当前位置： 首页 > news >正文

自建免费AI搜索技能：基于SearXNG与Firecrawl的Agent联网方案

news 2026/4/29 19:33:43

1. 项目概述：一个免费、可自部署的Web搜索技能

最近在折腾AI Agent和智能助手，发现一个挺普遍的需求：让AI能联网搜索。市面上方案不少，但要么收费，要么限制多，要么就是得自己从零开始搭一套复杂的爬虫和解析系统，对个人开发者或小团队来说，门槛不低。直到我发现了这个叫roryyu/websearch-free-skill的项目，眼前一亮。这本质上是一个为AI Agent（特别是基于composio或类似框架的Agent）设计的、开箱即用的Web搜索技能（Skill）。

简单来说，它帮你封装好了从发起搜索请求，到获取搜索结果，再到解析网页内容这一整套流程。你不需要去研究各个搜索引擎的API（很多已经收费或限制严格），也不用头疼怎么从杂乱无章的HTML里提取出干净、结构化的文本。这个技能包直接提供了一个标准化的“搜索”动作，你的Agent调用它，它返回整理好的信息，Agent再基于这些信息进行思考或回答。最吸引人的是，它标榜“免费”和“可自部署”，这意味着你可以完全掌控数据流和成本，不用担心额度问题，也能根据自己需求进行定制。

这个项目非常适合那些正在构建个人AI助手、自动化研究工具、信息聚合Bot，或者任何需要让AI获取实时信息的开发者。如果你厌倦了为搜索API付费，或者担心现成服务的稳定性和隐私问题，那么自己部署一个这样的技能，会是一个既经济又安心的选择。接下来，我就结合自己的部署和调试经验，把这个项目的里里外外、关键细节和踩过的坑，给大家完整拆解一遍。

2. 核心架构与工作原理拆解

在动手部署之前，我们先得搞清楚websearch-free-skill到底是怎么工作的。它不是魔法，其核心是巧妙地组合了几项成熟的开源技术，并将它们封装成一个统一的接口。

2.1 技术栈构成与选型理由

这个项目主要依赖于以下几个核心组件：

  1. SearXNG： 这是整个技能的“搜索引擎心脏”。SearXNG是一个开源的元搜索引擎，它本身不爬取网页，而是将用户的查询同时发送给Google、Bing、DuckDuckGo、Wikipedia等数十个公开的搜索引擎，然后聚合、去重、排序返回结果。它的关键优势在于：

    • 隐私友好：默认不记录用户IP、搜索历史，也不使用追踪器。
    • 无商业广告：返回结果纯净。
    • 可自托管：这是实现“免费”和“可控”的基石。你部署自己的SearXNG实例，就拥有了一个私有的、无查询限制的搜索入口。
    • API支持：提供了简洁的JSON API，方便程序调用。

  2. Firecrawl： 这是技能的“内容抓取与解析器”。SearXNG返回的只是包含标题、链接和摘要的搜索结果列表。要获取链接指向的网页的详细内容，就需要爬取和解析。Firecrawl（或其开源版本）是一个专门为LLM应用设计的爬虫框架，它能：

    • 智能解析：不是简单地下载HTML，而是能识别并提取出文章的主体内容，过滤掉导航栏、广告、侧边栏等噪音。
    • 结构化输出：可以将网页内容转换成干净的Markdown或纯文本格式，非常适合后续交给AI模型处理。
    • 处理JavaScript：对于现代动态网页（如用React、Vue.js构建的），它能通过无头浏览器（如Playwright）渲染后抓取，确保拿到完整内容。

  3. Composio（或类似Agent框架）的Skill SDK： 这是技能的“标准化外壳”。websearch-free-skill项目是按照Composio这个AI Agent工具平台的规范编写的。Skill SDK定义了一个技能应该有哪些元数据（名称、描述）、需要哪些输入参数（比如搜索关键词、结果数量）、会输出什么格式的数据。这样，任何兼容Composio的Agent都能像调用本地函数一样，轻松地调用这个搜索技能，而不必关心背后的SearXNG和Firecrawl是如何协作的。

为什么是这样一个组合？这个选型非常务实。直接调用商业搜索引擎API（如Google Custom Search JSON API）有严格的每日免费限额，超出后费用不菲。而利用开源的SearXNG作为代理，本质上是利用了各大搜索引擎对普通浏览器访问的宽容策略，绕开了API限制，实现了“免费”。Firecrawl则解决了从“链接”到“可用内容”这个最棘手的环节。最后，通过Skill SDK封装，极大降低了集成复杂度，让开发者能聚焦在Agent的逻辑本身。

2.2 工作流程与数据流转

一次完整的搜索调用，其内部流程是这样的：

  1. 接收指令：你的AI Agent决定需要进行一次Web搜索，于是它按照Skill的规范，构造一个请求，包含query（搜索词）、num_results（需要几条结果）等参数，调用websearch-free-skill。
  2. 发起搜索：Skill接收到请求后，首先向你自己部署的SearXNG实例的API端点发送搜索请求。
  3. 聚合结果：SearXNG实例将查询分发给其配置的后端搜索引擎（如Google, Bing），收集它们的返回结果，经过排序和去重后，将前N条结果的标题、链接、摘要封装成JSON，返回给Skill。
  4. 抓取内容：Skill拿到结果链接列表，并不是直接返回给Agent。为了提供更丰富的信息，它会选取前几条（例如前3条）最相关的链接，调用Firecrawl服务，去分别抓取这些链接对应网页的详细内容。
  5. 解析与格式化：Firecrawl访问目标网页，执行渲染（如果需要），然后运用其解析算法提取核心正文，并将其转换为干净的文本或Markdown。
  6. 整合返回：Skill将SearXNG返回的原始结果列表（包含所有结果的链接和摘要）和Firecrawl抓取到的详细内容（针对部分结果）整合在一起，结构化地返回给调用它的AI Agent。
  7. Agent处理：AI Agent收到这份结构化的搜索报告，里面既有概括性的结果列表，也有具体网页的深度内容，它便可以综合这些信息，生成更准确、更全面的回答。

注意：步骤4和5（即调用Firecrawl进行深度抓取）通常是可配置的。如果只是为了快速获取链接列表，或者目标网站反爬严重，可以关闭这个功能，只返回SearXNG的聚合结果，这样速度更快，但对Agent的信息支持会弱一些。

3. 从零开始部署：环境准备与配置详解

理解了原理，我们就可以动手搭建自己的“免费搜索技能”了。整个过程可以分为三个主要部分：部署SearXNG、部署Firecrawl、以及配置和运行websearch-free-skill本身。

3.1 部署私有SearXNG搜索引擎

SearXNG的部署方式很多，这里推荐使用Docker，最为简单快捷。

1. 安装Docker与Docker Compose确保你的服务器或本地开发机已经安装了Docker和Docker Compose。你可以通过运行docker --version和docker-compose --version来检查。

2. 创建SearXNG配置目录

mkdir searxng && cd searxng

3. 获取官方Docker Compose配置SearXNG官方提供了示例的docker-compose.yaml文件。我们基于此进行修改。

# 下载官方示例文件 curl -o docker-compose.yaml https://raw.githubusercontent.com/searxng/searxng-docker/master/docker-compose.yaml # 下载环境变量示例文件 curl -o .env https://raw.githubusercontent.com/searxng/searxng-docker/master/.env

4. 关键配置修改编辑.env文件，有几个关键设置需要关注：

# 设置一个安全的密钥，用于会话加密等。可以用 openssl rand -hex 32 生成。 SEARXNG_SECRET_KEY=你的32位十六进制密钥 # 将SearXNG设置为公开可用（如果你希望从外网访问），或者仅限本地。 SEARXNG_BASE_URL=http://你的服务器IP:8080/ # 非常重要！启用JSON格式的搜索API，这是Skill调用的基础。 SEARXNG_SETTINGS='{ "search": { "formats": ["html", "json"] } }'

编辑docker-compose.yaml，确保端口映射正确（比如将容器内的8080端口映射到主机的8080端口）。

5. 启动SearXNG

docker-compose up -d

等待片刻，访问http://你的服务器IP:8080，你应该能看到SearXNG的搜索界面。尝试搜索一下，确认功能正常。

6. 获取API访问地址Skill调用的是SearXNG的JSON API端点。其地址格式为：http://你的服务器IP:8080/search?q=关键词&format=json。你可以直接在浏览器中测试这个链接，看看返回的JSON数据是否正常。

实操心得：在云服务器上部署时，务必在安全组或防火墙中开放你映射的端口（如8080）。另外，SearXNG的默认配置可能访问某些搜索引擎不稳定，你可以在其管理界面（/preferences）的“引擎”选项卡中，禁用一些不常用或经常超时的引擎，只保留Google、Bing、DuckDuckGo等核心引擎，能提升搜索速度和稳定性。

3.2 部署Firecrawl爬虫服务

Firecrawl提供了多种部署方式，包括云服务（付费）和自托管开源版本。websearch-free-skill通常对接其开源版本。

1. 克隆Firecrawl开源仓库

git clone https://github.com/mendableai/firecrawl cd firecrawl

2. 使用Docker Compose启动Firecrawl项目也提供了docker-compose.yml文件，使得部署非常方便。

# 直接使用docker-compose启动所有服务（包括API服务器、爬虫worker、Redis队列等） docker-compose up -d

这个过程会拉取多个镜像，包括Playwright（用于渲染JS网页），所以首次启动可能需要一些时间。

3. 验证Firecrawl服务默认情况下，Firecrawl的API服务器运行在3002端口。你可以通过一个简单的cURL命令测试它是否工作：

curl -X POST http://localhost:3002/v1/scrape \ -H "Content-Type: application/json" \ -d '{"urls": ["https://example.com"]}'

如果返回了包含网页内容和元数据的JSON，说明Firecrawl服务部署成功。

4. 关键配置说明Firecrawl的配置主要在docker-compose.yml和其环境变量中。对于基础使用，默认配置通常足够。但如果你需要处理大量请求或特定网站，可能需要调整：

  • WORKER_CONCURRENCY: 控制同时爬取的worker数量。
  • PLAYWRIGHT_HEADLESS: 是否以无头模式运行浏览器，一般设为true。
  • 你可以在docker-compose.yml中映射自己的配置文件，来设置请求头、超时时间、代理等高级选项，以应对反爬策略。

注意事项：Firecrawl自托管版本需要处理网页渲染，对服务器CPU和内存有一定要求。对于简单的静态网页，负载很轻；但如果频繁抓取复杂的单页应用（SPA），资源消耗会显著上升。建议在配置不低于2核4G的服务器上运行。

3.3 配置与运行websearch-free-skill

前两步是搭建基础设施，现在我们来安装和配置技能本身。

1. 获取技能代码

git clone https://github.com/roryyu/websearch-free-skill.git cd websearch-free-skill

2. 安装Python依赖项目根目录下会有requirements.txt文件。

pip install -r requirements.txt

3. 配置环境变量这是连接技能与SearXNG、Firecrawl的关键。你需要创建一个.env文件，或者直接导出环境变量。

# 复制示例环境文件（如果项目提供） cp .env.example .env # 编辑 .env 文件，填入你的服务地址 SEARXNG_BASE_URL=http://你的服务器IP:8080 # 你的SearXNG实例地址 FIRECRAWL_API_URL=http://你的服务器IP:3002 # 你的Firecrawl API地址 # 如果Firecrawl需要API密钥（云服务版），在这里设置 # FIRECRAWL_API_KEY=your_firecrawl_api_key
  • SEARXNG_BASE_URL： 指向你刚刚部署的SearXNG实例。技能会向{SEARXNG_BASE_URL}/search?format=json发送请求。
  • FIRECRAWL_API_URL： 指向你部署的Firecrawl服务的API地址。技能会向{FIRECRAWL_API_URL}/v1/scrape发送抓取请求。

4. 理解技能代码结构通常，一个Composio Skill的核心是一个skill.py文件，里面定义了：

  • class WebSearchFreeSkill: 技能主类。
  • @action装饰器： 标记一个可被调用的动作，比如search。
  • schema: 定义动作的输入参数（如query: str,num_results: int）和输出格式。 你需要检查代码，确认它如何读取环境变量、如何调用SearXNG和Firecrawl的API。

5. 本地测试技能在运行Agent之前，最好先单独测试一下技能是否正常工作。你可以写一个简单的Python脚本：

import asyncio import os from skill import WebSearchFreeSkill # 根据实际文件导入 async def test(): skill = WebSearchFreeSkill() # 调用技能的search动作 result = await skill.actions.search(query="什么是大型语言模型", num_results=3) print(result) if __name__ == "__main__": asyncio.run(test())

运行这个脚本，观察输出。它应该会打印出包含搜索结果和抓取内容的字典。如果报错，根据错误信息检查环境变量配置、网络连通性（技能能否访问到SearXNG和Firecrawl服务）以及依赖包版本。

4. 集成到AI Agent：以Composio为例

技能部署测试成功后，下一步就是把它“装配”到你的AI Agent上。这里以Composio框架为例，展示集成过程。

4.1 在Composio平台注册技能

Composio作为一个中心化的技能市场和管理平台，简化了集成。

  1. 创建Toolset： 登录Composio平台，创建一个新的Toolset（工具集），给它起个名字，比如my-websearch-tools。
  2. 添加本地技能： 在Toolset中，选择添加技能。由于websearch-free-skill是一个本地/自定义技能，你需要通过“Custom Skill”或“Git Repo”的方式添加。
    • 方式一（推荐）： 如果你的技能代码已经在GitHub等公开仓库，可以直接提供仓库URL。Composio可以拉取代码并识别其中的Skill定义。
    • 方式二： 如果代码在本地，你需要按照Composio的CLI工具指引，将技能打包并推送到平台。通常需要安装composio-cli，在技能目录下运行composio push等命令。
  3. 配置连接器： 添加技能后，你需要为这个技能配置一个“连接器”（Connector）。对于自托管的技能，连接器通常是一个运行在你本地的守护进程（composio-local），它负责在Composio云平台和你的本地技能服务之间建立安全隧道。你需要按照指引下载并运行这个本地连接器，并让它与你刚创建的Toolset关联。
  4. 获取API密钥： 集成完成后，Composio会为这个Toolset生成一个API密钥。你的Agent代码将使用这个密钥来调用Toolset里的所有技能。

4.2 在Agent代码中调用搜索技能

假设你使用OpenAI的Assistant API或LangChain来构建Agent，集成Composio技能非常直观。

示例（使用Composio Python SDK）：

import os from composio import Composio from composio.openai import ComposioToolSet # 1. 初始化Composio客户端，使用你的API密钥 COMPOSIO_API_KEY = os.getenv("COMPOSIO_API_KEY") composio = Composio(api_key=COMPOSIO_API_KEY) # 2. 获取你创建的Toolset toolset = composio.get_toolset("my-websearch-tools") # 替换为你的Toolset名称 # 3. 将Toolset中的工具（即我们的websearch技能）注册到你的AI框架 # 这里以LangChain为例 from langchain.agents import initialize_agent, AgentType from langchain_openai import ChatOpenAI llm = ChatOpenAI(model="gpt-4", temperature=0) # 通过ComposioToolSet将工具转换为LangChain可用的格式 lc_tools = ComposioToolSet(toolset=toolset).get_langchain_tools() # 4. 创建并运行Agent agent = initialize_agent( tools=lc_tools, llm=llm, agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION, verbose=True ) # 5. 现在，Agent在思考过程中，如果需要搜索，就会自动调用我们的websearch技能了！ response = agent.run("帮我搜索一下今天关于AI芯片的最新新闻，并总结要点。") print(response)

当Agent执行到需要信息的步骤时，它会自动触发websearch-free-skill的search动作。Composio的本地连接器会收到请求，转发给你本地运行的技能服务，技能服务执行搜索和抓取，再将结果通过连接器返回给Composio平台，最终送达你的Agent。整个过程对开发者几乎是透明的，你只需要关注Agent的逻辑本身。

5. 高级配置、优化与故障排查

基础部署完成后，为了获得更稳定、更高效的搜索体验，还需要进行一些优化和问题处理。

5.1 性能与稳定性调优

  1. SearXNG优化：

    • 引擎选择： 在SearXNG管理界面 (/preferences) 的“引擎”页，只启用google,bing,duckduckgo等少数稳定、快速的引擎。禁用不必要或响应慢的引擎，可以大幅减少搜索延迟和超时。
    • 超时设置： 在SearXNG的配置文件 (settings.yml) 中，可以调整server.limiter和引擎的timeout设置，避免因个别引擎无响应而拖慢整个搜索请求。
    • 使用缓存： 启用SearXNG的结果缓存，对于热门查询可以显著提速。

  2. Firecrawl优化：

    • 并发控制： 在docker-compose.yml中调整WORKER_CONCURRENCY环境变量。不要设置过高，以免爬虫行为过于激进导致IP被目标网站封禁。通常2-4个并发worker对于个人使用足够了。
    • 请求速率限制： Firecrawl支持设置全局或针对特定域名的请求延迟 (delay)。在配置文件中添加适当的延迟（如1000毫秒），是遵守网站robots.txt、体现良好网络公民行为的关键，也能避免被封。
    • 超时与重试： 配置合理的请求超时时间和重试策略，以应对网络波动或网站暂时不可用的情况。

  3. 技能层优化：

    • 异步处理： 确保websearch-free-skill的代码是异步的（使用async/await），这样在等待网络I/O（搜索、抓取）时不会阻塞。
    • 结果缓存： 可以考虑在技能层面为相同的搜索查询添加一个短期缓存（例如使用functools.lru_cache或Redis），在几分钟内重复的查询直接返回缓存结果，减少对后端服务的压力。
    • 限制抓取深度： 在技能代码中，严格控制调用Firecrawl抓取详细内容的页面数量。默认抓取前3条结果的内容通常是合理的平衡点。抓取全部结果会非常慢且消耗资源。

5.2 常见问题与解决方案实录

在实际部署和使用中，我遇到了不少问题，这里总结一下：

问题1：SearXNG搜索返回空结果或速度极慢。

  • 排查： 首先直接在浏览器访问你的SearXNG实例，进行相同关键词搜索，看网页版是否正常。如果不正常，问题在SearXNG本身。
  • 可能原因与解决：
    • 网络问题： 你的服务器可能无法访问某些搜索引擎（如Google）。尝试在SearXNG后台切换使用不同的搜索引擎，或者检查服务器网络。
    • 引擎失效： 某些SearXNG内置的引擎可能已经失效。进入SearXNG的“引擎”设置，禁用所有引擎，然后只重新启用google,bing,duckduckgo等核心引擎进行测试。
    • 被屏蔽： 如果你的服务器IP发送的搜索请求过于频繁，可能被搜索引擎临时屏蔽。尝试为SearXNG配置代理（在settings.yml中设置outgoing.proxy）。

问题2：Firecrawl抓取失败，返回超时或空内容。

  • 排查： 直接用cURL调用Firecrawl API，尝试抓取一个简单网站（如https://example.com）和一个复杂网站（如一个新闻站）。
  • 可能原因与解决：
    • Playwright问题： Firecrawl依赖Playwright来渲染JS。确保Docker镜像正确包含了Playwright和浏览器。可以进入Firecrawl的容器内，手动运行Playwright命令测试。
    • 网站反爬： 目标网站可能检测到无头浏览器或来自数据中心的流量。尝试在Firecrawl配置中设置更真实的User-Agent头，或者启用stealth模式（如果Firecrawl支持）。
    • 资源不足： 抓取复杂JS网页非常消耗内存和CPU。检查服务器资源使用情况，必要时升级配置或减少并发worker数。
    • 超时设置太短： 对于加载慢的页面，增加Firecrawl请求的超时时间。

问题3：技能运行时抛出依赖错误或模块找不到。

  • 排查： 仔细查看错误堆栈，确认是哪个Python包缺失或版本冲突。
  • 解决：
    • 确保在正确的Python虚拟环境中安装依赖。
    • 检查requirements.txt中的包版本，有时需要根据你的Python版本进行微调。可以尝试先安装基础版本pip install composio-sdk requests aiohttp，再根据报错信息逐个解决。

问题4：Agent调用技能时超时或无响应。

  • 排查： 这是一个链条问题。需要分段排查。
    1. 测试技能本身： 用第3.3节的测试脚本直接运行，看是否正常。
    2. 测试Composio本地连接器： 检查连接器进程是否在运行，日志是否有报错。尝试通过Composio平台的测试功能手动触发一次技能调用。
    3. 检查网络： 确保运行Agent的机器能访问到SearXNG和Firecrawl的服务地址和端口。防火墙或安全组规则是常见阻碍。
  • 解决： 根据分段测试的结果，定位问题环节。最常见的是网络连通性问题或Composio连接器配置错误。

5.3 扩展可能性：超越基础搜索

websearch-free-skill提供了一个很好的起点，但你完全可以基于它进行扩展：

  1. 结果后处理： 在技能返回结果给Agent之前，可以添加一个后处理步骤。例如，使用一个轻量级的文本摘要模型（如BART）对Firecrawl抓取的长文进行摘要，只把核心摘要发给Agent，节省上下文窗口。
  2. 多模态搜索： 修改技能，使其不仅能搜索网页文本，还能通过SearXNG的“图像搜索”或“视频搜索”功能，获取图片或视频信息，并整合到返回结果中。
  3. 垂直领域增强： 如果你专注于某个领域（如学术、电商），可以配置SearXNG优先使用该领域的垂直搜索引擎（如Google Scholar），并在Firecrawl的解析规则中，针对该领域常见网站（如arXiv, Amazon）编写特定的内容提取规则，获得更精准的信息。
  4. 与知识库结合： 将搜索技能与本地知识库（如用ChromaDB、Pinecone存储的向量数据库）结合。Agent可以先在本地知识库中检索，如果找不到或信息过时，再触发Web搜索，并将搜索得到的新知识存入知识库，实现信息的持续更新和积累。

部署和调试这样一个系统确实需要一些耐心，尤其是当SearXNG或Firecrawl的某个环节出问题时。但一旦跑通，你就拥有了一个完全受控、免费、强大的AI信息获取渠道。这种将开源工具链组合起来解决实际问题的过程，本身也是极佳的学习和锻炼。

http://www.jsqmd.com/news/720654/

相关文章：

  • 基于Supabase与pgvector构建企业级RAG智能问答系统实战
  • 软件包的安装、卸载清除命令
  • 3分钟上手MegSpot：跨平台图片视频对比神器的终极指南
  • 【卷卷漫谈】GitHub统治世界，但我们开始怀念那个没有它的年代
  • OpenRGB技术解析：如何实现跨厂商RGB设备统一控制的架构设计
  • 如何用Translumo实现实时屏幕翻译：游戏、视频和软件的终极语言解决方案
  • 为什么 Rerank 是 RAG 从“玩具”走向“生产”的分水岭
  • 2026年3月知名的大吨位气动葫芦定制厂家推荐，气动单轨吊/5吨气动葫芦/10吨气动葫芦，大吨位气动葫芦定制厂家哪家权威 - 品牌推荐师
  • Realtek RTL8821CE无线网卡驱动：Linux系统下的完整安装与优化指南
  • 018、PCIE TLP头格式详解：从一次诡异的丢包说起
  • 3个关键设计突破：MyTV-Android如何重新定义电视直播体验
  • 超越传统SLAM：SLAM Toolbox如何实现终身建图与多机器人协同的突破
  • aWsm：用Rust实现WebAssembly系统接口，探索轻量级安全计算新范式
  • GRPO与GAD：深度学习模型蒸馏的优化策略与实践
  • 免费开源CAD软件LitCAD：快速入门二维绘图设计的完整指南
  • 2026年3月褶景机生产厂家推荐，服装压褶机/HE-217-T提花机/电脑打褶机/ZJ-416直刀机，褶景机公司有哪些 - 品牌推荐师
  • 漫画图像翻译解决方案：AI驱动的多语言漫画阅读体验
  • 从临床研究到风控模型：DeLong检验如何帮你科学评估模型性能？一个案例讲透
  • 混合式学习机器人进厂装电机，成功率99.4%
  • [具身智能-497]：如何在机器人上部署智能体？
  • Hunyuan Custom模型参数调优与风格迁移实战
  • 委托思维链架构：模块化LLM推理与执行解耦设计
  • 基于深度学习的道路坑洞识别 道路坑洞缺陷检测 YOLOv8图像分割实现路面坑洞检测+代码+教程+语意分割
  • 用Python和LTspice复现LM358共模电压测试，手把手教你验证运放极限
  • 让PS3手柄在Windows上重获新生的开源驱动解决方案
  • DeepSeek V4：AI从对话工具到智能系统的分水岭，OpenCSG已上线
  • Wan2.2-I2V-A14B参数调优指南：平衡生成质量、时长与显存占用的黄金组合
  • centos安装部署openclaw
  • 计算机大数据毕业设计Django+AI大模型股票行情预测系统 量化交易分析预测系统 大数据毕设(源码+LW+PPT+讲解)
  • 从零开始学Flink：Flink SL四大Join解析