Linux云计算 |【第五阶段】ARCHITECTURE-DAY3

主要内容：

了解Hadoop与大数据的关系，理解HDFS、Mapreduce、Yarn的架构、调用Hadoop执行数据分析的方法、搭建分布式Hadoop执行；

一、大数据概述

背景介绍：

随著计算机技术的发展，互联网的普及，信息的积累已经到了一个非常庞大的地步，信息的增长也在不断的加快，随着互联网、物联网建设的加快，信息更是爆炸式增长，收集、检索、统计这些信息越发困难，必须使用新的技术来解决这些问题；大数据指无法在一定时间范围内，用常规软件工具进行捕捉、管理和处理的数据集合，需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产；是指从各种各样类型的数据中，快速获得有价值的信息；

大数据（Big Data）是指在传统数据处理软件无法处理的规模、速度和复杂性下生成和收集的数据集合。大数据技术涉及从这些大规模数据集中提取有价值的信息和洞察力。

大数据的五个主要特征，通常被称为“5V”：（中级系统项目管理工程师）

1. Volume（容量）：大数据的容量非常大，通常以TB、PB甚至EB为单位。数据来源广泛，包括社交媒体、传感器、交易记录等。
2. Velocity（速度）：大数据的生成和处理速度非常快，需要实时或近实时处理。数据流可以是连续的，需要快速分析和响应。
3. Variety（多样性）：大数据的类型多样，包括结构化数据（如数据库中的表格数据）、半结构化数据（如JSON、XML）和非结构化数据（如文本、图像、音频、视频）。数据来源多样，包括社交媒体、传感器、日志文件等。
4. Veracity（真实性）：大数据的真实性和质量是一个重要问题，因为数据可能包含噪声、错误或不完整的信息。数据清洗和预处理是确保数据质量的关键步骤。
5. Value（价值）

大数据技术在各个行业和领域都有广泛的应用，包括但不限于：商业智能、金融、医疗、零售、社交媒体

大数据技术栈：

用于数据的收集、存储、处理和分析

数据收集：

• 数据收集工具和技术用于从各种来源收集数据，如传感器、社交媒体、日志文件等。
• 常见的工具包括Flume、Scribe、Kafka等。

数据存储：

• 大数据存储技术用于存储大规模数据，通常采用分布式存储系统。
• 常见的存储系统包括Hadoop HDFS、Amazon S3、Google Cloud Storage等。

数据处理：

• 大数据处理技术用于处理和分析大规模数据，通常采用分布式计算框架。
• 常见的处理框架包括Hadoop MapReduce、Spark、Flink等。

数据分析：

• 大数据分析技术用于从数据中提取有价值的信息和洞察力。
• 常见的分析工具包括Hive、Pig、Impala、Presto等。

数据可视化：

• 数据可视化工具用于将分析结果以图形化的方式展示，帮助用户理解和解释数据。
• 常见的可视化工具包括Tableau、Power BI、D3.js等。

1、Hadoop生态系统介绍

Hadoop是一个开源的分布式计算框架，最初由Apache基金会开发，用于处理大规模数据集。Hadoop生态系统是一个由多个组件和工具组成的集合，这些组件和工具协同工作，提供了一个完整的大数据处理解决方案。

Hadoop生态系统的优势：

• 高可扩展性：支持水平扩展，可通过增加节点来扩展集群的存储和计算能力
• 高容错性：HDFS和MapReduce设计了高容错机制，确保数据和计算任务的可靠性
• 多样化的数据处理能力：提供多种数据处理工具和框架，支持批处理、实时处理、数据仓库等
• 开源和社区支持：拥有庞大的社区支持，提供了丰富的文档、教程和第三方工具

起源：2003年开始Google发表3篇论文：GFS、MapReduce、BigTable（核心组件）

• ① GFS是一个可扩展的分布式文件系统，用于大型的、分布式的、对大量数据进行访问的应用，可以运行于廉价的普通硬件上，提供容错功能。
• ② MapReduce是针对分布并行计算的一套编程模型，由Map和Reduce组成，Map是映射，把指令分发到多个worker上，Reduce是规约，把worker计算出的结果合并。
• ③ BigTable是存储结构化数据的数据库，建立在GFS、Scheduler、Lock Service和MapReduce之上。

2、Hadoop生态系统组件介绍  

1）Hadoop核心组件

① Hadoop Distributed File System (HDFS)

• - 功能：HDFS是Hadoop的分布式文件系统，用于存储大规模数据集。
  - 特点：高容错性、高吞吐量、适合大规模数据存储。
  - 工作原理：数据被分成块并存储在多个节点上，每个块有多个副本以确保数据可靠性。

② MapReduce

• - 功能：MapReduce是Hadoop的编程模型，用于处理和生成大规模数据集。
  - 特点：分布式计算、适合批处理任务。
  - 工作原理：数据处理任务被分成Map和Reduce两个阶段，Map阶段将数据映射成键值对，Reduce阶段对这些键值对进行汇总和处理。

HDFS集群和YARN集群，两者逻辑上分离，但物理上常在一起

2）Hadoop生态系统组件

① YARN (Yet Another Resource Negotiator)

• 功能：YARN是Hadoop的资源管理器，用于管理和调度集群资源。
• 特点：支持多种计算框架，如MapReduce、Spark等。
• 工作原理：YARN将资源管理和作业调度分离，提高了集群的资源利用率和灵活性。

② HBase

• 功能：HBase是一个分布式、面向列的NoSQL数据库，构建在HDFS之上。
• 特点：高可扩展性、高吞吐量、适合实时读写操作。
• 应用场景：实时数据存储和查询，如日志分析、实时监控等。

③ Hive

• 功能：Hive是一个数据仓库工具，用于查询和管理大规模数据集。
• 特点：支持SQL查询、适合批处理任务。
• 工作原理：Hive将SQL查询转换为MapReduce任务执行。

④ Pig

• 功能：Pig是一个高级数据流语言和执行框架，用于处理大规模数据集。
• 特点：支持脚本语言Pig Latin、适合ETL（Extract, Transform, Load）任务。
• 工作原理：Pig将Pig Latin脚本转换为MapReduce任务执行。

⑤ Sqoop

• 功能：Sqoop是一个用于在Hadoop和关系型数据库之间传输数据的工具。
• 特点：支持批量数据导入导出、适合数据集成任务。
• 工作原理：Sqoop将数据从关系型数据库导入HDFS或从HDFS导出到关系型数据库。

⑥ Flume

• 功能：Flume是一个分布式、可靠的日志收集系统。
• 特点：高吞吐量、高可靠性、适合日志数据收集。
• 工作原理：Flume将日志数据从多个源收集并传输到HDFS或其他存储系统。

⑦ Oozie

• 功能：Oozie是一个工作流调度系统，用于管理和调度Hadoop作业。
• 特点：支持复杂工作流、适合批处理任务。
• 工作原理：Oozie定义和执行工作流，确保作业按顺序和依赖关系执行。

⑧ Zookeeper

• 功能：Zookeeper是一个分布式协调服务，用于管理和协调分布式系统。
• 特点：高可用性、高可靠性、适合分布式系统管理。
• 工作原理：Zookeeper提供分布式锁、配置管理、命名服务等功能。

---

HDFS（Hadoop分布式文件系统）

- HDFS是Hadoop体系中数据存储管理的基础，它是一个高度容错的系统，能检测和应对硬件故障，用于在低成本的通用硬件上运行。HDFS简化了文件的一致性模型，通过流式数据访问，提供高吞吐量应用程序数据访问功能，适合带有大型数据集的应用程序。

- HDFS采用master/slave架构，一个HDFS集群是由一个Namenode (Master)和一定数目的Datanodes (Slave)组成。

HDFS角色及架构图：

- Client：切分文件；访问HDFS；与NameNode交互，获取文件位置信息；与DataNode交互，读取和写入数据。切分块文件，每块缺省大小128MB，可以多个副本；

- NameNode：Master节点，在hadoop1.X中只有一个，管理HDFS的名称空间Namespace和数据块映射信息（fsimage），配置副本策略，处理客户端请求。

- DataNode：Slave节点，存储实际的数据，汇报存储信息给NameNode。

- SecondaryNameNode：辅助NameNode，分担其工作量；定期合并fsimage和fsedits，推送给NameNode；紧急情况下，可辅助恢复NameNode，但Secondary NameNode并非NameNode的热备。（fsimage名称空间和数据库的映射信息；fsedits数据变更日志）

Mapreduce（分布式离线计算框架）

- MapReduce是一种计算模型，用以进行大数据量的计算。其中Map对数据集上的独立元素进行指定的操作（映射），生成键-值对形式中间结果。Reduce则对中间结果中相同“键”的所有“值”进行规约，以得到最终结果。MapReduce这样的功能划分，非常适合在大量计算机组成的分布式并行环境里进行数据处理

Mapreduce角色及架构图：

- JobTracker：Master节点，只有一个，管理所有作业及作业/任务的监控、错误处理等；将任务分解成一系列任务，并分派给TaskTracker。

- TaskTracker：Slave节点，运行Map Task和Reduce Task；并与JobTracker交互，汇报任务状态。

- Map Task：解析每条数据记录，传递给用户编写的map()并执行，将输出结果写入本地磁盘（如果为map-only作业，直接写入HDFS）

- Reducer Task：从Map Task的执行结果中，远程读取输入数据，对数据进行排序，将数据按照分组传递给用户编写的reduce函数执行。

YARN（集群资源管理系统）

- YARN是Hadoop的资源管理器，它是一个通用资源管理系统和调度平台，可为上层应用提供统一的资源管理和调度，它的引入为集群在利用率、资源统一管理和数据共享等方面带来了巨大好处。

YARN架构图：

- ResourceManager（RM）：是一个全局的资源管理器，负责处理客户端请求和整个系统的资源管理和调度分配。启动/监控AM，监控NM，它主要由两个组件构成：调度器(Scheduler)和应用程序管理器(ApplicationsManager，AM)

• a) Scheduler：负责分配最少但满足ApplicationManager运行所需的资源量给ApplicationManager。Scheduler只是基于资源的使用情况进行调度，并不负责监视/跟踪application的状态，当然也不会处理失败的task。
• b) ApplicationManager(AM)：负责从Scheduler申请资源，以及跟踪这些资源的使用情况以及任务进度的监控； 负责与RM调度器协商以获取的资源用Container表示,；
• c) Container：是YARN中对任务运行环境资源的抽象，它封装了某个节点上的多维度资源，如内存、CPU、磁盘、网络等，当AM向RM申请资源时，RM为AM返回的资源便是用Container表示。YARN会为每个任务分配一个Container，且该任务只能使用该Container中描述的资源。（启动命令等任务运行相关的信息资源分配与调度）

- NodeManager（NM）：是单个节点上的资源和任务管理器，主要负责启动RM分配给AM的container以及代表AM的container，并且会监视container的运行情况；一方面，它会定时地向RM汇报本节点上的资源使用情况（CPU、内存）和各个Container的运行状态；另一方面，它接收并处理来自AM的Container启动/停止等各种请求。

3、Hadoop的部署模式

① 单机：在一台机器上安装部署；（软件地址：Apache Hadoop ）

② 伪分布式：在一台机器上安装部署，但区分角色；

③ 完全分布式：多台机器上安装部署，不同角色服务安装在不同的机器上；

• - 配置文件目录：/usr/local/hadoop/etc/hadoop
• - 执行程序路径：/usr/local/hadoop/bin/Hadoop

---

单机安装Hadoop部署示例：

步骤1：采购1台云主机

主机名称	IP地址	相关配置
hadoop1	192.168.1.50	最低配置2核4G

步骤2：单机安装Hadoop

# 拷贝云盘public/hadoop/hadoop-2.7.7.tar.gz到hadoop1 上

[root@ecs-proxy ~]# scp hadoop-2.7.7.tar.gz 192.168.1.50:/root

① 安装JAVA环境及依赖

[root@hadoop1 ~]# yum install -y java-1.8.0-openjdk java-1.8.0-openjdk-devel
[root@hadoop1 ~]# tar -zxf hadoop-2.7.7.tar.gz       //解压hadoop压缩包
[root@hadoop1 ~]# mv hadoop-2.7.7 /usr/local/hadoop  //解压后拷贝到/usr/local/hadoop
[root@hadoop1 ~]# chown -R 0.0 /usr/local/hadoop      //将文件权限设为root（0.0代表UID、GID）
[root@hadoop1 ~]# ls /usr/local/hadoop/

② 修改Hadoop的环境变量文件（配置JAVA环境、指定hadoop配置文件路径）

# 可通过rpm-ql命令查看安装软件包java-1.8.0-openjdk的安装路径

[root@hadoop1 ~]# rpm -ql java-1.8.0-openjdk

[root@hadoop1 ~]# vim /usr/local/hadoop/etc/hadoop/hadoop-env.sh
25:  export JAVA_HOME="/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.292.b10-1.el7_9.x86_64/"   //配置JAVAh环境
33:  export HADOOP_CONF_DIR="/usr/local/hadoop/etc/hadoop"    //配置文件路径

补充：Hadoop基于JAVA开发且需使用JAVA执行，必须配置JAVA安装路径

③ 验证服务

[root@hadoop1 ~]# /usr/local/hadoop/bin/hadoop version        //查看版本

[root@hadoop1 ~]# /usr/local/hadoop/bin/hadoop --help   //查看帮助

步骤3：验证热点词汇分析

① 创建数据分析目录，并拷贝文件

[root@hadoop1 ~]# cd /usr/local/hadoop
[root@hadoop1 hadoop]# mkdir input    //创建数据分析目录
[root@hadoop1 hadoop]# cp *.txt input/  //将hadoop目录下的.txt文件拷贝
[root@hadoop1 hadoop]# ls input/
LICENSE.txt  NOTICE.txt  README.txt

② 运行jar程序，分析词汇出现次数

运行Hadoop官方的jar程序文件，通过wordconut算法对input目录下的所有文件进行词汇出现次数分析统计，并将统计结果输出给output分析输出目录

[root@hadoop1 hadoop]# ./bin/hadoop jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.7.7.jar wordcount ./input ./output
[root@hadoop1 hadoop]# ls ./output/
part-r-00000  _SUCCESS
[root@hadoop1 hadoop]# cat ./output/part-r-00000     //对词汇出现的次数统计

---

集群安装Hadoop部署示例：

HDFS、Mapreduce、YARN

1、HDFS分布式文件系统

- HDFS规划架构图：

步骤1：购买4台云主机

主机名称	IP地址	相关配置	角色	备注
hadpoo1	192.168.1.50	最低配置2核4G	NameNode SecondaryNamenode	HDFS
node-0001	192.168.1.51	最低配置2核4G	DateNode	HDFS
node-0002	192.168.1.52	最低配置2核4G	DateNode	HDFS
node-0003	192.168.1.53	最低配置2核4G	DateNode	HDFS

提示：镜像模板已禁用SELinux和Firewalld，未禁用主机需提前设置；

步骤2：HDFS集群-环境准备

① 配置SSH免密登录（hadpoo1操作）

注意：Hadoop是远程在其它节点上启动角色，所以每台主机都要能免密登录，包括本机！

补充：第一次使用SSH登录远程主机时需输入Yes，可能造成主机不能继续执行，禁用ssh key检测；

[root@hadoop1 ~]# vim /etc/ssh/ssh_config
60:  StrictHostKeyChecking no     //禁用ssh key检测
[root@hadoop1 ~]# ssh-keygen -t rsa -b 2048 -N '' -f /root/.ssh/id_rsa
[root@hadoop1 ~]# for i in {50..53}
> do
> ssh-copy-id 192.168.1.$i
> done

② 配置主机名解析（hadoop1、node-0001、node-0002、node-0003操作）

Hadoop非常依赖主机名解析，如果配置DNS解析需要正向解析和方向解析，实验中使用/etc/hosts文件来解析主机名

[root@hadoop1 ~]# vim /etc/hosts
192.168.1.50   hadoop1
192.168.1.51   node-0001
192.168.1.52   node-0002
192.168.1.53   node-0003
[root@hadoop1 ~]# for i in hadoop1 node-{0001..0003}
> do
> scp /etc/hosts $i:/etc/hosts
> done

③ 为所有节点安装JAVA环境（hadoop1、node-0001、node-0002、node-0003操作）

[root@hadoop1 ~]# for i in hadoop1 node-{0001..0003}
> do
> ssh $i "yum install -y java-1.8.0-openjdk java-1.8.0-openjdk-devel"
> done

步骤3：HDFS集群-配置部署

参考：public/hadoop/hadoop-2.7.7.tar.gz

1）HDFS配置文件目录（/usr/local/hadoop/etc/hadoop/*）

• - 环境配置文件：hadoop-env.sh
• - 核心配置文件：core-site.xml
• - HDFS配置文件：hdfs-site.xml
• - 节点配置文件：slaves

[root@hadoop1 ~]# ls /usr/local/hadoop/etc/hadoop/

补充：XML语法格式

- XML指可扩展标记语言（Extensible Markup Language）

- XML中的每个元素名都是成对出现，结束标签需加【/】

例如：Hadoop配置语法

配置文件语法格式：[官方手册](Hadoop – Apache Hadoop 2.7.7)

① 配置环境配置文件（hadoop-env.sh），配置JAVA运行环境

# 可通过rpm-ql命令查看安装软件包java-1.8.0-openjdk的安装路径

[root@hadoop1 ~]# vim /usr/local/hadoop/etc/hadoop/hadoop-env.sh
25:  export JAVA_HOME="/usr/lib/jvm/java-1.8.0-openjdk-1.8.0.292.b10-1.el7_9.x86_64/"
33:  export HADOOP_CONF_DIR="/usr/local/hadoop/etc/hadoop"

② 配置节点配置文件（slaves）—> 部署Datenode

- slaves是DataNode节点的配置文件，声明的主机都会运行DataNode守护进程；

注意：slave配置文件格式，每行写一个主机名，主机名必须保证能ping通（localhost必须删除）

[root@hadoop1 ~]# vim /usr/local/hadoop/etc/hadoop/slaves
node-0001
node-0002
node-0003

③ 配置核心配置文件（core-site.xml）

[root@hadoop1 ~]# vim /usr/local/hadoop/etc/hadoop/core-site.xml
<configuration>
    <property>
        <name>fs.defaultFS</name>    //文件系统配置参数
        <value>hdfs://hadoop1:9000</value>    //指定HDFS文件系统
    </property>
    <property>
        <name>hadoop.tmp.dir</name>    //数据目录配置参数
        <value>/var/hadoop</value>     //定义数据存放目录
    </property>
</configuration>

④ 配置HDFS配置文件（hdfs-site.xml）—> 部署namenode，Secondarynamenode

[root@hadoop1 ~]# vim /usr/local/hadoop/etc/hadoop/hdfs-site.xml
<configuration>
    <property>
        <name>dfs.namenode.http-address</name>   //声明Namenode地址
        <value>hadoop1:50070</value>   //主机名:端口号，用来通信
    </property>
    <property>
        <name>dfs.namenode.secondary.http-address</name>   //声明Secondarynamenode地址
        <value>hadoop1:50090</value>   //主机名:端口号，用来通信
    </property>
    <property>
        <name>dfs.replication</name>   //定义副本数量
        <value>2</value>
    </property>
</configuration>

⑤ 同步配置文件目录到其它主机

- HDFS集群要求所有节点配置文件都必须相同

[root@hadoop1 ~]# for i in node-{0001..0003}
> do
> rsync -aXSH --delete /usr/local/hadoop ${i}:/usr/local/
> done

⑥ 创建数据存放目录

- 只在namenode上创建即可，其它datanode主机可自动创建

[root@hadoop1 ~]# mkdir /var/hadoop    //创建数据存放目录（core-site.xml指定）

⑦ 格式化HDFS集群（仅NameNode操作）

[root@hadoop1 ~]# /usr/local/hadoop/bin/hdfs namenode -format

补充：格式化本质是给每个存储节点分配ID，格式化只能做一次；如果格式化多次，会报错ID冲突，解决方法：首先停止集群./sbin/stop-dfs.sh，删除所有节点的数据目录配置创建的dfs目录结构rm-rf /var/Hadoop/*

⑧ 启动集群（仅NameNode操作）

[root@hadoop1 ~]# /usr/local/hadoop/sbin/start-dfs.sh

⑨ 验证角色

[root@hadoop1 ~]# for i in hadoop1 node-{0001..0003}
> do
> echo ${i};
> ssh ${i} jps;
> echo -e "\n";
> done

补充：jps（Java Virtual Machine Process Status Tool）是java提供的一个显示当前所有java进程pid的命令，适合在linux/unix平台上简单查看当前java进程的一些简单情况。

⑩ 验证集群

[root@hadoop1 ~]# /usr/local/hadoop/bin/hdfs dfsadmin -report

日志与排错

- 日志文件夹在系统启动时会被自动创建：/usr/local/hadoop/logs

- 日志名称：

• 服务名-用户名-角色名-主机名.out   //标准输出
• 服务名-用户名-角色名-主机名.log   //日志信息

[root@hadoop1 ~]# ls /usr/local/hadoop/logs/

 

---

2、Mapreduce分布式离线计算框架：

计算框架有多种，例如：Mapreduce、storm、spark，一般由开发人员根据企业需求编写；

实验使用官方提供的模板案例：mapred-site.xml.template

① 配置计算框架配置文件mapred-site.xml文件

[root@hadoop1 ~]# cd /usr/local/hadoop/etc/hadoop/
[root@hadoop1 hadoop]# cp mapred-site.xml.template mapred-site.xml
[root@hadoop1 hadoop]# vim mapred-site.xml
<configuration>
    <property>
        <name>mapreduce.framework.name</name>  //配置使用YRAN的资源管理类
        <value>yarn</value>
    </property>
</configuration>

---

3、YARN集群资源管理系统

YARN规划架构图：

主机名称	IP地址	相关配置	角色	备注
hadpoo1	192.168.1.50	最低配置2核4G	NameNode SecondaryNamenode ResourceManager	HDFS YARN
node-0001	192.168.1.51	最低配置2核4G	DateNode NodeManager	HDFS YARN
node-0002	192.168.1.52	最低配置2核4G	DateNode NodeManager	HDFS YARN
node-0003	192.168.1.53	最低配置2核4G	DateNode NodeManager	HDFS YARN

步骤1：

① 配置资源管理配置文件yarn-site.xml文件

[root@hadoop1 ~]# vim /usr/local/hadoop/etc/hadoop/yarn-site.xml
<configuration>
    <property>
        <name>yarn.resourcemanager.hostname</name>   //全局资源管理主机（resourcemanager）
        <value>hadoop1</value>
    </property>
<!-- Site specific YARN configuration properties -->
    <property>
        <name>yarn.nodemanager.aux-services</name>   //计算框架（nodemanager）
        <value>mapreduce_shuffle</value>
    </property>
</configuration>

② 同步配置文件目录到其它主机

[root@hadoop1 ~]# for i in node-{0001..0003}
> do
> rsync -avXSH --delete /usr/local/hadoop/  ${i}:/usr/local/hadoop/
> done

③ 启动集群

[root@hadoop1 ~]# /usr/local/hadoop/sbin/start-yarn.sh

④ 验证角色

[root@hadoop1 ~]# for i in hadoop1 node-{0001..0003}
> do
> echo ${i};
> ssh ${i} jps;
> echo -e "\n";
> done

⑤ 验证集群

[root@hadoop1 ~]# /usr/local/hadoop/bin/yarn node -list

⑥ WEB页面访问

# 使用华为云给Hadoop1绑定弹性公网IP（例如：124.71.115.1）

（1）NameNode：http://hadoop1:50070

（2）SecondaryNamenode：http://hadoop1:50090

（3）ResourceManager：http://hadoop1:8088/cluster

（4）DataNode：http://node-0001:50075

（5）NodeManager：http://node-0001:8042/node

小结：

本篇章节为【第五阶段】ARCHITECTURE-DAY3 的学习笔记，这篇笔记可以初步 了解Hadoop与大数据的关系，理解HDFS、Mapreduce、Yarn的架构、调用Hadoop执行数据分析的方法、搭建分布式Hadoop执行，除此之外推荐参考相关学习网址：

• Hadoop核心组件 - dorothychai - 博客园
•  YARN的架构及原理 - 子墨言良 - 博客园

---

Tip：毕竟两个人的智慧大于一个人的智慧，如果你不理解本章节的内容或需要相关笔记、视频，可私信小安，请不要害羞和回避，可以向他人请教，花点时间直到你真正的理解。
 

原文地址：https://blog.csdn.net/AnJern/article/details/142988315

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！