- 博客(1993)
- 收藏
- 关注
RSS订阅原创 大数据领域数据仓库的查询优化策略
你有没有遇到过这样的情况？跑一个数据仓库的查询，等了半小时还没结果，而老板催着要当天的报表；或者明明只查10条数据，却扫描了整个1TB的表，导致集群资源被占满？在大数据时代，数据仓库的查询性能直接影响业务决策的速度——。本文将从等10个核心维度，结合，帮你系统解决数据仓库查询慢的问题。无论你用的是Hive、Spark SQL还是Presto，这些策略都能直接落地，让你的查询效率提升数倍甚至数十倍。
2025-10-23 02:20:08
86
原创 规范性分析如何优化大数据存储成本？实用技巧
随着数字化转型加速，企业数据量正以年均40%的速度爆炸式增长（IDC, 2023）。据UBS调研，大数据存储成本已占企业IT总预算的25%-40%，其中。
2025-10-23 00:58:12
253
原创 精通大数据领域多维分析，成为数据高手
在数据驱动决策的时代，多维分析（Multidimensional Analysis）已成为从海量数据中提取商业洞察的核心技术。本文将带你全面掌握大数据多维分析的理论基础、技术栈、实战技巧和最佳实践，从数据立方体的数学原理到分布式OLAP系统的架构设计，从Python/Pandas的基础操作到Spark+Kylin的企业级实现，循序渐进，帮助你从数据分析师蜕变为真正的数据高手。无论你是初入大数据领域的新人，还是希望提升分析能力的资深开发者，这篇万字长文都将成为你掌握多维分析的终极指南。
2025-10-22 23:03:42
342
原创 数据增强在大数据可视化中的创新应用
在大数据时代，“数据可视化”是连接原始数据与人类理解的桥梁，但当面对数据质量差、维度爆炸、模式隐藏等挑战时，传统可视化往往陷入“画得出图，讲不清故事”的困境。此时，数据增强——这一原本用于提升机器学习模型性能的技术，正在可视化领域焕发新生：它像“数据化妆师”一样填补缺失值、像“维度翻译官”一样简化复杂关系、像“交互魔术师”一样让用户参与数据解读，甚至像“压力测试员”一样验证可视化的可靠性。本文将从生活化比喻入手，拆解数据增强在可视化中的核心逻辑；用代码示例和流程图还原实现过程；通过真实案例展示其创新应用。
2025-10-22 21:09:10
246
原创 掌握大数据领域Spark SQL的高级用法
数组(Array)：有序元素集合，如结构体(Struct)：命名字段的集合，如映射(Map)：键值对集合，如JSON：可以解析为Struct或Array的JSON字符串这些复杂类型在处理现实世界数据时非常有用，如用户行为日志、产品属性、嵌套事件数据等。窗口函数（Window Functions）是Spark SQL中最强大的功能之一，允许用户在一组行上执行计算，同时保留原始行数据。窗口函数结合了聚合函数和行级操作的优点，特别适用于排名、移动平均值、累积计算等场景。：将数据划分为多个组（窗口）
2025-10-22 19:47:15
629
原创 超实用！大数据BI工具的个性化定制技巧
目的：帮助读者掌握BI工具个性化定制的核心逻辑与实操技巧，解决“通用BI不符合业务需求”的痛点（比如报表太笼统、指标不匹配、交互不灵活）。范围：覆盖BI定制的全流程（需求→设计→实现→维护），重点讲解可视化定制、功能扩展、权限管理、集成联动四大模块，结合Tableau、Power BI等主流工具的案例，让技巧可复制。本文采用“问题引入→概念拆解→技巧实战→趋势展望用“学校运动会统计”的故事引出BI定制的必要性；拆解BI定制的核心概念（比如“数据模型像整理书包”）；
2025-10-22 18:25:19
328
原创 大数据存储合规：云环境下的数据主权问题
想象一下，一家跨国医疗公司，在全球各地拥有众多分支机构，积累了海量的患者医疗数据，这些数据包含着患者的敏感信息，如病史、基因数据等。为了降低存储成本和提高数据管理效率，该公司决定将数据存储在云服务提供商提供的云环境中。然而，不久后，该公司发现，由于云服务提供商的服务器分布在不同国家，当地政府依据本国法律对这些数据提出了访问要求。这就引发了一系列棘手的问题：这些数据到底归谁所有？公司是否有权拒绝他国政府的访问请求？这便是云环境下数据主权问题的一个缩影，而大数据存储合规在这种情况下显得尤为关键。
2025-10-22 16:57:08
557
原创 全面解读大数据领域数据压缩的技术要点
压缩本质：通过减少数据冗余（统计/结构/语义）降低存储和传输成本，大数据场景以无损压缩为主。算法选型：通用算法（Snappy/LZ4/Zstd）是基础，专用算法（Parquet列压缩、Varint编码）是提升关键，需按“数据类型+场景需求”选择。分布式策略：压缩粒度（块级最优）、与计算引擎协同（Spark/Kafka配置）、索引优化（避免全量解压）是分布式压缩的三大支柱。实践原则存储密集型场景：Zstd/Brotli（高压缩率）；计算密集型场景：LZ4/Snappy（高速度）；
2025-10-22 15:02:38
682
原创 提示工程架构师必看：Agentic AI在公共服务中的7大落地场景，直接抄作业
在讲场景之前，先简单定义一下Agentic AI（智能体AI）：它是具备自主决策能力的AI系统，能根据目标，主动感知环境、规划任务、调用工具、执行动作，并根据反馈调整策略。目标导向（Goal-Oriented）：不是“回答问题”，而是“解决问题”。比如用户说“我要办营业执照”，传统AI会列步骤，Agent会帮你“走完整个流程”。主动规划（Active Planning）：能把复杂任务拆分成子步骤，比如“办营业执照”需要“核名→提交材料→领取执照→税务登记”，Agent会一步步引导。
2025-10-22 13:18:29
647
原创 揭秘大数据日志数据的分布式存储系统
当你打开手机刷短视频时，当你在电商平台下单时，当你用导航软件规划路线时，每一个操作都会生成一条日志。这些日志像“数字脚印”，记录着系统的运行状态、用户的行为轨迹。但当日志量从“每天1GB”暴涨到“每天1TB”甚至“1PB”时，传统的单文件存储就像“小抽屉”装不下“大图书馆”的书——容量不够、找书太慢、容易丢书。如何把海量日志“拆分成册”（分片）、“分散存放”（节点）、“备份多份”（副本），同时让你能“快速找到”（索引）想要的日志？
2025-10-22 11:56:32
370
原创 大数据领域分布式存储的智能城市数据存储
智能城市的核心是“用数据驱动决策”：交通灯根据车流量调整时长，环保局根据传感器数据预警雾霾，政务系统根据市民诉求优化服务。但这些数据的体量、速度、类型大：一个中等城市的交通摄像头，一天产生的视频数据达50TB；多：数据类型覆盖非结构化（视频）、结构化（传感器数值）、半结构化（地图）；快：传感器每秒发送1000条数据，要求“收到即存”；准：政务数据（如社保记录）不能错，错了会影响市民权益。分布式存储为什么是智能城市的“必选存储方案”？它的核心原理是什么？怎么用它搭建一套能扛住智能城市数据的存储系统？
2025-10-22 10:12:22
499
原创 基于云计算的大数据规范性分析平台搭建
数据格式不统一（比如日期有“2023-10-01”和“10/01/2023”两种格式）；缺失值/重复数据泛滥（比如用户表中存在10%的空邮箱，订单表有重复的交易记录）；分析流程不规范（比如不同团队用不同的metrics计算活跃用户，导致结果冲突）；资源利用低效（比如本地集群在峰值时拥堵，空闲时浪费）。这些问题直接导致分析结果偏差（用错误数据做决策）、团队协作成本高（重复校验数据）、云计算成本超支（资源未合理分配）。本文提出一种基于云计算的大数据规范性分析平台解决方案，整合。
2025-10-22 08:17:52
511
原创 2023年最值得关注的5大数据服务技术趋势
在当今数字化时代，数据已成为企业和社会发展的核心资产。就如同石油在工业时代的重要性一样，数据驱动着各个行业的创新与变革。数据服务技术作为连接数据与应用的桥梁，其发展态势直接影响着企业挖掘数据价值的能力。2023 年，数据服务技术呈现出一系列引人瞩目的趋势，这些趋势不仅会改变数据的处理、存储和分析方式，还将为众多领域带来新的机遇和挑战。了解并紧跟这些趋势，对于企业在竞争激烈的市场中保持领先地位，实现可持续发展至关重要。
2025-10-22 01:49:41
229
原创 从零搭建实时数仓：基于Flink+ClickHouse的实践
实时数据处理和实时数据查询。市场上的技术方案众多，为何选择Flink+ClickHouse？
2025-10-22 00:14:11
581
原创 大数据领域数据服务在交通行业的应用探索
当你在早高峰的环路堵得寸步难行时，是否想过：为什么红绿灯还是按固定时长切换？为什么导航APP的路况提示总是慢半拍？为什么公交明明显示“即将到站”却等了20分钟？这些问题的根源，在于交通数据的“碎片化”与“价值沉睡”数据来源分散：卡口摄像头、GPS终端、手机信令、气象站、交通事件报警等数据分布在不同系统，形成“数据孤岛”；处理能力不足：传统交通系统依赖批量处理，无法应对实时路况的动态变化；价值转化低效：大量数据仅用于事后统计（如月度拥堵报告），未能直接服务于实时决策（如公交调度、路线规划）。
2025-10-21 22:19:41
91
原创 Spark与Ceph集成：分布式存储上的大数据处理
在大数据领域，“数据”是核心生产资料，而“存储”与“计算”则是支撑其价值释放的两大基石。Apache Spark凭借其卓越的内存计算能力和丰富的API生态，已成为大数据处理和分析的事实标准。然而，Spark的强大计算能力需要高效、可靠、可扩展的存储系统作为支撑。传统上，HDFS（Hadoop Distributed File System）是Spark的黄金搭档。HDFS专为批处理设计，与Spark/Hadoop生态系统紧密集成。
2025-10-21 20:51:29
201
原创 大数据描述性分析在电商领域的5个典型应用场景
本文通过“理论+工具+实战”的方式，系统讲解了描述性分析在电商领域的5大应用场景，每个场景包含业务价值、核心指标、实战步骤和案例，适合电商从业者快速上手。，通过“理论+工具+实战”的方式，详细讲解如何从用户、商品、营销、客户关系、供应链5个维度切入，用数据驱动精细化运营。：运营说“复购率20%”，财务说“复购率15%”，原因是指标定义不同（运营统计“30天复购”，财务统计“90天复购”）。，许多电商企业仍面临“数据孤岛”“分析碎片化”“业务与数据脱节”等痛点，导致80%的数据价值被闲置。
2025-10-21 19:29:34
468
原创 大数据数据脱敏：提升数据安全性的关键
想象一下，你去医院看病时填写的病历单上有你的身份证号、家庭住址和病史；网购时留下的手机号和收货地址；银行APP里的银行卡号和交易记录……这些包含个人隐私或企业机密的信息，就是"敏感数据"。如果这些数据直接暴露给未经授权的人（比如黑客、无关工作人员），可能导致身份被盗、财产损失甚至社会安全风险。
2025-10-21 18:07:36
99
原创 大数据分布式计算在医疗行业的创新应用
想象一下：一家三甲医院每天会产生多少数据？门诊病历（约5000份）、CT/MRI影像（约2000例）、检验报告（约10万项）、心电数据（约500小时）……这些数据如果打印出来，能堆满一个标准篮球场！但传统电脑处理这些数据时，就像用吸管喝游泳池的水——太慢了。本文的目的就是揭开"大数据分布式计算"这个"超级水泵"的神秘面纱，告诉大家它如何帮助医疗行业"喝光"这些数据"游泳池"，并从中提取出治病救人的"黄金信息"。范围将覆盖：分布式计算如何解决医疗数据"量大、多样、快变、低价值密度"的难题；
2025-10-21 16:13:06
177
原创 利用Tableau挖掘大数据背后的秘密
订单表：包含订单ID、客户ID、订单日期、地区、总金额等订单明细表：包含订单ID、产品ID、数量、单价等产品表：包含产品ID、类别、子类别、价格等客户表：包含客户ID、人口统计信息、注册。
2025-10-21 14:51:11
233
原创 2023年最值得关注的5大数据目录工具对比评测
数据目录是一个集中式平台，用于收集、存储和管理关于数据资产的元数据，提供数据发现、理解和信任的能力。它不仅是元数据的仓库，更是连接数据生产者和消费者的桥梁。提高数据可发现性：让用户快速找到所需数据增强数据理解：提供数据上下文、含义和使用方法促进数据治理：支持数据质量管理、合规性和安全性加速数据创新：减少数据准备时间，提高分析效率。
2025-10-21 13:29:15
546
原创 大数据ETL实战案例：成功经验分享
技术栈升级：采用"Apache NiFi（抽取）+ Spark（转换）+ Hive/HBase（存储）+ Airflow（调度）+ Great Expectations（数据质量）"的异构架构方法论革新：引入"数据资产化"理念，建立全生命周期管理流程工程化实践：DevOps流程落地，实现ETL代码的CI/CD与质量门禁数据处理时效从12小时压缩至45分钟（提升16倍）数据准确率从82%提升至99.97%新增实时数据管道，支撑毫秒级用户行为分析。
2025-10-21 12:07:19
636
原创 推荐系统AB测试：大数据环境下的评估方法论
在这个"信息比空气还多"的时代，推荐系统就像我们的"数字导购员"——电商平台推荐你可能想买的商品，视频网站推荐你可能爱看的剧集，音乐APP推荐你可能喜欢的歌曲。但这个"导购员"的能力并非天生完美，工程师们需要不断优化算法让它更懂用户。可问题来了：如果随便改算法，可能像闭着眼睛做菜——有时味道变好，有时却难以下咽（比如推荐的内容用户根本不看，甚至卸载APP）。AB测试就是帮我们"睁开眼睛做菜"的工具：它通过科学对比新旧算法的效果，让我们知道新算法到底是"美味佳肴"还是"黑暗料理"。本文将聚焦。
2025-10-21 10:23:09
249
原创 大数据领域数据清洗的创新方法
假设你是一家奶茶店的老板，想通过用户订单数据找出“最受欢迎的奶茶口味”。但拿到的订单数据里，有的用户把“珍珠奶茶”写成了“珍猪奶茶”，有的订单没有填“购买时间”，还有的订单重复提交了3次（用户点了两次“确认”）。这些“有问题的数据”就是脏数据把脏数据“洗干净”，让数据变得准确、完整、一致，能放心用在分析或模型训练中。本文的范围是大数据场景下的创新数据清洗方法（区别于小数据的手工清洗），重点讲“如何用新技术解决传统方法解决不了的问题”。本文会按“问题→传统解法→创新解法→实战→未来。
2025-10-21 08:39:01
312
原创 大数据实时可视化：从数据到洞察的快速通道
今天的世界，每秒钟都在产生1.14万亿字节的数据——外卖订单、交通传感器、工厂设备、用户点击……这些数据像“刚出炉的面包”，新鲜的时候最有价值。但传统的“离线分析”（比如晚上下班才统计当天销量）就像“把面包放凉了再吃”，等你拿到结果，商机早就跑了。理解实时可视化的核心逻辑（不是“画漂亮的图”，而是“快速传递信息”）；学会用代码搭建一个最小可行的实时看板（从数据生成到界面展示）；知道不同场景下该选什么工具（比如流处理用Flink还是Spark，可视化用Streamlit还是ECharts）。
2025-10-21 02:03:29
446
原创 数据科学面试宝典：50个必知必会的大数据面试题
数据科学面试就像一场寻宝游戏：您需要找到藏在复杂问题背后的“宝藏”知识。大数据时代，企业越来越依赖数据驱动决策，因此对数据科学家和大数据工程师的需求激增。一份数据科学职位的面试通常涉及算法、统计学、编程和实际问题解决能力。本文旨在帮您轻松通关。核心概念与联系：用故事和比喻解释大数据、机器学习等概念，展示它们的关系流程图。核心算法原理：用Python代码详解一个典型算法（如线性回归），包括步骤和数学模型。项目实战：实战案例，使用Spark分析真实数据集（代码完整解释）。50个面试题解析。
2025-10-21 00:27:58
607
原创 掌握大数据领域 OLAP 的维度建模技巧
本文将系统讲解大数据领域 OLAP 维度建模的核心原理与实战技巧。从“什么是维度建模”“为什么需要维度建模”讲起，逐步深入到星型模型、雪花模型等经典设计，再到维度表/事实表的具体设计技巧（如缓慢变化维度、高基数维度处理），最后结合 Hive、ClickHouse 等大数据场景，落地一套可复用的维度建模方法论。维度建模（Dimensional Modeling）是由数据仓库之父 Ralph Kimball 提出的设计方法，核心思想是：“将数据组织成易于理解的、面向业务分析的结构，支持快速的查询和报表生成。
2025-10-20 23:06:02
554
原创 虚拟社交AI系统的架构评审 checklist：15个关键维度确保系统稳健性
身份与人格一致性：确保AI像「真实的人」一样有稳定的身份；情感计算与表达：确保AI能「共情」用户的情绪；隐私与安全：确保用户的隐私数据不泄露；伦理与合规：确保AI生成的内容符合伦理规范；可解释性与透明度：确保用户信任AI的行为。我是张三，资深AI架构师，有10年AI系统开发经验，专注于虚拟社交AI、情感计算、AI伦理等领域。曾参与开发过多款知名虚拟社交AI产品，如「小悠陪伴型AI」「小明游戏型AI」。欢迎关注我的公众号「AI架构师笔记」，一起探讨AI技术的未来。本文字数：约12000字。
2025-10-20 21:37:49
542
原创 时序数据异常检测：5种大数据场景下的算法实现
你是否遇到过这样的问题？这些问题的核心，都是。时序数据（Time Series Data）是按时间顺序排列的序列数据，广泛存在于电商、工业、金融、物联网等领域。据Gartner预测，2025年全球时序数据量将达到175ZB，占所有数据的30%以上。而异常检测作为时序数据挖掘的关键任务，直接关系到业务的稳定性和安全性。本文将针对，介绍5种实用的时序异常检测算法，涵盖统计学习、深度学习、流式处理、图神经网络等方向，并结合和，帮你解决“算法选不对”“大数据处理慢”“实时性不够”的痛点。
2025-10-20 19:43:17
529
原创 Hadoop集群监控与管理工具推荐
Ambari是Apache基金会的顶级项目，专为Hadoop集群提供全生命周期管理的开源平台，由 Hortonworks 最初开发，后与Cloudera合并后仍作为开源项目存在。
2025-10-20 17:48:47
204
原创 大数据领域数据采集的可视化展示方法
想象你是一位农民，种了100亩麦田。每天你需要采集土壤湿度、气温、光照等数据，才能决定何时浇水、施肥。如果这些数据只是密密麻麻的数字，你可能会错过“某块地连续3天湿度为0”的异常；将抽象的采集数据转化为直观的视觉信号，帮助人们快速发现问题、监控流程、优化策略。本文聚焦“大数据领域数据采集阶段”的可视化展示，不涉及后续数据分析或机器学习的可视化。我们将回答：数据采集时需要看什么？用什么图表展示？如何实时监控采集状态？不同场景（如物联网设备、用户行为、日志文件）该选哪种可视化方法？核心概念。
2025-10-20 16:20:36
967
原创 大数据领域Kappa架构的未来发展方向
想象你是一家奶茶店的店长，每天需要处理两类数据：一类是实时的订单数据（顾客此刻点了什么），一类是历史的销售数据（过去一个月哪种奶茶最受欢迎）。早期你可能安排两个人分别处理：一个人盯着收银机记实时订单，另一个人每天关店后整理全天单据。但这样不仅要维护两套记录方式，还可能出现"实时记的销量"和"事后算的销量"对不上的尴尬情况——这就是早期大数据处理的痛点。
2025-10-20 14:26:04
725
原创 Agentic AI+数字营销：这个组合让你的业绩翻倍！
你有没有过这样的经历：辛辛苦苦写了10篇营销文案，发出去后阅读量寥寥；花大价钱投了广告，却不知道哪些客户真正会买单；客户咨询消息堆了几十条，回复慢了人就跑了……数据过载（看得懂数据却来不及用）决策滞后（等分析完，机会早没了）个性化不足（用“同一道菜”招待所有客人）。而Agentic AI，就是来解决这些问题的“超级助手”。它不止是“执行命令的工具”，更是“能自己设定目标、制定计划、解决问题”的智能体。Agentic AI到底是什么？和普通AI有啥不一样？
2025-10-20 12:50:34
602
原创 Neo4j在智能客服中的大数据关系挖掘
想象你拨打客服电话时，经常遇到这样的场景：“您的问题需要转接到技术部门”“这个问题我需要查询手册”——传统智能客服就像拿着一本厚厚的字典，只能按关键词"翻页"，却看不见问题背后的关联。而Neo4j的出现，就像给客服系统装上了"关系显微镜"，能清晰看到用户、问题、产品、解决方案之间的隐藏联系。为什么传统数据库（如MySQL）在智能客服关系挖掘中"力不从心"？Neo4j图数据库如何通过"节点-关系"模型构建客服知识图谱？如何用Neo4j实现从用户提问到精准解答的全流程关系挖掘？
2025-10-20 10:56:03
632
原创 大数据数据工程面试题大全：2024最新版
时序数据库（TSDB）是专门优化用于存储和查询时间序列数据的数据库，时间序列数据是按时间顺序记录的一系列数据点（如传感器读数、系统指标等）。
2025-10-20 09:34:08
720
原创 掌握大数据领域 Hive 的外部表使用方法
在大数据时代，数据管理已成为企业数字化转型的核心挑战。Apache Hive作为构建数据仓库的基石，其外部表功能为高效、安全地管理海量数据提供了强大支持。本文将带领读者深入探索Hive外部表的世界，从基础概念到高级应用，从理论原理到实战操作，全面解析外部表的工作机制、使用场景和最佳实践。无论你是大数据领域的新手还是有经验的开发者，这篇文章都将帮助你掌握Hive外部表的精髓，优化你的数据管理策略，提升数据处理效率，并规避常见的陷阱与误区。
2025-10-20 02:39:35
311
原创 大数据领域数据血缘的技术架构与选型指南
想象你经营着一家大型面包厂，每天从农场采购小麦（数据源），经过磨粉、发酵、烘烤（数据加工），最终制作成面包、蛋糕、饼干（数据产品）销往各地。某天，多位顾客投诉蛋糕太甜，你需要快速定位问题：是小麦本身含糖量高？还是磨粉时加糖过多？或是烘烤时配方错了？如果没有记录每批小麦的流向、加工步骤和用料，你可能要检查所有环节，耗时费力。数据血缘就是解决这类问题的“生产记录系统”——它让数据的全生命周期可追溯，帮助企业实现数据质量监控、故障排查、合规审计、数据治理等关键目标。
2025-10-20 00:45:06
624
原创 掌握大数据OLAP查询优化的实用方法
"我们的数据分析师又在抱怨了！"某电商企业的数据平台负责人李明揉着太阳穴说道。这已经是本周第三次收到关于查询性能的投诉。随着业务的快速发展，公司的数据量以每月30%的速度增长，现在已经达到了PB级别。曾经运行流畅的OLAP系统，如今一个简单的多维度分析查询就要耗时几分钟，复杂查询甚至会超时失败。市场部门急需实时了解最新的促销效果，运营团队需要监控上千个商品类别的销售动态，高管们希望通过实时dashboard掌握公司运营状况——而所有这些需求都受制于OLAP系统的响应速度。数据团队尝试增加硬件资源，但这不仅成
2025-10-19 23:09:36
377
原创 大数据领域分布式存储的分布式区块链应用
在大数据时代，传统分布式存储系统（如HDFS、Ceph）面临三大核心挑战：中心化架构导致的单点故障风险、数据隐私与安全漏洞、跨组织数据共享的信任成本高昂。同时，数据爆炸式增长带来的存储成本压力、数据主权归属模糊等问题，进一步凸显了现有架构的局限性。：区块链技术的去中心化、不可篡改、透明可追溯特性，为解决上述问题提供了全新思路。
2025-10-19 21:41:23
315
原创 Hadoop与Python：PySpark大数据处理指南
理解为什么需要Hadoop和Spark（大数据处理的“刚需”场景）；搞懂Hadoop、Spark、PySpark的关系（谁负责存储？谁负责计算？Python扮演什么角色？掌握PySpark的核心操作（如何用Python代码处理分布式数据）；完成一个实战项目（用PySpark分析电商用户行为数据，输出可落地的业务结论）。范围：聚焦Hadoop生态中与数据处理最相关的组件（HDFS、YARN、Spark），重点讲解PySpark的编程模型和实战技巧，不涉及Hadoop底层源码或Spark内核开发。
2025-10-19 20:05:52
592
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人