如何计算 java 轮询线程消耗

CountDownLatch是一个同步辅助类，犹如倒计时计数器，创建对象时通过构造方法设置初始值，调用CountDownLatch对象的await()方法则处于等待状态，调用countDown()方法就将计数器减1，当计数到达0时，则所有等待者或单个等待者开始执行。

我、提、供、编、码。

　　ArrayList和Vector有什么区别？HashMap和HashTable有什么区别？StringBuilder和StringBuffer有什么区别？这些都是Java面试中常见的基础问题 面对这样的问题 回答是 ArrayList是非线程安全的 Vector是线程安全的 HashMap是非线程安全的 HashTable是线程安全的 StringBuilder是非线程安全的 StringBuffer是线程安全的 因为这是昨晚刚背的《Java面试题大全》上面写的 此时如果继续问 什么是线程安全？线程安全和非线程安全有什么区别？分别在什么情况下使用？这样一连串的问题 一口老血就喷出来了… 　　非线程安全的现象模拟 　　这里就使用ArrayList和Vector二者来说明 　　下面的代码 在主线程中new了一个非线程安全的ArrayList 然后开 个线程分别向这个ArrayList里面添加元素 每个线程添加 个元素 等所有线程执行完成后 这个ArrayList的size应该是多少？应该是 个？ 　　[java] 　　public class Main 　　{ 　　public static void main(String[] args) 　　{ 　　// 进行 次测试 　　for(int i = ; i < ; i++) 　　{ 　　test(); 　　} 　　} 　　public static void test() 　　{ 　　// 用来测试的List 　　List<Object> list = new ArrayList<Object>(); 　　// 线程数量( ) 　　int threadCount = ; 　　// 用来让主线程等待threadCount个子线程执行完毕 　　CountDownLatch countDownLatch = new CountDownLatch(threadCount); 　　// 启动threadCount个子线程 　　for(int i = ; i < threadCount; i++) 　　{ 　　Thread thread = new Thread(new MyThread(list countDownLatch)); 　　thread start(); 　　} 　　try 　　{ 　　// 主线程等待所有子线程执行完成 再向下执行 　　countDownLatch await(); 　　} 　　catch (InterruptedException e) 　　{ 　　e printStackTrace(); 　　} 　　// List的size 　　System out println(list size()); 　　} 　　} 　　class MyThread implements Runnable 　　{ 　　private List<Object> list; 　　private CountDownLatch countDownLatch; 　　public MyThread(List<Object> list CountDownLatch countDownLatch) 　　{ 　　this list = list; 　　untDownLatch = countDownLatch; 　　} 　　public void run() 　　{ 　　// 每个线程向List中添加 个元素 　　for(int i = ; i < ; i++) 　　{ 　　list add(new Object()); 　　} 　　// 完成一个子线程 　　untDown(); 　　} 　　} 　　public class Main 　　{ 　　public static void main(String[] args) 　　{ 　　// 进行 次测试 　　for(int i = ; i < ; i++) 　　{ 　　test(); 　　} 　　} 　　public static void test() 　　{ 　　// 用来测试的List 　　List<Object> list = new ArrayList<Object>(); 　　// 线程数量( ) 　　int threadCount = ; 　　// 用来让主线程等待threadCount个子线程执行完毕 　　CountDownLatch countDownLatch = new CountDownLatch(threadCount); 　　// 启动threadCount个子线程 　　for(int i = ; i < threadCount; i++) 　　{ 　　Thread thread = new Thread(new MyThread(list countDownLatch)); 　　thread start(); 　　} 　　try 　　{ 　　// 主线程等待所有子线程执行完成 再向下执行 　　countDownLatch await(); 　　} 　　catch (InterruptedException e) 　　{ 　　e printStackTrace(); 　　} 　　// List的size 　　System out println(list size()); 　　} 　　} 　　class MyThread implements Runnable 　　{ 　　private List<Object> list; 　　private CountDownLatch countDownLatch; 　　public MyThread(List<Object> list CountDownLatch countDownLatch) 　　{ 　　this list = list; 　　untDownLatch = countDownLatch; 　　} 　　public void run() 　　{ 　　// 每个线程向List中添加 个元素 　　for(int i = ; i < ; i++) 　　{ 　　list add(new Object()); 　　} 　　// 完成一个子线程 　　untDown(); 　　} 　　} 　　上面进行了 次测试（为什么要测试 次？因为非线程安全并不是每次都会导致问题） 　　输出结果 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　上面的输出结果发现 并不是每次测试结果都是 有好几次测试最后ArrayList的size小于 甚至时不时会抛出个IndexOutOfBoundsException异常 （如果没有这个现象可以多试几次） 　　这就是非线程安全带来的问题了 上面的代码如果用于生产环境 就会有隐患就会有BUG了 　　再用线程安全的Vector来进行测试 上面代码改变一处 test()方法中 　　[java] 　　List<Object> list = new ArrayList<Object>(); 　　List<Object> list = new ArrayList<Object>();改成 　　[java] 　　List<Object> list = new Vector<Object>(); 　　List<Object> list = new Vector<Object>(); 　　再运行程序 　　输出结果 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　再多跑几次 发现都是 没有任何问题 因为Vector是线程安全的 在多线程操作同一个Vector对象时 不会有任何问题 　　再换成LinkedList试试 同样还会出现ArrayList类似的问题 因为LinkedList也是非线程安全的 　　二者如何取舍 　　非线程安全是指多线程操作同一个对象可能会出现问题 而线程安全则是多线程操作同一个对象不会有问题 　　线程安全必须要使用很多synchronized关键字来同步控制 所以必然会导致性能的降低 　　所以在使用的时候 如果是多个线程操作同一个对象 那么使用线程安全的Vector 否则 就使用效率更高的ArrayList 　　非线程安全!=不安全 　　有人在使用过程中有一个不正确的观点 我的程序是多线程的 不能使用ArrayList要使用Vector 这样才安全 　　非线程安全并不是多线程环境下就不能使用 注意我上面有说到 多线程操作同一个对象 注意是同一个对象 比如最上面那个模拟 就是在主线程中new的一个ArrayList然后多个线程操作同一个ArrayList对象 　　如果是每个线程中new一个ArrayList 而这个ArrayList只在这一个线程中使用 那么肯定是没问题的 　　线程安全的实现 　　线程安全是通过线程同步控制来实现的 也就是synchronized关键字 　　在这里 我用代码分别实现了一个非线程安全的计数器和线程安全的计数器Counter 并对他们分别进行了多线程测试 　　非线程安全的计数器 　　[java] 　　public class Main 　　{ 　　public static void main(String[] args) 　　{ 　　// 进行 次测试 　　for(int i = ; i < ; i++) 　　{ 　　test(); 　　} 　　} 　　public static void test() 　　{ 　　// 计数器 　　Counter counter = new Counter(); 　　// 线程数量( ) 　　int threadCount = ; 　　// 用来让主线程等待threadCount个子线程执行完毕 　　CountDownLatch countDownLatch = new CountDownLatch(threadCount); 　　// 启动threadCount个子线程 　　for(int i = ; i < threadCount; i++) 　　{ 　　Thread thread = new Thread(new MyThread(counter countDownLatch)); 　　thread start(); 　　} 　　try 　　{ 　　// 主线程等待所有子线程执行完成 再向下执行 　　countDownLatch await(); 　　} 　　catch (InterruptedException e) 　　{ 　　e printStackTrace(); 　　} 　　// 计数器的值 　　System out println(counter getCount()); 　　} 　　} 　　class MyThread implements Runnable 　　{ 　　private Counter counter; 　　private CountDownLatch countDownLatch; 　　public MyThread(Counter counter CountDownLatch countDownLatch) 　　{ 　　unter = counter; 　　untDownLatch = countDownLatch; 　　} 　　public void run() 　　{ 　　// 每个线程向Counter中进行 次累加 　　for(int i = ; i < ; i++) 　　{ 　　counter addCount(); 　　} 　　// 完成一个子线程 　　untDown(); 　　} 　　} 　　class Counter 　　{ 　　private int count = ; 　　public int getCount() 　　{ 　　return count; 　　} 　　public void addCount() 　　{ 　　count++; 　　} 　　} 　　public class Main 　　{ 　　public static void main(String[] args) 　　{ 　　// 进行 次测试 　　for(int i = ; i < ; i++) 　　{ 　　test(); 　　} 　　} 　　public static void test() 　　{ 　　// 计数器 　　Counter counter = new Counter(); 　　// 线程数量( ) 　　int threadCount = ; 　　// 用来让主线程等待threadCount个子线程执行完毕 　　CountDownLatch countDownLatch = new CountDownLatch(threadCount); 　　// 启动threadCount个子线程 　　for(int i = ; i < threadCount; i++) 　　{ 　　Thread thread = new Thread(new MyThread(counter countDownLatch)); 　　thread start(); 　　} 　　try 　　{ 　　// 主线程等待所有子线程执行完成 再向下执行 　　countDownLatch await(); 　　} 　　catch (InterruptedException e) 　　{ 　　e printStackTrace(); 　　} 　　// 计数器的值 　　System out println(counter getCount()); 　　} 　　} 　　class MyThread implements Runnable 　　{ 　　private Counter counter; 　　private CountDownLatch countDownLatch; 　　public MyThread(Counter counter CountDownLatch countDownLatch) 　　{ 　　unter = counter; 　　untDownLatch = countDownLatch; 　　} 　　public void run() 　　{ 　　// 每个线程向Counter中进行 次累加 　　for(int i = ; i < ; i++) 　　{ 　　counter addCount(); 　　} 　　// 完成一个子线程 　　untDown(); 　　} 　　} 　　class Counter 　　{ 　　private int count = ; 　　public int getCount() 　　{ 　　return count; 　　} 　　public void addCount() 　　{ 　　count++; 　　} 　　} 　　上面的测试代码中 开启 个线程 每个线程对计数器进行 次累加 最终输出结果应该是 　　但是上面代码中的Counter未进行同步控制 所以非线程安全 　　输出结果 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　 　　稍加修改 把Counter改成线程安全的计数器 　　[java] 　　class Counter 　　{ 　　private int count = ; 　　public int getCount() 　　{ 　　return count; 　　} 　　public synchronized void addCount() 　　{ 　　count++; 　　} 　　} 　　class Counter 　　{ 　　private int count = ; 　　public int getCount() 　　{ 　　return count; 　　} 　　public synchronized void addCount() 　　{ 　　count++; 　　} 　　} 　　上面只是在addCount()方法中加上了synchronized同步控制 就成为一个线程安全的计数器了 再执行程序 　　输出结果 　　 　　 　　 　　 　　 　　 　　 　　 　　 lishixinzhi/Article/program/Java/gj/201311/27519

不可重入锁，与可重入锁相反，不可递归调用，递归调用就发生死锁。看到一个经典的讲解，使用自旋锁来模拟一个不可重入锁，代码如下import java.util.concurrent.atomic.AtomicReference;public class UnreentrantLock {private AtomicReference<Thread> owner = new AtomicReference<Thread>();public void lock() {Thread current = Thread.currentThread();//这句是很经典的“自旋”语法，AtomicInteger中也有for (;;) {if (!owner.compareAndSet(null, current)) {return;}}}public void unlock() {Thread current = Thread.currentThread();owner.compareAndSet(current, null);}}代码也比较简单，使用原子引用来存放线程，同一线程两次调用lock()方法，如果不执行unlock()释放锁的话，第二次调用自旋的时候就会产生死锁，这个锁就不是可重入的，而实际上同一个线程不必每次都去释放锁再来获取锁，这样的调度切换是很耗资源的。

Redisson的Github地址： https://github.com/redisson/redisson/wiki/Table-of-Content 基于Redis的Redisson分布式可重入锁RLock对象实现了java.util.concurrent.locks.Lock接口。 大家都知道，如果负责储存这个分布式锁的Redisson节点宕机以后，而且这个锁正好处于锁住的状态时，这个锁会出现锁死的状态。为了避免这种情况的发生，Redisson内部提供了一个 监控锁的看门狗 ，它的作用是在Redisson实例被关闭前，不断的延长锁的有效期。默认情况下，看门狗的检查锁的超时时间是30秒钟，也可以通过修改Config.lockWatchdogTimeout来另行指定。 在RedissonLock类的renewExpiration()方法中，会启动一个定时任务每隔30/3=10秒给锁续期。如果业务执行期间，应用挂了，那么不会自动续期，到过期时间之后，锁会自动释放。 另外Redisson还提供了leaseTime的参数来指定加锁的时间。超过这个时间后锁便自动解开了。 如果指定了锁的超时时间，底层直接调用lua脚本，进行占锁。如果超过leaseTime，业务逻辑还没有执行完成，则直接释放锁，所以在指定leaseTime时，要让leaseTime大于业务执行时间。RedissonLock类的tryLockInnerAsync()方法 分布式可重入读写锁允许同时有多个读锁和一个写锁处于加锁状态。在读写锁中，读读共享、读写互斥、写写互斥。 读写锁测试类，当访问write接口时，read接口会被阻塞住。 Redisson的分布式信号量与的用法与java.util.concurrent.Semaphore相似 现在redis中保存semaphore的值为3 然后在TestController中添加测试方法： 当访问acquireSemaphore接口时，redis中的semaphore会减1；访问releaseSemaphore接口时，redis中的semaphore会加1。当redis中的semaphore为0时，继续访问acquireSemaphore接口，会被阻塞，直到访问releaseSemaphore接口，使得semaphore>0，acquireSemaphore才会继续执行。 CountDownLatch作用：某一线程，等待其他线程执行完毕之后，自己再继续执行。 在TestController中添加测试方法，访问close接口时，调用await()方法进入阻塞状态，直到有三次访问release接口时，close接口才会返回。

1、当在匿名类中用this时，这个this则指的是匿名类或内部类本身。2、this.i=i 是指 当成员变量和局部变量重名时，在方法中使用this时，表示的是该方法所在类中的成员变量。（this是当前对象自己）

你能说下目的吗。可以加个navtice变量，子线程完成后设为true, 主线程加个while循环，当这个变更为true时，结束循环，也就自动结束了

设置一个计数器，每个线程执行完后计数器加一然后查看计数器是否已满（任务都完成），没有的话就阻塞，是的话就唤醒其他所有线程，大家一起来执行下一次任务。要注意公用的计数器的线程安全！

java 有一个CountDownLatch类，是专门处理这种问题的。.net好像没有这样的类，你搜一下.net CountDownLatch，然后会出现模拟这个类的一些代码。原理基本上就是一开始定义一个CountDownLatch计数器，比如你有两个子线程，那么这个计数器就为2，然后每个子线程执行完之后，计数器-1，直到到0位置，两个子线程外面需要用 await()方法来阻塞，这样当计数器为0的时候，主线程就能继续执行了。我在java里写的代码，你可以参照网上的例子模拟一个CountDownLatch类。final CountDownLatch lock = new CountDownLatch(1);//验证文件服务器是否运行是否正常new Thread(new Runnable() { public void run() { startCheck(lock); } }).start();lock.await();等待//主线程继续执行startCheck方法里边如果执行完了之后，只需要调用lock.countDown();就行了。

public static void main(String[] args) throws Exception { ConnectingIOReactor ioReactor = new DefaultConnectingIOReactor(); PoolingNHttpClientConnectionManager cm = new PoolingNHttpClientConnectionManager(ioReactor); cm.setMaxTotal(100); CloseableHttpAsyncClient httpAsyncClient = HttpAsyncClients.custom().setConnectionManager(cm).build(); httpAsyncClient.start(); String[] urisToGet = { "http://www.chinaso.com/", "http://www.so.com/", "http://www.qq.com/", }; final CountDownLatch latch = new CountDownLatch(urisToGet.length); for (final String uri: urisToGet) { final HttpGet httpget = new HttpGet(uri); httpAsyncClient.execute(httpget, new FutureCallback<HttpResponse>() { public void completed(final HttpResponse response) { latch.countDown(); System.out.println(httpget.getRequestLine() + "->" + response.getStatusLine()); } public void failed(final Exception ex) { latch.countDown(); System.out.println(httpget.getRequestLine() + "->" + ex); } public void cancelled() { latch.countDown(); System.out.println(httpget.getRequestLine() + " cancelled"); } }); } latch.await();

学习没有捷径，但要有好的方法提高效率

1、jdk1.8广义上来说，可以说是1.7的增强版，即1.8的功能更加强大，如：1.8中Switch语句支持string类型 、 Try-with-resource语句 、5 数字类型的下划线表示 更友好的表示方式、在可变参数方法中传递非具体化参数,改进编译警告和错误 ；这个太多了，2、 需要注意的是，你用1.8版本开发的程序如果换到其余的1.7版本下可能会报错，即无法运行，而1.7版本下开发的程序，在1.8版本下应该可以正常的运行。 因为版本是自上而下兼容，而自下而上，可能会出问题3、所以建议在真正的开发过程中建议使用1.6或1.7版本（1.8还不是很普遍）

常见错误日志如下：org.apache.zookeeper.KeeperException$ConnectionLossException: KeeperErrorCode = ConnectionLoss1. 原因：是因为ZooKeeper建立连接时采用异步操作，连接操作后并不能保证ZK连接已成功。如果在ZK连接成功前的这个小时间窗口去访问ZK，就会碰到如上错误。2. 解决思路我们在新建ZK连接后要等一段时间，保证连接成功后再访问ZK。3. 网上比较赞同的解决方案:主要利用两个Java类：（1）java.util.concurrent.CountDownLatch：一个同步辅助类，类似倒数计数，直到计数器为0时才能对资源“解锁”。未解锁前等待该资源的进程只能被阻塞。主要方法：public CountDownLatch(int count); /* 构造函数,参数指定计数次数 */public void countDown(); /* 当前线程调用此函数，则计数减一 */public void await() throws InterruptedException; /* 此函数会一直阻塞当前线程，直到计时器的值为0为止 */（2）org.apache.zookeeper.WatcherZooKeeper有一个很有用的功能，就是集群上每一个变化都可以通知到自定义的Watchcer。

你能说下目的吗。可以加个navtice变量，子线程完成后设为true,主线程加个while循环，当这个变更为true时，结束循环，也就自动结束了

最近写小玩具的时候用到了 CountDownLatch 计数器，然后顺便想了想判断线程池全部结束有多少种方法。 在网上搜了下，可能有些没找到，但是我找到的有（所有方法都是在 ThreadPoolExecutor 线程池方法下测试的）： 好嘞，现在开始一个一个介绍优缺点和简要原理； 先创建一个 static 线程池，后面好几个例子就不一一创建了，全部用这个就行了： 然后再准备一个通用的睡眠方法： 这个方法就是为了测试的时候区分线程执行完毕的下顺序而已。 好嘞，准备完毕，现在开始。 首先贴上测试代码： 这一种方式就是在主线程中进行循环判断，全部任务是否已经完成。 这里有两个主要方法： 通俗点讲，就是在执行全部任务后，对线程池进行 shutdown() 有序关闭，然后循环判断 isTerminated() ，线程池是否全部完成。 类似方法扩展： 还是一样，贴上代码： 还是一样在主线程循环判断，主要就两个方法： 这个好理解，总任务数等于已完成任务数，就表示全部执行完毕。 其他 ： 最后扯两句，因为我用 main 方法运行的，跑完后 main 没有结束，是因为非守护线程如果不终止，程序是不会结束的。而线程池 Worker 线程里写了一个死循环，而且被设置成了非守护线程。 这种方法是我比较常用的方法，先看代码： 这种方法，呃，应该是看起来比较高级的，我也不知道别的大佬怎么写的，反正我就用这个。 这个方法需要介绍下这个工具类 CountDownLatch 。先把这种方式的优缺点写了，后面再详细介绍这个类。 CountDownLatch 是 JDK 提供的一个同步工具，它可以让一个或多个线程等待，一直等到其他线程中执行完成一组操作。 常用的方法有 countDown 方法和 await 方法， CountDownLatch 在初始化时，需要指定用给定一个整数作为计数器。 当调用 countDown 方法时，计数器会被减1；当调用 await 方法时，如果计数器大于0时，线程会被阻塞，一直到计数器被 countDown 方法减到0时，线程才会继续执行。 计数器是无法重置的，当计数器被减到0时，调用 await 方法都会直接返回。 这种方式其实和 CountDownLatch 原理类似。 先维护一个静态变量 然后在线程任务结束时，进行静态变量操作： 其实就是加锁计数，循环判断。 Future 是用来装载线程结果的，不过，用这个来进行判断写代码总感觉怪怪的。 因为 Future 只能装载一条线程的返回结果，多条线程总不能用 List 在接收 Future 。 这里就开一个线程做个演示： 这种方式就不写优缺点了，因为 Future 的主要使用场景并不是用于判断任务执行状态。

t2这部分不会被运行了countDownLatch 根本就没有执行过countDown的调用你可以首先把countDown变成类的静态成员变量，或者把countDown作为参数带入到类Calc 中，在run方法结束的时候执行countDownLatch.countDown();如果不执行countDownLatch.countDown();操作，计数器不会产生变化，线程跑完了以后程序就停在countDownLatch.await(); 傻等着了........

要实现这个情况，必须知道以下几点1、java中线程的结束是由run方法运行完成后自动结束的2、在main线程(主线程)中，需要得到所有线程的引用。3、知道jdk提供的CountDownLatch的用法例子如下：public static void main(String[] args) throws InterruptedException {//CountDownLatch作为计数器纪录有几个线程，例如有2个线程CountDownLatch latch=new CountDownLatch(2);Worker worker1=new Worker( latch);Worker worker2=new Worker(latch);worker1.start();// 启动线程worker2.start();////等待所有工人完成工作latch.await();System.out.println("all work done at "+sdf.format(new Date()));} class Worker extends Thread{private CountDownLatch latch;public Worker(CountDownLatch latch){this.latch = latch;}public void run(){xxxxx//在run方法结束之前，讲线程计数器减一latch.countDown();}}

用java.util.concurrent下面的类实现线程池就可以

可以使用Thread类的joint()方法来确保所有程序创建的线程在main()方法退出前结束。可以多了解一些关于Thread类的joint()方法。

是线程安全的，这个类设计的目的就是多线程直接的同步合作。试想，如果它不是线程安全的，那岂不是错误的实现~无论有几个线程在操作countdownlatch实例，调用countdownlatch.await()的线程A会被阻塞，除非其他线程BCD...调用countdownlatch.countdown()并且计数器至0.你可以参考这个回答:

这未必的~~~

要实现这个情况，必须知道以下几点1、java中线程的结束是由run方法运行完成后自动结束的2、在main线程(主线程)中，需要得到所有线程的引用。3、知道jdk提供的CountDownLatch的用法例子如下：public static void main(String[] args) throws InterruptedException { //CountDownLatch作为计数器纪录有几个线程，例如有2个线程CountDownLatch latch=new CountDownLatch(2);Worker worker1=new Worker( latch); Worker worker2=new Worker(latch); worker1.start();// 启动线程worker2.start();// //等待所有工人完成工作 latch.await();System.out.println("all work done at "+sdf.format(new Date())); } class Worker extends Thread{private CountDownLatch latch;public Worker(CountDownLatch latch){this.latch = latch;}public void run(){xxxxx//在run方法结束之前，讲线程计数器减一latch.countDown();}}

观公孙大娘弟子舞剑器行(杜甫)[6]

java.util.concurrent.CountDownLatch 这个类可以实现你所要的功能例如：CountDownLatch latch = new CountDownLatch(5) //声明计数器为5个Thread t = new Thread() {public void run() {try {//TODO 你的应用} catch (Exception e) {//TODO 异常处理}finally {latch.countDown(); //这句是关键System.out.println("ok"); //5个线程都跑完后输出}}};t.start();然后让以上操作循环五次(就是说同时开5个线程)，那么这个"ok"就会在等到这5个线程都ok后才会被输出一次。

要实现这个情况，必须知道以下几点1、java中线程的结束是由run方法运行完成后自动结束的2、在main线程(主线程)中，需要得到所有线程的引用。3、知道jdk提供的CountDownLatch的用法例子如下：public static void main(String[] args) throws InterruptedException { //CountDownLatch作为计数器纪录有几个线程，例如有2个线程CountDownLatch latch=new CountDownLatch(2);Worker worker1=new Worker( latch); Worker worker2=new Worker(latch); worker1.start();// 启动线程worker2.start();// //等待所有工人完成工作 latch.await();System.out.println("all work done at "+sdf.format(new Date())); } class Worker extends Thread{private CountDownLatch latch;public Worker(CountDownLatch latch){this.latch = latch;}public void run(){xxxxx//在run方法结束之前，讲线程计数器减一latch.countDown();}}

常见错误日志如下：org.apache.zookeeper.KeeperException$ConnectionLossException: KeeperErrorCode = ConnectionLoss1. 原因：是因为ZooKeeper建立连接时采用异步操作，连接操作后并不能保证ZK连接已成功。如果在ZK连接成功前的这个小时间窗口去访问ZK，就会碰到如上错误。2. 解决思路我们在新建ZK连接后要等一段时间，保证连接成功后再访问ZK。3. 网上比较赞同的解决方案: 主要利用两个Java类： （1）java.util.concurrent.CountDownLatch： 一个同步辅助类，类似倒数计数，直到计数器为0时才能对资源“解锁”。未解锁前等待该资源的进程只能被阻塞。 主要方法： public CountDownLatch(int count); /* 构造函数,参数指定计数次数 */ public void countDown(); /* 当前线程调用此函数，则计数减一 */ public void await() throws InterruptedException; /* 此函数会一直阻塞当前线程，直到计时器的值为0为止 */ （2）org.apache.zookeeper.Watcher ZooKeeper有一个很有用的功能，就是集群上每一个变化都可以通知到自定义的Watchcer。

本文使用 ReentrantLock 和 CountDownLatch 演示独占锁和共享锁的实现。 独占锁 获取锁 释放锁 共享锁 通过status标识锁 ReentrantLock使用排他锁。AQS的status>0表示加锁，thread是当前获取锁的线程。该锁时可重入锁，所以status>0。 CountDownLatch 使用共享锁。AQS的status为共享锁的标记位，status>0就是加锁，等于0就是释放锁。每调用一次countDown()，status减1。 线程会阻塞在await()，直到countDown()将status置为0

你可以百度搜一下sleep(0)，道理一样

java.util.concurrent.CountDownLatch 这个类可以实现你所要的功能例如：CountDownLatch latch = new CountDownLatch(5) //声明计数器为5个Thread t = new Thread() {public void run() {try {//TODO 你的应用} catch (Exception e) {//TODO 异常处理}finally {latch.countDown(); //这句是关键System.out.println("ok"); //5个线程都跑完后输出}}};t.start();然后让以上操作循环五次(就是说同时开5个线程)，那么这个"ok"就会在等到这5个线程都ok后才会被输出一次。

可以使用CountDownLatch， 设定线程数量，然后在每个线程完成的是，latch.countDown()在轮询主线程中使用latch.await(), 这个函数会等待所有线程执行完成后继续允许，即你在轮询前记录一个时间，latch.await() 后面记录完成时间

public class SyncFuture<T> implements Future<T> { // 因为请求和响应是一一对应的，因此初始化CountDownLatch值为1。 private CountDownLatch latch = new CountDownLatch(1); // 需要响应线程设置的响应结果 private T response; // Futrue的请求时间，用于计算Future是否超时 private long beginTime = System.currentTimeMillis(); public SyncFuture() { } @Override public boolean cancel(boolean mayInterruptIfRunning) { return false; } @Override public boolean isCancelled() { return false; } @Override public boolean isDone() { if (response != null) { return true; } return false; } // 获取响应结果，直到有结果才返回。 @Override public T get() throws InterruptedException { latch.await(); return this.response; } // 获取响应结果，直到有结果或者超过指定时间就返回。 @Override public T get(long timeout, TimeUnit unit) throws InterruptedException { if (latch.await(timeout, unit)) { return this.response; } return null; } // 用于设置响应结果，并且做countDown操作，通知请求线程 public void setResponse(T response) { this.response = response; latch.countDown(); } public long getBeginTime() { return beginTime; }}

多线程，并不能使一个方法执行得更快，只是可以“并发”让多个任务同步干活，是整体上快了。

首先，需要将以下代码编译成jar包，然后在flume中使用，代码转自这里 （如果发现需要依赖的工具类神马的，请在相同目录下的scala文件中找一找） package org.apache.spark.streaming.flume.sinkimport java.net.InetSocketAddressimport java.util.concurrent._import org.apache.avro.ipc.NettyServerimport org.apache.avro.ipc.specific.SpecificResponderimport org.apache.flume.Contextimport org.apache.flume.Sink.Statusimport org.apache.flume.conf.{Configurable, ConfigurationException}import org.apache.flume.sink.AbstractSink/** * A sink that uses Avro RPC to run a server that can be polled by Spark"s * FlumePollingInputDStream. This sink has the following configuration parameters: * * hostname - The hostname to bind to. Default: 0.0.0.0 * port - The port to bind to. (No default - mandatory) * timeout - Time in seconds after which a transaction is rolled back, * if an ACK is not received from Spark within that time * threads - Number of threads to use to receive requests from Spark (Default: 10) * * This sink is unlike other Flume sinks in the sense that it does not push data, * instead the process method in this sink simply blocks the SinkRunner the first time it is * called. This sink starts up an Avro IPC server that uses the SparkFlumeProtocol. * * Each time a getEventBatch call comes, creates a transaction and reads events * from the channel. When enough events are read, the events are sent to the Spark receiver and * the thread itself is blocked and a reference to it saved off. * * When the ack for that batch is received, * the thread which created the transaction is is retrieved and it commits the transaction with the * channel from the same thread it was originally created in (since Flume transactions are * thread local). If a nack is received instead, the sink rolls back the transaction. If no ack * is received within the specified timeout, the transaction is rolled back too. If an ack comes * after that, it is simply ignored and the events get re-sent. * */class SparkSink extends AbstractSink with Logging with Configurable { // Size of the pool to use for holding transaction processors. private var poolSize: Integer = SparkSinkConfig.DEFAULT_THREADS // Timeout for each transaction. If spark does not respond in this much time, // rollback the transaction private var transactionTimeout = SparkSinkConfig.DEFAULT_TRANSACTION_TIMEOUT // Address info to bind on private var hostname: String = SparkSinkConfig.DEFAULT_HOSTNAME private var port: Int = 0 private var backOffInterval: Int = 200 // Handle to the server private var serverOpt: Option[NettyServer] = None // The handler that handles the callback from Avro private var handler: Option[SparkAvroCallbackHandler] = None // Latch that blocks off the Flume framework from wasting 1 thread. private val blockingLatch = new CountDownLatch(1) override def start() { logInfo("Starting Spark Sink: " + getName + " on port: " + port + " and interface: " + hostname + " with " + "pool size: " + poolSize + " and transaction timeout: " + transactionTimeout + ".") handler = Option(new SparkAvroCallbackHandler(poolSize, getChannel, transactionTimeout, backOffInterval)) val responder = new SpecificResponder(classOf[SparkFlumeProtocol], handler.get) // Using the constructor that takes specific thread-pools requires bringing in netty // dependencies which are being excluded in the build. In practice, // Netty dependencies are already available on the JVM as Flume would have pulled them in. serverOpt = Option(new NettyServer(responder, new InetSocketAddress(hostname, port))) serverOpt.foreach(server => { logInfo("Starting Avro server for sink: " + getName) server.start() }) super.start() } override def stop() { logInfo("Stopping Spark Sink: " + getName) handler.foreach(callbackHandler => { callbackHandler.shutdown() }) serverOpt.foreach(server => { logInfo("Stopping Avro Server for sink: " + getName) server.close() server.join() }) blockingLatch.countDown() super.stop() } override def configure(ctx: Context) { import SparkSinkConfig._ hostname = ctx.getString(CONF_HOSTNAME, DEFAULT_HOSTNAME) port = Option(ctx.getInteger(CONF_PORT)). getOrElse(throw new ConfigurationException("The port to bind to must be specified")) poolSize = ctx.getInteger(THREADS, DEFAULT_THREADS) transactionTimeout = ctx.getInteger(CONF_TRANSACTION_TIMEOUT, DEFAULT_TRANSACTION_TIMEOUT) backOffInterval = ctx.getInteger(CONF_BACKOFF_INTERVAL, DEFAULT_BACKOFF_INTERVAL) logInfo("Configured Spark Sink with hostname: " + hostname + ", port: " + port + ", " + "poolSize: " + poolSize + ", transactionTimeout: " + transactionTimeout + ", " + "backoffInterval: " + backOffInterval) } override def process(): Status = { // This method is called in a loop by the Flume framework - block it until the sink is // stopped to save CPU resources. The sink runner will interrupt this thread when the sink is // being shut down. logInfo("Blocking Sink Runner, sink will continue to run..") blockingLatch.await() Status.BACKOFF } private[flume] def getPort(): Int = { serverOpt .map(_.getPort) .getOrElse( throw new RuntimeException("Server was not started!") ) } /** * Pass in a [[CountDownLatch]] for testing purposes. This batch is counted down when each * batch is received. The test can simply call await on this latch till the expected number of * batches are received. * @param latch */ private[flume] def countdownWhenBatchReceived(latch: CountDownLatch) { handler.foreach(_.countDownWhenBatchAcked(latch)) }}/** * Configuration parameters and their defaults. */private[flume]object SparkSinkConfig { val THREADS = "threads" val DEFAULT_THREADS = 10 val CONF_TRANSACTION_TIMEOUT = "timeout" val DEFAULT_TRANSACTION_TIMEOUT = 60 val CONF_HOSTNAME = "hostname" val DEFAULT_HOSTNAME = "0.0.0.0" val CONF_PORT = "port" val CONF_BACKOFF_INTERVAL = "backoffInterval" val DEFAULT_BACKOFF_INTERVAL = 200} 　　然后在你的streaming中使用如下的代码package org.apache.spark.examples.streaming import org.apache.spark.SparkConfimport org.apache.spark.storage.StorageLevelimport org.apache.spark.streaming._import org.apache.spark.streaming.flume._import org.apache.spark.util.IntParamimport java.net.InetSocketAddress/** * Produces a count of events received from Flume. * * This should be used in conjunction with the Spark Sink running in a Flume agent. See * the Spark Streaming programming guide for more details. * * Usage: FlumePollingEventCount <host> <port> * `host` is the host on which the Spark Sink is running. * `port` is the port at which the Spark Sink is listening. * * To run this example: * `$ bin/run-example org.apache.spark.examples.streaming.FlumePollingEventCount [host] [port] ` */object FlumePollingEventCount { def main(args: Array[String]) { if (args.length < 2) { System.err.println( "Usage: FlumePollingEventCount <host> <port>") System.exit(1) } StreamingExamples.setStreamingLogLevels() val Array(host, IntParam(port)) = args val batchInterval = Milliseconds(2000) // Create the context and set the batch size val sparkConf = new SparkConf().setAppName("FlumePollingEventCount") val ssc = new StreamingContext(sparkConf, batchInterval) // Create a flume stream that polls the Spark Sink running in a Flume agent val stream = FlumeUtils.createPollingStream(ssc, host, port) // Print out the count of events received from this server in each batch stream.count().map(cnt => "Received " + cnt + " flume events." ).print() ssc.start() ssc.awaitTermination() }}

oncurrent包里面的CountDownLatch其实可以把它看作一个计数器，只不过这个计数器的操作是原子操作，同时只能有一个线程去操作这个计数器，也就是同时只能有一个线程去减这个计数器里面的值。 CountDownLatch的一个非常典型的应用场景是:有一个任务想要往下执行，但必须要等到其他的任务执行完毕后才可以继续往下执行。假如我们这个想要继续往下执行的任务调用一个CountDownLatch对象的await()方法，其他的任务执行完自己的任务后调用同一个CountDownLatch对象上的countDown()方法，这个调用await()方法的任务将一直阻塞等待，直到这个CountDownLatch对象的计数值减到0为止。

5个人去上厕所，一个个接着进去，每个人都要蹲一分钟才能拉出来，那你说谁会先拉出来？

@Slf4jpublic class FixedThreadPool {/** 请求总数**/private static int clientTotal = 100;public static AtomicInteger atomicInteger = new AtomicInteger(0);public static void main(String[] args) throws Exception {ExecutorService executorService = Executors.newFixedThreadPool(10);final CountDownLatch countDownLatch = new CountDownLatch(clientTotal);for (int i = 0; i < clientTotal; i++) { //这里clientTotal你换成你的list的sizeatomicInteger.incrementAndGet();while (atomicInteger.get() > 4){Thread.sleep(10);}executorService.execute(() -> {consoleLog();countDownLatch.countDown();atomicInteger.decrementAndGet();});}countDownLatch.await();executorService.shutdown();log.info("全部执行完毕");}private static void consoleLog(){try {log.info("hello");Thread.sleep(3000);} catch (InterruptedException e) {e.printStackTrace();}}}

java.util.concurrent.CountDownLatch 这个类可以实现你所要的功能例如：CountDownLatch latch = new CountDownLatch(5) //声明计数器为5个Thread t = new Thread() {public void run() {try {//TODO 你的应用} catch (Exception e) {//TODO 异常处理}finally {latch.countDown(); //这句是关键System.out.println("ok"); //5个线程都跑完后输出}}};t.start();然后让以上操作循环五次(就是说同时开5个线程)，那么这个"ok"就会在等到这5个线程都ok后才会被输出一次。

(一)孔隙度和渗透率的关系高孔隙度致密储层中存在大量连通性好的短孔隙吼道，其孔隙度和渗透率具有良好的相关性。由粉砂岩和颗粒极细的砂岩组成的浅部层状储层与页岩呈薄互层状展布(Rice和Shurr，1980)，浅部席状储层不适合做精确的岩心分析(所得出的结果与实际情况相差很大)。然而白垩可以做岩心分析。图5－3是美国丹佛盆地东部6口井的岩心孔隙度与渗透率交会图。这些数据显示随着孔隙度的降低渗透率也相应地降低。图5－3美国丹福盆地东部6口井上白垩统白垩岩心孔隙度与渗透率关系图 (据Lockridge和Scholle，1978)典型的低孔隙度储层中，孔隙大多是离散的，由多数宽度小于1μm的弯曲条带状或片状毛细管连接，连通性很差。图5－4是在近似剩余围岩压力下的孔隙度与渗透率交会图，对气体逸出进行了Klinkenberg校正。然而，尽管进行了校正，但由于测量的为干岩心，所以并未完全模拟出储层的实际情况。(二)应力敏感性低孔隙度储层最重要的特征之一是当施加在岩心上的应力增大时，渗透率会有很大的降低。在超压条件下，岩心渗透率会降低2～10倍;渗透率越低，相应地降低也越大(Jones和Owens，1980)。当施加的应力为20.7～27.6MPa时，渗透率降低最大。图5－5显示由应力引起的经Klinkenberg校正后所测得的渗透率值(Morrow et al.，1984)。在该试验中，逐渐加大对岩心施加的限制应力(加压);然后释放应力(卸压)，测量是否存在滞后效应。第一次加压之后，在低压力下，渗透率降低;但是在高压力下(34.5MPa)，第一次和第二次加压时渗透率基本相近。图5－4Piceance盆地南部上白垩统Mesaverde群砂岩孔隙度与渗透率的关系图 (据Kukal和Simons，1985)图5－5渗透率与上覆压力关系图 (据Morrow et al.，1984)图5－6A显示美国皮昂斯盆地内2174m深处上白垩统Mesaverde组储集岩的应力敏感性。这些岩心样品的原始最大埋深为3660m。为了对比，图5－6B显示同样采自皮昂斯盆地的常规Mesaverde组砂岩储层随着限制压力的增大，其渗透率只有轻微的减小。该岩心的深度为1371m，仅稍小于初始埋深。“第一次”加压实际上是第二次加压，因为该岩心处于地层压力状态。图5－6围压对经Klinkenberg校正后的渗透率的影响图 (据Morrow et al.，1984)Keighin和Sampath(1982)研究了致密储层中天然气的逸出(Klinkenberg的影响)。他们认为应力敏感性是由许多扁平的或裂缝状的孔隙闭合引起的，在存在上覆压力的实际储层条件下不会有毛细管的存在。研究者推断当岩心被采出时压力降低，由于岩石膨胀会产生许多这样的裂缝和微裂缝，但并非所有的裂缝和微裂缝都是由于这样的机制产生的。该推断最好的证据是Teufel(1983)所进行的应力研究，Teufel发表了致密岩心的膨胀实验数据，他研究的岩心是采出30h之后完全膨胀的岩心。Teufel推断变形恢复过程会产生微裂缝，这些裂缝排列成行且其走向与最大水平应力方向呈90°夹角(Teufel，1983)，而且处于原地压力的岩心具有近似一致或均匀的渗透率。为了论证这些假设以及测量最大应力方向，对50MPa围压下的岩心和未加压的岩心测得了一系列声波速度数据。图5－7显示了这些方位的速度变化。最慢的速度出现于未加压岩心北偏东100°，是由岩心的最大膨胀引起的，该现象显示了岩心膨胀的最大方向，同时也是最大应力方向。可以看到，在所有的方向上声波速度都被削减了，因此岩心在所有的方向上都有扩张，但由于最大应力的释放，在该方向上扩张更大。图5－7致密岩心未加压和50MPa围压下的方位超声波速图 (据Spencer，1989)北偏东100°速度的降低是由最大应力释放方向上岩心膨胀引起的，岩心膨胀时会形成人工微裂缝Brower和Morrow(1985)的井周声波扫描测井研究说明未加压岩心中存在许多片状孔隙，但是在34.5MPa的压力下，这些片状孔隙就会消失或者是由于孔隙太小，不会被声波扫描测井所辨识。Spencer(1985)注意到在扫描显微电镜(SEM)下可区分人工扩张微裂缝与天然裂缝，这是由于人工扩张裂缝的面互成镜像，而天然微裂缝或毛细管不具有该特征(图5－8)。SEM和薄片分析显示扩张裂缝通常发育于颗粒边界。总体来说人工裂缝(<1.0μm宽)比天然微裂缝要窄，尽管有些天然微裂缝可能小于<1.0μm(Morrow et al.，1984;Soeder和Randolph，1984)。然而，观察到的大多数小于1.0μm的微裂缝都是人工的。图5－8A为一个人工裂缝及其相应的外观，图5－8B为天然的扁平状或似带状毛细管和孔隙。初始压力(20.7～27.6MPa)可能封闭了大部分的扩张裂隙，减小了天然微裂缝的宽度。通常来讲，未加压致密砂岩的孔隙度平均为5%～10%，高于初始围压下的孔隙度。因此，具有9%原地孔隙度的致密砂岩岩心取出后可能会膨胀，故在常规实验分析中测得孔隙度可能为9.5%，增加的0.5%的孔隙度是由微裂缝与孔隙扩张所造成的。注意到在许多情况下围压比地层条件下的实际压力或者剩余压力高，这是由于在计算剩余压力时必须减去孔隙流体压力。应力敏感性之所以如此重要，是因为当储层压力降低时非常致密砂岩的渗流速率可能会降低(Vairogs et al.，1971)。Morrow et al.(1984)对富含碳酸盐(11%～40%)的致密砂岩岩心进行了酸化试验研究。尽管只有一小部分碳酸盐岩被溶解，但是渗透率却明显加大了，而且压力敏感性也降低了。这项研究表明，对富碳酸盐砂岩的酸化处理后，如果能防止副产物的沉淀，则可提高井的产量。图5－8致密砂岩岩心的扫描电镜显微照片 (据Spencer，1989)(三)毛细管压力和气的相对渗透率岩石的毛细管压力受孔隙吼道入口(和毛细管)大小以及孔隙大小分布的影响。测量致密岩石毛细管压力的方法有很多(Morrow et al.，1984):压汞实验、水蒸气和烃类气体吸附—解吸等值线及高速离心。在中等低润湿相饱和状态下，低孔隙度储层具有相对高到非常高的毛细管压力。在汞润湿相饱和度为50%和高速离心(水饱和)时，毛细管压力通常可能大于6.9MPa，说明岩石的孔隙吼道和毛细管非常小。在原地条件下，这种高毛细管压力会造成中等含水饱和度(Sw)，Sw通常为45%～75%。在致密储层和常规储层中，高的含水饱和度都会削弱或阻止气体的流动。图5－9显示三块低孔隙度岩心在不同含水饱和度下的气相对渗透率，这些岩心采自怀俄明州绿河盆地。这些数据说明在含水饱和度为50%时，不同深度岩心的原始气渗透率会降低到原始干燥条件下渗透率的12%～21%。这些渗透率是在689kPa下测得的，压力贯穿岩心并且围岩压力不同。这些数据还显示由含水饱和度增大所引起的渗透率的降低与围岩压力无关。在较高的流体压力下，相对渗透率曲线会轻微地向右移动。可以看到，含水饱和度的任意增加都会明显降低气体的相对渗透率。

BIT it

Lack缺乏，没有Lack+of＋名词：Theplantsdiedforlackofwater.Lack+名词：Welackthestrengthtowalkanyfurther.短语：belacking:欠缺、缺：Moneywaslackingtocompletethebuilding.Belackingin缺乏（某种品质、特点等）,不够：Heisnotlackinginintelligence.Lackfor缺（多用于否定句）Shedoesnotlackforfriends.

英语尾巴怎么读？

看例子：1. She lacks confidence.她没有信心。 (lack作及物动词，用于肯定句中。）2. She doesn"t lack for confidence. 她不缺乏信心。(lack作不及物动词，用于否定句中。）3. She didn"t attend the party for lack of confidence.她没有参加这个聚会，因为她没有信心。（lack作名词，与of搭配使用。注意：名词lack绝对不能与for连用。）4. She is lacking in confidence. 她没有信心。（lacking作形容词用，前面有系动词，后面与in搭配使用。）

动画电影《THE FIRST 灌篮高手》改编自井上雄彦创作的漫画作品《灌篮高手》，于2022年12月3日在日本上映。该片预计将于2023年1月12日在中国香港、澳门上映，1月13日在中国台湾上映，大陆暂时没有公布上映时间。《THE FIRST SLAM DUNK》的主角是宫城良田，整部电影以宫城为主视角，除了讲述他小时候跟渴望打赢的山王的哥哥的经历，亦涉及1998年推出的宫城番外篇《耳环》的剧情，而电影开宗明义就以湘北对山王的比赛为线，穿插上述宫城的故事。比赛情节几乎跟足原著，虽然换上全新配音班底及以CG绘制画面，但不影响整体效果，且更现场感十足，尤其比赛到最后几乎只有实境声音，全场屏息静气睇比赛，气氛十足。要数最大「惊喜」应该是结局，讲述宫城毕业后竟然到美国发展，还遇上了山王的泽北荣治，二人再次在球场上对决。不少观众质疑宫城凭什麽能够到美国发展，就算他是《THE FIRST SLAM DUNK》的主角，都不应该编得如此离谱，有人就认为可能会有下一部作品去交代故事，下次可能换上其他角色做主角。

EPE(Expandable Polyethylene):聚乙烯泡沫塑料,俗称珍珠棉。特点：密度小、柔韧性好、回复率高；防震性能优于聚苯乙烯塑料；具有独立的气泡结构，表面吸水率低；防渗透性能好；耐酸、耐碱、盐、油等有机溶剂腐蚀，耐老化性能优良；高温时不流淌，低温时不脆裂。EPS（Expanded Polystyrene）：聚苯乙烯泡沫，是一种轻型高分子聚合物。它是采用聚苯乙烯树脂加入发泡剂，同时加热进行软化，产生气体，形成一种硬质闭孔结构的泡沫塑料。这种均匀封闭的空腔结构使EPS具有吸水性小，保温性好，质量轻及较高的机械强度等特点。EPP （Expanded polypropylene ）：聚丙烯塑料发泡材料是一种性能卓越的高结晶型聚合物/气体复合材料，以其独特而优越的性能成为目前增长最快的环保新型抗压缓冲隔热材料。EPP制品具有十分优异的抗震吸能性能、形变后恢复率高、很好的耐热性、耐化学品、耐油性和隔热性，另外，其质量轻，可大幅度减轻物品重量。三者之间的区别;EPP,能模出成型，即可预发泡成颗粒，再在模具中成各种形状，具有韧性好，不易破裂，缓冲性能好.EPE,能挤出成型或发泡成型，能做成板材或片材或管材，再冲压裁切粘接成型，具有韧性好，不易破裂，缓冲性能好.EPS,能模出成型，即可预发泡成颗粒，再在模具中成各种形状，具有韧性不是很好，易破裂，缓冲性能一般.

可以吧

大相径庭的反义词是大同小异。1、大相径庭的释义：径：门外的小路；庭：门内的庭院；相径庭：相距很远。指彼此有很大差距或完全相反。产生年代：古代成语。2、出处：“吾惊怖其言，犹河汉而无极也。大有径庭，不近人情焉？”——《庄子·逍遥游》。3、引证：“南宋陈简斋，陆放翁、杨万里、周必大、范石湖诸人之诗……不专事绮缋，其与但为风云月露之形者大相径庭。”——明·何良俊《四友斋丛说》卷二十五。“虽然结果一样，其“因”却大相径庭。”——鲁迅·《集外集·田园思想》。4、语法：偏正式；作谓语；形容事物区别明显。大相径庭造句：1、那男人的态度则与做丈夫的态度大相径庭。2、而这并不是预期的结果，因为这与前期的研究大相径庭。3、不出意料，结果显示男性和女性的幸福观大相径庭。4、电影中的美国西部边疆与历史事实大相径庭。5、难道这不是和你长期以来振振有词宣扬的那些理论大相径庭吗？6、像作者们承认的那样，核心问题是数字经常跟直觉大相径庭。7、但是，伯克希尔公司和中国基金在两方面大相径庭。8、从社会角度说，现代和美国的道德观念大相径庭。9、已有的许多使用入口拜访行星的理论都大相径庭。10、关于夫妻双方财产分割以及离婚后双方经济义务各国规定也大相径庭。

其实我也不知道u3299u3299u3299u3299u3299u3299u3299

很火

你好。lack 构成的短语有：be lacking:欠缺、缺：be lacking in缺乏（某种品质、特点等）,不够lack for 缺（多用于否定句） Lack+of＋名词：The plants died for lack of water. Lack+名词：We lack the strength to walk any further. 短语：be lacking:欠缺、缺：Money was lacking to complete the building. Be lacking in缺乏（某种品质、特点等）,不够：其他就没有了，谢谢