Flink 記憶體配置學習總結

来源:https://www.cnblogs.com/shouke/archive/2023/11/06/17814000.html
-Advertisement-
Play Games

設置進程記憶體(Process Memory) Apache Flink通過嚴格控制其各種組件的記憶體使用，在JVM之上提供高效的工作負載。 配置總記憶體(Total Memory) Flink JVM進程的總進程記憶體(total process memory)由Flink應用程式消耗的記憶體(總Flink ...


設置進程記憶體(Process Memory)

Apache Flink通過嚴格控制其各種組件的記憶體使用，在JVM之上提供高效的工作負載。

配置總記憶體(Total Memory)

Flink JVM進程的總進程記憶體(total process memory)由Flink應用程式消耗的記憶體(總Flink記憶體(total Flink memory))和JVM運行進程所消耗的記憶體組成。總Flink記憶體消耗包括JVM堆記憶體( JVM Heap)和堆外(Off-heap，直接(direct)或本地(native)記憶體的使用量

在Flink中設置記憶體的最簡單方法是配置以下兩個選項之一：

組件 TaskManager配置選項 JobManager配置選項
Total Flink memory taskmanager.memory.flink.size jobmanager.memory.flink.size
Total process memory taskmanager.memory.process.size jobmanager.memory.process.size

其餘記憶體組件將根據預設值或額外配置的選項自動調整。

配置 total Flink memory 更適合standalone部署，其中要聲明給Flink本身多少記憶體。total Flink memory分為JVM Heap和 Off-heap記憶體。另請參閱如何為standalone部署配置記憶體。

如果配置了total process memory，那就聲明瞭總共應該為Flink JVM進程分配多少記憶體。對於容器化部署，它對應於請求的容器的記憶體大小，另請參閱如何為容器配置記憶體(Kubernetes 或者 Yarn)

另一種設置記憶體的方法是配置特定於具體Flink進程的total Flink memory所需的內部組件，比如TaskManager、JobManager。

必須使用上述三種方法之一來配置Flink的記憶體（本地執行除外），否則Flink啟動將失敗。這意味著必須顯式配置以下沒有預設值的選項子集之一：

針對TaskManager: 針對JobManager:
taskmanager.memory.flink.size jobmanager.memory.flink.size
taskmanager.memory.process.size jobmanager.memory.process.size
taskmanager.memory.task.heap.size 和taskmanager.memory.managed.size jobmanager.memory.heap.size

不建議同時顯示配置 total process memory 和 total Flink memory。因為這樣可能因為潛在的記憶體配置衝突，導致部署失敗。配置其它記憶體組件時同樣需要註意，因為也可能產生配置衝突。

JVM參數

Flink在啟動進程時，會根據配置或派生的記憶體組件大小，顯式添加以下與記憶體相關的JVM參數：

JVM 參數 Value for TaskManager Value for JobManager
-Xmx 和 -Xms Framework + Task Heap Memory JVM Heap Memory (*)
-XX:MaxDirectMemorySize Framework + Task Off-heap (**) + Network Memory Off-heap Memory (**),(***)
-XX:MaxMetaspaceSize JVM Metaspace JVM Metaspace

(*) 請記住，根據使用的GC演算法，你可能無法使用全部堆記憶體。一些GC演算法會為自己分配一定數量的堆記憶體。這將導致Heap metrics返回不同的最大值(https://nightlies.apache.org/flink/flink-docs-release-1.17/docs/ops/metrics/#memory)。
(**) 請註意，用戶代碼中本地非直接使用記憶體也可以作為堆外記憶體的一部分。
(***) 僅當設置了對應的jobmanager.memory.enable-jvm-direct-memory-limit 選項時，才會為JobManager添加JVM Direct記憶體限制

根據比例限制的組件(Capped Fractionated Components)

本節描述了選項的配置細節，這些選項(的大小)可以設置為其它記憶體大小的占比，同時受到min-max範圍的限制：

  • JVM Overhead（JVM 開銷）可以設置為 total process memory的占比
  • Network memory 可以設置為 total Flink memory 的占比(僅針對TaskManager)

相關記憶體部分的配置方法，請同時參考 TaskManager 和 JobManager 的詳細記憶體模型。

這些組件的記憶體大小必須在相應的最大值、最小值範圍內，否則 Flink 將無法啟動。 最大值、最小值具有預設值，也可以通過相應的配置選項顯示設置。 例如，如果僅配置以下記憶體選項：

  • total Process memory = 1000MB,
  • JVM Overhead min = 64MB,
  • JVM Overhead max = 128MB,
  • JVM Overhead fraction = 0.1

那麼 JVM Overhead將會是 1000MB x 0.1 = 100MB，在 64-128MB 的範圍內。

註意，如果將最大值、最小值設置成相同大小，那相當於明確指定了該組件記憶體的大小。

如果沒有明確指定組件記憶體的大小，Flink 會根據總記憶體和占比(fraction)計算出該組件記憶體的大小。 計算得到的記憶體大小將受限於相應的最小值/最大值選項。 例如，如果僅配置下列選項：

  • total Process memory = 1000MB,
  • JVM Overhead min = 128MB,
  • JVM Overhead max = 256MB,
  • JVM Overhead fraction = 0.1

那麼 JVM Overhead將會是 128MB，因為根據總記憶體和占比計算得到的記憶體大小 100MB 小於最小值128MB。

如果配置了總記憶體和其他組件記憶體的大小，那麼 Flink 也有可能會忽略給定的占比。 這種情況下，JVM Overhead被設置為總記憶體減去其他所有組件記憶體後的剩餘部分。 這樣推導得出的記憶體大小必須符合最大值、最小值範圍，否則配置失敗。 例如，假設僅配置下列選項：

  • total Process memory = 1000MB,
  • task heap = 100MB, (類似的例子可以是JobManager中的JVM Heap)
  • JVM Overhead min = 64MB,
  • JVM Overhead max = 256MB,
  • JVM Overhead fraction = 0.1

total Process memory中所有其他組件記憶體均有預設大小，包括 TaskManager 的預設Managed Memory占比或 JobManager 的預設Off-heap 記憶體。 因此，**JVM Overhead的實際大小不是根據占比算出的大小（1000MB x 0.1 = 100MB），而是total Process memory的剩餘部分，該值的大小必須在 64-256MB 的範圍內，否則將會啟動失敗。

設置任務管理器記憶體(TaskManager Memory)

TaskManager在Flink中運行用戶代碼。根據需要配置記憶體使用情況可以大大減少Flink的資源占用，並提高作業穩定性。

下述記憶體配置描述適用版本1.10及往後版本。

配置總記憶體

Flink JVM進程的total process memory由Flink應用程式消耗的記憶體（總Flink記憶體）和JVM運行進程所消耗的記憶體組成。總Flink記憶體消耗包括JVM堆、托管記憶體（由Flink管理）和其他直接（或本機）記憶體的使用。

image-20230912234452858

如果您在本地（例如從IDE）運行Flink而沒有創建集群，那麼只有記憶體配置選項的一個子集是相關的，請參閱本地運行 以瞭解更多詳細信息。

否則，為TaskManager設置記憶體的最簡單方法是配置總記憶體(參見上文)。這裡更詳細地描述了一種更細粒度的方法。

其餘記憶體組件將根據預設值或額外配置的選項自動調整。

配置堆和托管記憶體(Heap and Managed Memory）

如前所述 ，在Flink中設置記憶體的另一種方法是顯式指定兩者task堆記憶體 和 托管記憶體）。它為Flink的任務可用堆記憶體及其托管記憶體提供了更多控制。

其餘記憶體組件將根據預設值或額外配置的選項自動調整。

如果已顯式配置任務堆和托管記憶體，建議既不設置total process memory，也不設置 total Flink memory，否則，很容易導致記憶體配置衝突

Task (Operator)堆記憶體

如果想保證一定數量的JVM堆記憶體可用於的用戶代碼，可以顯式地設置任務堆記憶體（taskmanager.memory.task.heap.size）。它將被添加到JVM堆大小中，並將專用於運行用戶代碼的Flink operator。

托管記憶體

托管記憶體由Flink管理，並作為本地記憶體（堆外記憶體）進行分配。以下工作負載使用托管記憶體：

托管記憶體的大小可以：

如果兩者都已設置，則Size將覆蓋fraction。如果沒有顯式配置size和fraction，則使用預設fraction

查看如何為state backends 和batch jobs配置記憶體。

使用者權重(Consumer Weights)

如果作業包含多種類型的托管記憶體使用者，還可以控制如何在這些類型之間共用托管記憶體。配置選項taskmanager.memory.managed.consumer-weights 允許你為每種類型設置一個權重，Flink將按比例保留托管記憶體。有效的消費者類型包括：

  • OPERATOR: 用於內置演算法。
  • STATE_BACKEND: 用於流作業中的RocksDB State後端
  • PYTHON: 用於PYTHON進程

例如，如果流作業同時使用RocksDB State後端和Python UDFs，並且使用者權重配置為 STATE_BACKEND:70,PYTHON:30，則Flink將為RocksDB State後端保留總托管記憶體的70% ，為Python進程保留 30%。

對於每種類型，只有當作業包含該類型的托管記憶體使用者時，Flink才會保留托管記憶體。

Flink不會為未包含在使用者權重中的使用者類型保留托管記憶體。如果作業實際需要缺少的類型，則可能導致記憶體分配失敗。預設情況下，包括所有使用者類型。只有當顯式配置/覆蓋權重時，才會發生這種情況。

配置堆外記憶體(直接記憶體或者本地記憶體)

用戶代碼分配的堆外記憶體應計入任務堆外記憶體(taskmanager.memory.task.off-heap.size)。

還可以調整框架堆外記憶體(framework off-heap memory)。僅當你確信Flink框架需要更多記憶體時，才應該更改此值。

Flink將框架堆外記憶體和任務堆外記憶體包含在JVM的直接記憶體(direct memory)限制中，另請參閱JVM參數。

註意：儘管本地非直接記憶體使用可以算作框架堆外記憶體或任務堆外記憶體的一部分，但這也將導致更高的JVM直接記憶體限制。

註意：網路記憶體(network memory)也是JVM直接記憶體的一部分，但它由Flink管理，並保證永遠不會超過其配置的大小。因此，在這種情況下，調整網路記憶體的大小將沒有幫助。

詳細記憶體模型

註意：用戶代碼的本地非直接記憶體使用也算作任務堆外記憶體(task off-heap memory)的一部分

下表列出了上面描述的所有記憶體組件，及影響各個組件大小的Flink配置選項：

組件 配置 描述
Framework Heap Memory taskmanager.memory.framework.heap.size 專用於Flink框架的JVM堆記憶體（高級選項）預設128 mb
Task Heap Memory taskmanager.memory.task.heap.size 專用於Flink應用程式以運行Operator和用戶代碼的JVM堆記憶體，無預設大小
Managed memory taskmanager.memory.managed.size taskmanager.memory.managed.fraction 由Flink管理的本地記憶體，保留用於排序、哈希表、緩存中間結果和RocksDB state後端。size無預設大小，fraction預設0.4
Framework Off-heap Memory taskmanager.memory.framework.off-heap.size 專用於Flink框架的堆外直接(或本地)記憶體（高級選項）預設 128 mb
Task Off-heap Memory taskmanager.memory.task.off-heap.size 專供Flink應用運行operator的堆外直接(或本地)記憶體。預設 0 bytes
Network Memory taskmanager.memory.network.min taskmanager.memory.network.max taskmanager.memory.network.fraction 為任務之間交換數據記錄而保留的直接記憶體（例如，為網路傳輸進行緩衝）是total Flink memory的一個 capped fractionated component 。 該記憶體用於分配網路緩衝(network buffers)
min 預設64 mb
max 預設 infinite
fraction 0.1
JVM metaspace taskmanager.memory.jvm-metaspace.size Flink JVM 進程的元空間大小(Metaspace size) 預設 256mb
JVM Overhead taskmanager.memory.jvm-overhead.min taskmanager.memory.jvm-overhead.max taskmanager.memory.jvm-overhead.fraction 為其他JVM開銷保留的本地記憶體：例如線程堆棧、代碼緩存、垃圾收集空間等，它是total process memory的一個capped fractionated component
min 預設 192 mb
max 預設 1 gb
fraction 預設 0.1

框架記憶體(Framework Memory)

不應該在沒有充分理由的情況下更改框架堆記憶體(framework heap memory)和框架堆外記憶體(framework off-heap memory)。僅在你確信Flink需要更多記憶體用於某些內部數據結構或operator時，才調整它們。它可能與特定的部署環境或作業結構有關，例如高並行性。此外，在某些設置中，Flink依賴項（如Hadoop）可能會消耗更多的直接記憶體或本地記憶體。

註意 Flink目前沒有隔離框架堆或堆外記憶體和任務記憶體的版本。

本地執行(Local Execution)

如果將Flink作為一個單獨的java程式在機器上本地啟動（例如，從IDE），而不創建集群，則除以下組件外，所有組件都將被忽略：

記憶體組件 相關選項 用於本地執行的預設值
Task heap taskmanager.memory.task.heap.size infinite
Task off-heap taskmanager.memory.task.off-heap.size infinite
Managed memory taskmanager.memory.managed.size 128MB
Network memory taskmanager.memory.network.min taskmanager.memory.network.max 64MB

上面列出的所有組件都可以但不必為本地執行顯示的配置。如果未對其進行配置，則會將其設置為預設值

註意 本地執行的情況下，任務堆大小與實際堆大小沒有任何關係。啟動的本地進程的實際JVM堆大小不受Flink控制，取決於進程的啟動方式。如果要控制JVM堆大小，則必須顯式傳遞相應的JVM參數，例如-Xmx、-Xms。

設置Job管理器(JobManager)記憶體

JobManager是Flink集群的控制元素。它由三個不同的組件組成：Resource Manager、Dispatcher和JobMaster(每個運行Flink Job各一個)。

以下描述的記憶體配置從1.11*版本開始適用。

配置總記憶體(Total Memory）

設置記憶體配置的最簡單方法是為進程配置總記憶體。如果使用本地執行模式運行JobManager進程，則不需要配置記憶體選項，不起任何作用。

詳細配置

下表列出了上面描述的所有記憶體組件，及影響各個組件大小的Flink配置選項：

Component Configuration options Description
JVM Heap jobmanager.memory.heap.size job管理器的 JVM堆記憶體大小，無預設大小
Off-heap Memory jobmanager.memory.off-heap.size job管理器的堆外記憶體大小，包括直接記憶體和本地記憶體，預設 128 mb
JVM metaspace jobmanager.memory.jvm-metaspace.size Flink JVM進程的元空間大小。 預設 256 mb
JVM Overhead jobmanager.memory.jvm-overhead.min jobmanager.memory.jvm-overhead.max jobmanager.memory.jvm-overhead.fraction 為其他JVM開銷保留的本地記憶體：例如線程堆棧、代碼緩存、垃圾收集空間等，它是total process memory的一個capped fractionated component
min 預設 192 mb
max 預設 1 gb
fraction 預設 0.1

配置JVM堆(Heap)

如前所述，為JobManager設置記憶體的另一種方法是顯式指定JVM Heap大小 (jobmanager.memory.heap.size)。它提供了對可用的JVM堆的更多控制，該堆由以下用戶使用：

  • Flink框架
  • 在作業提交期間（例如，對於某些批處理源）或檢查點完成回調中執行的用戶代碼

所需的JVM堆大小主要由正在運行的作業的數量、作業的結構以及對所提到的用戶代碼的要求決定。

註意 如果已顯式配置了JVM堆，則建議既不設置總進程記憶體(total process memory)，也不設置總Flink記憶體(total Flink memory)。否則，很容易導致記憶體配置衝突。

Flink腳本和CLI在啟動JobManager進程時通過JVM參數-Xms和-Xmx設置JVM堆大小

配置堆外記憶體(Off-heap Memory)

堆外記憶體組件可用於任何類型的JVM直接記憶體和本地記憶體使用。因此，還可以通過設置 jobmanager.memory.enable-jvm-direct-memory-limit 來啟用JVM直接記憶體（JVM Direct Memory）限制 。如果配置了此選項，Flink將通過相應的JVM參數：-XX:MaxDirectMemorySize 將限制設置為堆外記憶體大小。

此組件的大小可以由jobmanager.memory.off-heap.size 配置。可以調整此選項，例如，如果JobManager進程拋出“OutOfMemoryError:Direct buffer memory”

堆外記憶體消耗可能來源以下：

  • Flink框架依賴關係（例如Akka網路通信）
  • 在作業提交期間（例如，對於某些批處理源）或檢查點完成回調中執行的用戶代碼

註意 如果已顯示配置 Total Flink Memory和JVM Heap，但尚未配置堆外（Off-heap）記憶體，則堆外記憶體的大小將派生為Total Flink memory - JVM Heap。堆外記憶體選項的預設值將被忽略

本地執行

如果在本地（例如從IDE）運行Flink而沒有創建集群，那麼JobManager記憶體配置選項將被忽略。

參考鏈接

https://nightlies.apache.org/flink/flink-docs-release-1.17/docs/deployment/memory/mem_setup/

https://nightlies.apache.org/flink/flink-docs-release-1.17/docs/deployment/memory/mem_setup_tm/

https://nightlies.apache.org/flink/flink-docs-release-1.17/docs/deployment/memory/mem_setup_jobmanager/

https://nightlies.apache.org/flink/flink-docs-release-1.17/docs/deployment/config

作者：授客
微信/QQ：1033553122
全國軟體測試QQ交流群：7156436
Git地址：https://gitee.com/ishouke
友情提示：限於時間倉促，文中可能存在錯誤，歡迎指正、評論！
作者五行缺錢，如果覺得文章對您有幫助，請掃描下邊的二維碼打賞作者，金額隨意，您的支持將是我繼續創作的源動力，打賞後如有任何疑問，請聯繫我!!!
           微信打賞                        支付寶打賞                  全國軟體測試交流QQ群  
              


您的分享是我們最大的動力!

-Advertisement-
Play Games
更多相關文章
  • Go 方法集合與選擇receiver類型
    Go 方法集合與選擇receiver類型 目錄Go 方法集合與選擇receiver類型一、receiver 參數類型對 Go 方法的影響二、選擇 receiver 參數類型原則2.1 選擇 receiver 參數類型的第一個原則2.2 選擇 receiver 參數類型的第二個原則三、方法集合（Met ...
  • JUC併發編程學習筆記（十）線程池（重點）
    線程池（重點） 線程池：三大方法、七大參數、四種拒絕策略 池化技術 程式的運行，本質：占用系統的資源！優化資源的使用！-> 池化技術（線程池、連接池、對象池......）；創建和銷毀十分消耗資源 池化技術：事先準備好一些資源，有人要用就拿，拿完用完還給我。 線程池的好處： 1、降低資源消耗 2、提高 ...
  • EFCore 使用FluntApi配置 全局查詢篩選器
    我們在類中通常會有一個屬性為 IsDel來表示軟刪除或也稱邏輯刪除，這個屬性會導致我們在進行查詢操作時，每一次都要 .where(s=>s.IsDel==false) 非常的麻煩。在使用efCore時可以通過配置查詢篩選器來很好的解決這個問題。 public class SysUser { publ ...
  • Linux p12 查找指令
    搜索查找指令 find 指令 find指令將從指定目錄向下遞歸的遍歷其各個子目錄，將滿足條件的文件或者目錄顯示在終端。 基本語法 find [搜索範圍（指定目錄）] [選項] 選項說明 選項 功能 -name<查詢方式> 按照指定的文件名查找模式查找文件 -user<用戶名> 查找屬於指定用戶名所有 ...
  • Linux 日誌管理
    rsyslog 介紹 日誌（Log）是記錄和存儲電腦、軟體、應用或其他系統的操作和事件的文件或數據流。它們可以為系統管理員、開發人員和最終用戶提供詳細的背景信息，以幫助他們瞭解和診斷系統的行為。 rsyslog 是一個開源的日誌處理工具，一般用在類Unix系統上，是syslogd 的擴展。它提供了 ...
  • Linux 線程和線程同步
    包括線程概念簡介；線程創建函數pthread_create以及退出、回收等；線程同步互斥鎖pthread_mutex_t，讀寫鎖pthread_rwlock_t，條件變數pthread_cond_t以及信號量semaphore ...
  • 實例講解資料庫的數據去重
    本文分享自華為雲社區《GaussDB資料庫SQL系列-數據去重》，作者： Gauss松鼠會小助手2 。 一、前言 數據去重在資料庫中是比較常見的操作。複雜的業務場景、多業務線的數據來源等等，都會帶來重覆數據的存儲。本文以GaussDB資料庫為實驗平臺，將為大家詳細講解如何去重。 二、數據去重應用場景 ...
  • 記錄ElasticSearch分片被鎖定導致無法分配處理過程
    本篇文章記錄最近ES做節點替換，從shard遷移過程中被鎖定導致無法分配，主shard正常，希望可以幫助其它人 failed to create shard，failed to obtain in-memory shard lock，ShardLockObtainFailedException 一、 ...
一周排行
    -Advertisement-
    Play Games
  • 移動開發（一）：使用.NET MAUI開發第一個安卓APP
    移動開發（一）：使用.NET MAUI開發第一個安卓APP 對於工作多年的C#程式員來說，近來想嘗試開發一款安卓APP，考慮了很久最終選擇使用.NET MAUI這個微軟官方的框架來嘗試體驗開發安卓APP，畢竟是使用Visual Studio開發工具，使用起來也比較的順手，結合微軟官方的教程進行了安卓 ...
  • wpf ToggleButton選中效果和一個登錄界面
    前言 QuestPDF 是一個開源 .NET 庫，用於生成 PDF 文檔。使用了C# Fluent API方式可簡化開發、減少錯誤並提高工作效率。利用它可以輕鬆生成 PDF 報告、發票、導出文件等。 項目介紹 QuestPDF 是一個革命性的開源 .NET 庫，它徹底改變了我們生成 PDF 文檔的方 ...
  • 彈幕樹洞項目功能新增篇
    項目地址 項目後端地址： https://github.com/ZyPLJ/ZYTteeHole 項目前端頁面地址： ZyPLJ/TreeHoleVue (github.com) https://github.com/ZyPLJ/TreeHoleVue 目前項目測試訪問地址： http://tree ...
  • 第27篇 sqlserver2022詳細安裝步驟
    話不多說，直接開乾 一.下載 1.官方鏈接下載： https://www.microsoft.com/zh-cn/sql-server/sql-server-downloads 2.在下載目錄中找到下麵這個小的安裝包 SQL2022-SSEI-Dev.exe，運行開始下載SQL server； 二. ...
  • .NET 開源高性能 MQTT 類庫
    前言 隨著物聯網（IoT）技術的迅猛發展，MQTT（消息隊列遙測傳輸）協議憑藉其輕量級和高效性，已成為眾多物聯網應用的首選通信標準。 MQTTnet 作為一個高性能的 .NET 開源庫，為 .NET 平臺上的 MQTT 客戶端與伺服器開發提供了強大的支持。 本文將全面介紹 MQTTnet 的核心功能 ...
  • Serilog文檔翻譯系列（六） - 可用的接收器、增強器、格式化輸出
    Serilog支持多種接收器用於日誌存儲，增強器用於添加屬性，LogContext管理動態屬性，支持多種輸出格式包括純文本、JSON及ExpressionTemplate。還提供了自定義格式化選項，適用於不同需求。 ...
  • 警惕 Visual Studio 屬性求值副作用導致邏輯不符合預期
    目錄簡介獲取 HTML 文檔解析 HTML 文檔測試參考文章 簡介 動態內容網站使用 JavaScript 腳本動態檢索和渲染數據，爬取信息時需要模擬瀏覽器行為，否則獲取到的源碼基本是空的。 本文使用的爬取步驟如下： 使用 Selenium 獲取渲染後的 HTML 文檔 使用 HtmlAgility ...
  • [使用目前最新版]HybridCLR6.9.0+YooAsset2.2.4實現純C# Unity熱更新方案 (一)
    1.前言 什麼是熱更新 游戲或者軟體更新時，無需重新下載客戶端進行安裝，而是在應用程式啟動的情況下，在內部進行資源或者代碼更新 Unity目前常用熱更新解決方案 HybridCLR，Xlua，ILRuntime等 Unity目前常用資源管理解決方案 AssetBundles，Addressable， ...
  • 在 ASP.NET Core Web API 中使用操作篩選器統一處理通用操作
    本文章主要是在C# ASP.NET Core Web API框架實現向手機發送驗證碼簡訊功能。這裡我選擇是一個互億無線簡訊驗證碼平臺，其實像阿裡雲，騰訊雲上面也可以。 首先我們先去 互億無線 https://www.ihuyi.com/api/sms.html 去註冊一個賬號 註冊完成賬號後，它會送 ...
  • 第28篇 如何.net中實現高效可靠數據同步api
    通過以下方式可以高效，並保證數據同步的可靠性 1.API設計 使用RESTful設計，確保API端點明確，並使用適當的HTTP方法（如POST用於創建，PUT用於更新）。 設計清晰的請求和響應模型，以確保客戶端能夠理解預期格式。 2.數據驗證 在伺服器端進行嚴格的數據驗證，確保接收到的數據符合預期格 ...
所有分類