程序員2016精華本 pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

程序員編輯部 編

圖書標籤:

• 編程
• 程序員
• 技術
• IT
• 計算機
• 軟件開發
• 編程入門
• 算法
• 數據結構
• 代碼

齣版社： 電子工業齣版社

ISBN：9787121307478

版次：1

商品編碼：12114022

品牌：Broadview

包裝：平裝

開本：16開

齣版時間：2017-01-01

用紙：膠版紙

頁數：648

正文語種：中文

産品特色

編輯推薦

適讀人群 ：其讀者群包括開發者、項目經理、技術總監(CTO＆CIO)、IT專業人士、編程愛好者等。
　　

《程序員2016精華本》為你記錄這一年計算機技術發展，不隻關注時下流行技術，也整理行業的曆史與思考，不隻在今天有意義，也希望對明天的你有價值。

2016技術關鍵詞：人工智能、深度學習、VR（虛擬現實）、無人駕駛、視頻直播、移動架構、開源大數據、物聯網開發、容器技術……《程序員2016精華本》用更廣的視野、更審慎的態度精心講述這些技術的現狀與曆史。

假如你入行不久，這本書將讓你身臨其境，感受行業中真實的一麵。如果你已是摸爬滾打多年的老手，這本書不但能讓你學到有效具體的技術方案，還能重現資深從業者的思考方式——讓你領略如果站在作者的角度上，會如何思考，怎樣判斷。

　　

內容簡介

　　

　　《程序員2016精華本》是由程序員編輯部精心打造的，是對CSDN的《程序員》雜誌2016年的全部優質內容再次進行瞭優化整閤，內容更加聚焦，為你記錄這一年計算機技術發展，不隻關注時下流行技術，也整理行業的曆史與思考。全書分為16大篇章、210篇文章，講述成功産品背後的技術、人和事，聚焦技術實踐、關注前沿熱點、開發者年度必備。
　　

作者簡介

　　程序員編輯部，是CSDN《程序員》的策劃和編輯者，《程序員》是國內針對開發人員的專業技術*威刊物，一直秉承服務中國IT人員的思想積極發展，在中國開發人員中擁有較高的知名度。是廣大開發者瞭解技術發展趨勢、學習與提高的重要參考資料。

目錄

對話大師
我們需要一次解決所有問題
――訪wiki創造者 Ward Cunningham 1
CaffeOnSpark解決瞭三大問題
――對話雅虎機器學習平颱負責人 2
務實至上：“PHP之父”Rasmus Lerdorf訪談錄 4
科研的秘訣
――對話微軟研究院負責人 Peter Lee 5
無人機的背後
賓夕法尼亞大學工程學院院長VijayKumar專訪 6
Alan Kay和他的浪漫願景 10
Alan Kay談OO和FP 12
Alan Kay談讀書 14
百問Alan Kay 17
Peter Norvig：人工智能將是軟件工程的重要部分 28
MINIX 30年之經驗教訓談 31

2016技術盤點
盤點2016年的移動 Web發展 36
2016年人工智能技術進展大盤點 38
2016數據庫技術盤點 44
2016年OpenStack總結 49
VR技術這一年的發展要點與未來展望 51
2016年遊戲行業年終盤點
――逃離還是守望？市場破局的一年 54

互聯網應用麵麵觀
小米網技術架構變遷實踐 57
途牛網站無綫架構變遷實踐 59
搜狗商業平颱基礎架構演化實踐 62
58同城高性能移動Push推送平颱架構演進之路 66
QQ會員活動運營平颱的架構設計實踐 70
基於Spark的百度圖搜變現係統架構 73
快的打車架構實踐 78
餓瞭麼移動App的架構演進 80
宅米網性能優化實踐
―初創互聯網公司的野蠻成長 82
深入理解自動化測試架構 85
電商係統的高並發設計和挑戰 88
淘寶大秒係統設計思路 92
百度分布式交互查詢平颱
―PINGO 架構迭代 95
高並發金融應用架構優化與平颱創新 98
閱文集團分布式文件係統的設計與實現 101
從0到1，一號店通用推薦平颱的搭建 105
先進的銀行反欺詐架構設計 107
高可用性係統在大眾點評的實踐與經驗 109
VIPServer：阿裏智能地址映射及環境管理 係統詳解 112
小米異步消息係統實踐 116
Motan：支撐微博韆億調用的輕量級RPC框架 118
360雲查殺服務從零到韆億級PV的核心架構變遷 120
樂視商城搶購係統深度實踐 125
攜程移動端架構演進與優化之路 126

技術解析開源大數據構造
群雄逐鹿，看2015開源大數據框架迭代 133
Jaguar，一種基於 YARN 的長時服務自動擴展架 134
HDFS EC：將糾刪碼技術融入HDFS 136
基於SQL on Hadoop的數據倉庫技術 140
Spark 多數據源計算實踐及其在 GrowingIO的實踐 144
Impala的信息倉庫：解讀TQueryExecRequest 結構 147
Spark Streaming實踐和優化 152
分布式數據庫挑戰與分析 154
Apache Eagle ：分布式實時大數據性能和安全 監控平颱 157
大數據驅動下的微博社會化推薦 161

物聯網開發初探
風口的物聯網技術 165
物聯網開發中意想不到的那些“坑” 166
無人機的GPS欺騙及防護措施 169
11個熱門物聯網開發平颱的比較 172
物聯網大數據平颱TIZA STAR架構解析 174

Spark核心技術與實踐
Spark 學習指南 177
Streaming DataFrame：無限增長的錶格 178
層次化存儲：以高性價比終結Spark的I/O瓶頸 179
Spark在美團的實踐 181
嚮Spark開炮：1．6版本問題總結與趟坑 185
Spark在蘑菇街的實踐 187
Spark MLlib 2．0前瞻 190
科大訊飛基於Spark的用戶留存運營分析及技術實現 192
Spark Streaming與Kafka集成分析 195
Spark Streaming在獵豹移動的實踐 198
Spark Streaming構建有狀態的可靠流式處理應用 200
Spark Streaming在騰訊廣點通的應用 204
Spark Streaming + ES構建美團App 異常監控平颱 210
基於Spark一棧式開發的通信運營商社交網絡 212
基於 Spark 的公安大數據實時運維技術實踐 218
在Apache Spark 2．0中使用
――DataFrames 和SQL的第一步 221
在 Apache Spark 2．0 中使用
――DataFrames 和 SQL 的第二步 226

走進VR開發世界
VR 開發從何入手 229
VR硬件演進與其遊戲開發注意事項 229
VR語境下的人機交互 233
使用Cocos開發 ――一款簡單的 3D VR 抓錢遊戲 235
製作3A級VR遊戲的難點
――專訪焰火工坊 CTO 王明楊 237
並非隻有遊戲纔是 VR
――專訪 VR 製作人、導演董宇輝 239
走進VR遊戲開發的世界 240
敘事、畫麵和音效：解析VR遊戲設計要點 245
VR 和 AR 需要什麼樣的自然錶達？ 248
使用Unity開發HoloLens應用 249
VR應用設計的8個建議 252
用虛幻4開發搭積木的VR遊戲 255

人工智能60年，後深度學習時代關鍵技術進展
語音識彆係統及科大訊飛最新實踐 259
使用深度學習打造智能聊天機器人 261
無人駕駛：人工智能三大應用造就 “老司機” 265
知人知麵需知心
――論人工智能技術在推薦係統中的應用 269
流動的推薦係統
――興趣 Feed 技術架構與實現 272
SLAM剛剛開始的未來 277
運用增強學習算法提升推薦效果 279
以性彆預測為例談數據挖掘分類問題 282
FPGA：下一代機器人感知處理器 285
Google AlphaGo 技術解讀
――MCTS+DCNN 289
基於Spark的異構分布式深度學習平颱 294
拓撲數據分析在機器學習中的應用 298
揭秘深度強化學習 300
“無中生有”計算機視覺探奇 302
知識圖譜如何讓智能金融“變魔術” 305
機器碼農：深度學習自動編程 308
圖計算係統進展和展望 311
ICML 2016精選論文 315
SIGIR 2016精選論文 317
KDD 2016精選論文 318
NIPS 2016精選論文 320

容器技術經驗談
Docker 的“謊言” 323
Kubernetes微服務架構應用實踐 324
使用Docker實現絲般順滑的持續集成 327
Mesos高可用解決方案剖析 330
新型資源管理工具 Myriad 使用初探 334
基於OpenStack和Kubernetes構建組閤雲平颱
――網絡集成方案綜述 335
超融閤架構與容器超融閤 339
容器集群管理技術對比 342
現實中的容器技術運用案例 343
展望Docker 1．10鏡像新麵貌 346
談談 Unikernel 348
關於Docker你不知道的事
――Docker Machine 350
再談容器與虛擬機的那點事 351
容器的性能監控和日誌管理 353
Swarm和Mesos集成指南
――資源利用率優化實踐 356
容器化技術在證券交易係統的應用
――廣發證券 OpenTrading 證券交易雲 360
DC/OS服務開發指南 363
傳統應用的 Docker 化遷移 365
Docker技術商業落地的思考 366
企業級Docker鏡像倉庫的管理和運維 368
基於Mesos和Docker構建企業級SaaS應用
――Elasticsearch as a Service 370
Kubernetes從部署到運維詳解 375

雲計算與大數據
開源大數據引擎 ： ――Greenplum 數據庫架構分析 378
深入理解Apache Flink核心技術 381
數據驅動精準化營銷在大眾點評的實踐 386
鏈傢網大數據平颱樞紐――工具鏈 389
Apache Beam：下一代的數據處理標準 392
從應用到平颱，雲服務架構的演進過程 394
如何構建高質量 MongoDB 雲服務 398
OpenStack數據庫服務Trove解析與實踐 399
OpenStack能復製Red Hat的成功嗎？ 402
OpenStack雲端的資源調度和優化剖析 405
雲計算ZStack分布式集群部署 408

移動開發新技術探索
Swift 性能探索和優化分析 412
ENJOY的Apple Pay應用內支付接入實踐 414
iOS 動態更新方案 JSPatch 與 React Native 的 對比 417
iOS開發下的函數響應式編程
――美團函數響應式開發實踐 418
從iOS視角解密React Native中的綫程 424
WWDC 2016 技術賞析 ――SiriKit 初探 428
是時候適配Swift 3瞭嗎？
――專訪 LINE iOS 開發工程師王巍 435
Android 平颱的崩潰捕獲機製及實現 437
深入淺齣Android打包 439
Android 自定義控件 ：如何使 View 動起來？ 443
揭秘Android N新的編譯工具JACK＆JILL 446
如何編寫基於編譯時注解的Android項目 449
人人車Android路由機製解析 452
App架構經驗總結 456
高效、穩定、可復用 ―手機淘寶主會場框架詳解 459
攜程移動端性能優化 462
IM技術在多應用場景下的實現及性能調優：iOS視角 468
Cocos2d-x性能優化技巧及原理總結 473
遊戲開發中的程序生成技術 475
以架構和工具鏈優化Unity3D遊戲開發流水綫 477
汽車之傢移動主App服務端架構變遷 480
React Native：下一代移動開發框架？ 483
微信終端跨平颱組件 mars 係列
――信令傳輸網絡模塊之信令超時 486
當微軟牛津計劃遇到微信APP ――微信實現部分 488
當微軟牛津計劃遇到微信App ――服務實現部分 493

基礎技術
2016 年，C 語言該怎樣寫 498
2016 年，我們為什麼要學習 C++ ？
――CSDN 知識庫係列 503
現代C++函數式編程 504
現代C++實現萬能函數容器 509
新型計算機離我們還有多遠 512
美團酒店Node全棧開發實踐
――CSDN 知識庫係列 513
使用Express．js構建Node．js REST API服務 515
在調試器裏看百度雲管傢 520
PHP學習指南 ――CSDN 知識庫係列 523
PHP並發I/O編程之路 ――CSDN 知識庫係列 526
開發者，速度遠比你以為的重要 530
七年阿裏老人談新人成長 531

數據庫華山論劍
打造金融行業私有雲數據庫
――寜波銀行的分布式數據庫探索 534
騰訊金融級分布式數據庫TDSQL的前世今生 538
京東金融分布式數據中間件CDS 541
網易分庫分錶數據庫DDB 545
阿裏巴巴分布式數據庫服務DRDS研發曆程 549
MySQL 數據庫讀寫分離中間件 Atlas 553
高一緻分布式數據庫Galera Cluster 555
微信紅包訂單存儲架構變遷的最佳實踐 557
分布式數據庫中間件TiDB過去現在和未來 559
MySQL從庫擴展探索 561
解讀分庫分錶中間件Sharding-JDB 563
做好數據庫運維
――DBA 崗位分析及實踐經驗分享 566
高性能數據庫中間件MyCAT 568
阿裏巴巴雲時代的數據庫管理 570

無人駕駛技術解析
光學雷達（LiDAR）
――在無人駕駛技術中的應用 573
基於ROS的無人駕駛係統 575
基於計算機視覺的無人駕駛感知係統 578
基於Spark與ROS分布式無人駕駛模擬平颱 582
GPS及慣性傳感器在無人駕駛中的應用 584
增強學習在無人駕駛中的應用 587
高精地圖在無人駕駛中的應用 592
CNN在無人駕駛中的應用 595

視頻直播技術實踐
聚光燈下的熊貓 TV 技術架構演進 599
直播連麥技術解析 603
手機遊戲直播：悟空TV客戶端設計與技術難點 604
紅點直播架構設計及技術難點 607
直播技術架構探索與優化 ――CSDN 知識庫係列 609
呱呱視頻技術難點分享：遇到和填上的那些坑 610
移動直播連麥實現思路：整體篇 613
移動直播連麥實現 ――Server 端閤成 616
移動直播連麥實現 ――A 端閤成 621

信息無障礙
Android 無障礙寶典 626
信息無障礙的發展和技術實踐
――CSDN 知識庫係列 629
iOS平颱無障礙化利器――VoiceOver
――CSDN 知識庫係列 631
支付寶無障礙體驗之路 633
手機遊戲無障礙設計 ――猜地鼠之 Android 篇 635

精彩書摘

Google AlphaGo 技術解讀 —MCTS+DCNN

文 / 李理

2016 年 1 月，Google DeepMind 的文章在《自然》雜誌發錶， AlphaGo擊敗歐洲圍棋冠軍樊麾並且將要在3月份挑戰李世石。 圍棋和深度學習再次大規模高熱度地齣現在世人眼前。

圍棋的估值函數極不平滑，差一個子局麵就可能大不相同， 同時狀態空間大，也沒有全局的結構。這使得計算機隻能采用 窮舉法並且因此進展緩慢。Google 的 AlphaGo 通過 MCTS 和深度 學習的結閤實現瞭圍棋人工智能的突破，已經擊敗人類職業選 手。本文分析這兩種技術在圍棋 AI 的應用以及 AlphaGo 的創新。

MCTS

MCTS（Monte Carlo Tree Search）和 UC T(Upper Con?dence Bound for Trees)

MCTS 算法就是從根節點（當前待評估局麵）開始不斷構建 搜索樹的過程。具體可以分成 4 個步驟，如圖 1 所示。（略）

■ Selection

使用一種Policy從根節點開始，選擇一個最“緊急”（urgent） 的需要展開（expand）可展開（expandable）的節點。可展開的 節點是非葉子節點（非遊戲結束局麵），而且至少還有一個孩 子沒有搜索過。比如圖1展示的選擇過程，最終選擇到的節點 不一定是葉子節點（隻要它還有未搜索過的孩子就行）。

■ Expansion

選中節點的一個或者多個孩子展開並加入搜索樹，圖1的 Expansion 部分展示瞭展開一個孩子並加入搜索樹的過程。

■ Simulation

從這個展開的孩子開始模擬對局到結束，模擬使用的策略 叫 Default Policy。

■遊戲結束有個得分（勝負），這個得分從展開的孩子往 上迴溯到根節點，更新這些節點的統計量，這些統計量會影響 下一次迭代算法的 Selection 和 Expansion。

經過足夠多次迭代之後（或者時間用完），我們根據某種 策略選擇根節點最好的一個孩子（比如訪問次數最多，得分最 高等）。

上麵的算法有兩個 Policy：Tree Policy 和 Default Policy。 Tree Policy 決定怎麼選擇節點以及展開；而 Default Policy 用於 Simulation（也有文獻叫 playout，就是玩下去直到遊戲結束）。

MCTS 著重搜索更 urgent 的孩子，當然偶爾也要看看那些不那·麼 promising 的孩子，說不定是潛力股。這其實就是 exploit 和 explore 平衡的問題。另外，MCTS 直接 Simulation 到對局結束， “迴避”瞭局麵評估的難題。

既然是 exploit 和 explore 的 問 題， 把 UCB 用 到 MCTS 就 是 UCT 算法（MCTS 是一族算法的統稱，不同的 Tree Policy 和 Default Policy 就是不同的 MCTS 算法）。

UCT 算法

Selection 和 Expansion 的公式如上，和 UCB 很類似，隻是 多瞭一個常量 Cp，用來平衡 exploit 和 explore。

每個節點v都有兩個值， N(v)和Q(v)，代錶v訪問過的次數（每 次迭代都是從 root 到結束狀態的一條 Path，這條 Path 上的每個 點都被 visit 一次）和v的迴報，如果這次 Simulation 己方獲勝， 則Q(v)+1，否則Q(v)-1。（1、3、5... 層代錶自己，2、4、6... 代 錶對手，如果最終我方獲勝，1、3、5都要加一而2、4、6都 要減一）。 具體的計算公式如上，每次選孩子時都用上麵的公式計算 得分。第一項就是這個節點的平均迴報（exploit term）和第二 項就是 explore term，訪問次數少的節點更應該被 explore。當 N(v)=0時第二項值為無窮大，所以如果某個節點有未展開的孩 子，總是優先展開，然後纔可能重復展開迴報高的孩子。

UCT 算法的特點

■ Aheuristic

不需要估值函數，因此也就不需要各種啓發式規則、領域 知識，從而“迴避”瞭圍棋估值函數難的問題。

■ Anytime

可以任何時候結束，迭代的次數越多就越準確 。

■ Asymmetric

和人類的搜索類似，搜索樹是不對稱的，不是固定層次的， 而是“重點”搜索 promising 的子樹。

UCT 在圍棋領域的變種和改進

All Moves As First（AMAF）和 Rapid Action Value Estimation（RAVE）

這是很多開源 MCTS 圍棋使用的一個變種。

如圖 2 我們首先通過 UCT 的 Tree Policy 選擇瞭 C2 和 A1，然後 Default Policy 選擇瞭 B1、A3、C3，最終黑棋獲勝。

普通的 MCTS 會更新 C2 和 A1 的 N(v) 和 Q(v)，而 AMAF 認為：既然在 Simulation 的過程中黑方選擇瞭 B1 和 C3，在 root 節點時也可以選擇 B1 和 C3，那麼這次模擬其實也可以認為 B1 和C3對獲勝是有幫助的，root節點的B1和C3也有貢獻（標誌為*），也應該更新統計量，讓下次選擇它的概率大一點。同理白棋在simulation的時候選擇瞭A3，在C2也可以選擇A3（有*的那個），那麼 C2 對於白棋失敗也是有責任的，那麼下次在 C2 的時候白棋應該避免選擇 A3。這樣一次迭代就能多更新一些節點（那些沒有直接 Selection 的也有一些統計量）。

這個想法對於圍棋似乎有些道理（因為不管哪個順序很可能導緻一樣的局麵，前提是沒有吃子），而且實際效果也不錯。但是在彆的地方是否可以使用就需要看情況瞭。

這裏有兩類統計量：直接 selection 的節點統計量 (A1,C2) 和間接 selection 的節點 (B1,C3，A3)。這兩種權重應該是不一樣的。

所以比較直觀的想法是給它們不同的權重 αA+(1-α)U，這就是 α-AMAF。

這個權重 α 是固定的，RAVE 認為隨著模擬次數的增加 α應該減少纔對（沒有真的模擬是可以用這些間接的統計量，如果有瞭真的更準確的估計，這些間接的統計量就應該降低權重，這個想法也很自然）。

RAVE 使用上麵的公式動態調整 α，隨著 v(n) 的增加，α的值不斷下降。

Simulation 的改進

默認的 Default Policy 隨機的選擇走法模擬到結束，這在沒有任何先驗知識的時候是可以的。但是人類在“探索”未知局麵時不是隨機“探索”的，也是用一個估值函數指導的，去探索那些更 promising 的局麵。

具體方法很多，比如 Contextual Monte Carlo Search，

Fill the Board 以及各種基於 Pattern 的方法。細節就不再展開討論瞭。

MCTS 的並行搜索

Leaf Parallelisation

最簡單的是 Leaf Parallelisation，一個葉子用多個綫程進行多次 Simulation，完全不改變之前的算法，把原來一次 Simulation的統計量用多次來代替，這樣理論上應該準確不少。但這種並行的問題是需要等待最慢的那個結束纔能更新統計量，而且搜索的路徑數沒有增多。

Root Parallelisation

多個綫程各自搜索各自的 UCT 樹，最後投票。

Tree Parallelisation

這是真正的並行搜索，用多個綫程同時搜索 UCT 樹。當然統計量的更新需要考慮多綫程的問題，比如要加鎖。

另外一個問題就是多個綫程很可能同時走一樣的路徑（因為大傢都選擇目前看起來 Promising 的孩子），一種方法就是臨時的修改 virtual loss，比如綫程 1 在搜索孩子 a，那麼就給它的Q(v) 減一個很大的數，這樣其他綫程就不太可能選擇它瞭。當然綫程 1 搜索完瞭之後要記得改迴來。

《A Lock-free Multithreaded Monte-Carlo Tree SearchAlgorithm》使用瞭一種 lock-free 的算法，這種方法比加鎖的方法要快很多，AlphaGo 也用瞭這個方法。

Segal 研究瞭為什麼多機的 MCTS 算法很難，並且實驗得齣結論使用 virtual loss 的多綫程版本能比較完美地 scale 到 64個綫程（當然這是單機一個進程的多綫程程序）。這也將是AlphaGo 的 scalability 的瓶頸。

使用瞭UCT算法之後，計算機圍棋能提高到KGS 2d的水平。

.......

前言/序言

助你拓展視野，保持懷疑

1965 年，猶他大學電子工程係迎來瞭一位計算機課程講師 Robert S. Barton。每堂課，他都在“摧毀”學生們對計算機的“信念”——他讓每位學生瞭解前人的工作，卻不讓學生信仰任何一種理論，於是他們不得不學習一切計算機理念，繼而又在他的質疑下將剛建立起的信念推倒。學期結束時，不再有學生會執迷於某項技術，因為他們對一切充滿懷疑。

懷疑，能讓人從新視角看待熟悉的事物，在 Barton 的學生中，不單有 Alan Ashton（WordPerfect 設計者）、Alan Kay（2003 年圖靈奬得主）、James Clark（創立瞭網景和 Silicon Graphics），還有 John Warnock（Adobe 創始人之一）、Edwin Catmull（皮剋斯創始人之一）、裴祥風（發明瞭 Phong 反射模型及 Phong著色法，並廣為 CG 界采用）等人。

或許你正專注於工作中使用的某項技術，某個工具，但請彆因依賴而局限自己的視野，《程序員 2016精華本》為你展示不同行業實踐的方方麵麵，解決相似問題的不同視角，它會幫助你拓展視野，保持懷疑。

不隻關注當下，更在乎深刻涵義

Alan Kay 曾說，“計算機”完全是門流行文化，忽視曆史，讓它成不瞭一門科學。假如你嚮一位數學或物理學者打探前輩的故事，他們總能如數傢珍，而計算機從業者則不然，大多數人連自己領域中“高斯”和“牛頓”的名字都想不起來。

流行文化隻關乎參與和存在感，卻不在意過去與未來。然而更深刻的涵義會在隻關注當下的文化中

消逝，2016 年，這個領域失去瞭 Peter Naur（2005 年圖靈奬得主）、Raymond Tomlinson（被譽為“電子郵件之父”）、Robert Fano（曾與剋勞德·香農共同開發齣香農-範諾編碼）、John Ellenby（“Xerox Alto”電腦設計者之一）、Seymour Papert （計算機教育與學習理論先驅）、Marvin Minsky（AI 領域創立者這一）……這些計算機領域締造者的思考與貢獻遠非括號中的注釋所能概括，然而這些名字中多數甚至從未見諸這一年計算機媒體筆端。

《程序員 2016 精華本》為你記錄這一年計算機技術發展，不隻關注時下流行技術，也整理行業的曆史與思考，不隻在今天有意義，也希望對明天的你有價值。

評分☆☆☆☆☆

商品不錯，價格便宜，運輸迅捷，值得推薦。

評分☆☆☆☆☆

批量購買，集中好評！對該商品以及服務非常滿意！

評分☆☆☆☆☆

買塔扇時想著要一起買的。如今其他紙質書較少買，但程序員精華本每年還是有買，收藏查閱方便。

評分☆☆☆☆☆

精華本還是要買的，不錯

評分☆☆☆☆☆

書不錯，買來送朋友的，朋友傢娃很喜歡！京東618活動給力，現在買書就上京東！杠杠的！

評分☆☆☆☆☆

好評

評分☆☆☆☆☆

不錯，再買一本送朋友

評分☆☆☆☆☆

不錯，每年都會買來收藏

評分☆☆☆☆☆

挺專業的