值的多重映射变为唯一键 值集合的单射映射等价于 Map/Shuffle/Reduce 的 Shuffle 阶段。类型约束输入必须是键值对Python 二元组源码通过coerce_to_kv_type强制校验底层序列化为GROUP_BY_KEYRunner API 原语并要求输入已键化。顺序不保证GroupByKey不保证组内值的顺序需要稳定输出时自行sorted()见官方示例。无界数据前提对无界PCollection必须配合非全局窗口或聚合触发器否则管道构建期即报错全局窗口 默认触发器 无界输入的组合会抛出ValueError除非显式--allow_unsafe_triggers。窗口兼容性分组多个带窗口的PCollection时必须使用相同的窗口策略与窗口大小。选型键已存在用GroupByKey键需动态推导用GroupBy只需单一聚合值用CombinePerKey多集合连接用CoGroupByKey。最后建议直接到 playground 示例源码 与 groupbykey_test.py 中动手运行、修改验证learning/katas/python/Core Transforms/GroupByKey/GroupByKey/task.md 还提供了一个按单词首字母分组的练习题目适合用来巩固本文所学。赞分享批处理流处理大数据【免费下载链接】beamApache Beam is a unified programming model for Batch and Streaming data processing.项目地址https://gitcode.com/gh_mirrors/beam15/beam点击查看免费下载相关推荐Apache Beam Python SDK 的 GroupByKey 变换按键分组的原理、完整示例与源码级解析Apache Beam Python SDK 的 GroupByKey 变换按键分组的原理、完整示例与源码级解析 GroupByKey 是 Apache BeApache Beam Java SDK Combine 变换实战指南全局聚合与按键聚合Apache Beam Java SDK Combine 变换实战指南全局聚合与按键聚合 Apache Beam 的 Combine 变换用于将 PColle大数据批处理流处理数据工程Apache Beam Java SDK 的 GroupIntoBatches 变换按键分批聚合的原理与实战Apache Beam Java SDK 的 GroupIntoBatches 变换按键分批聚合的原理与实战 导读 GroupIntoBatches 是 Ap批处理流处理大数据上一篇Meshroom终极指南免费开源3D重建软件的完整入门教程下一篇为什么OSS Browser是管理阿里云OSS的终极桌面客户端5个理由让你无法拒绝创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
![[从入门到入土!!!] Ubuntu20.04 系统开发环境配置（系统配置，显卡驱动，CUDA，ROS，VSCode，Anaconda等）](http://pic.xiahunao.cn/yaotu/[从入门到入土!!!] Ubuntu20.04 系统开发环境配置（系统配置，显卡驱动，CUDA，ROS，VSCode，Anaconda等）)
