php怎么输入两个数求和，PHP取数组中几个数值求和等于指定值的算法？
看不懂你的问题。。
$a=array(12,25,45,78,3);$sum=$a[0]+$[1]
; //sum=37
托福和雅思的区别是什么？
谢邀。作为一个考过雅思和托福的留学生，我应该可以给出一个最全面的解析啦。
注意哦，这可能是你看到的最全的科普文了。
托福VS雅思
托福（The Test of English as a Foreign Language ）是由美国教育测验服务社（ETS）举办的英语能力考试，全名为“检定非英语为母语者的英语能力考试”，中文音译为“托福”。现在大陆学生考的托福叫做新托福，考试分为听说读写四个部分，每个部分总分30分，总分为各项相加，120分，微机考试，有效期为两年，从考试之日开始算起。
雅思（International English Language Testing System），由剑桥大学考试委员会外语考试部、英国文化协会及IDP教育集团共同管理，雅思考试分普通雅思：学术类（A类）和培训类（G类）两种，留学生需要考A类考试；UKVI类：用于没有把握上6.5分，可能需要读语言班的留学生；生活技能类考试（分为A1和B1类别）。考试分听、说、读、写四个部分，每个部分最高分都是9分，总分为四项的平均分，小数进位法则是若6.125则为6分，若6.75则进为7分。纸质考试有效期为两年，从考试之日开始算起。
二者的相同点
①都分为四个部分，考察听说读写。都是枯坐一上午，中间不能离开座位。
②考试后都会邮寄纸质成绩单，不立即出成绩。提供海外送分服务。
③报名费很相近了，托福报名费为1761元，雅思1850元（普通A类）。转考需要额外交钱。
④都需要在教育部托福/雅思报名官网上注册账号报名考试（只是雅思账号的用户名可以是手机号/邮箱；托福则是系统给你分配的用户名，所以托福用户名一定要记好）
⑤ETS是私营机构，IDP也是
⑥都有OG和机经，考位都需要抢（也就是至少提前一个半月报名）。
二者的不同
①考试的形式不同
很明显，托福是机考，就连口语都是对着微机说话的；而雅思是纸质考试，口语是和考官面对面交流（可能这也是它比较贵的原因）。
另外，虽然都考察听说读写，但是考察的方式也有所不同：
②成绩认可国家不同
仅认可雅思的学校：英国的全部大学
仅认可托福的学校：部分美国常青藤，美国top50中也有一些靠前的学校仅认可托福
虽然都认可但是考雅思更好：澳大利亚、新西兰、加拿大、欧洲大部分学校
虽然都认可但是考托福更好：美国的大学
雅思考试适用于申请英联邦国家的学校，以及一些曾经属于英国殖民地地区的学校。比如说英国、新西兰、澳大利亚、加拿大。美国的大部分学校也认可雅思成绩，但是会可能会对雅思分数有高于同等托福分数的要求，比如说普遍认可雅思7分等于托福95-101分，但是有的学校可能要求托福90分以上而雅思需要7.5，所以申请美国的学校最好使用托福成绩（很少有学校对于托福的要求高于同等雅思分数）。加拿大是一个对托福认可度比较高的国家，但是同时也比较平等地接受雅思成绩，所以去加拿大的话考雅思或者托福都可以，只是据说雅思成绩更利于申请签证。总的来说，雅思的认可度较广，托福是想去美国留学的留学生的第一选择
③托福有加试环节，雅思没有
其实加试是ETS经常使用的伎俩！因为托福和GRE都是计算机出题然后评分，所以为了避免题目过难或者过简单导致分数偏低或者偏高的情况，加试部分会利用难度较为固定的成绩对考生进行测试，然后根据你的加试分数调整你的托福分数，你的分数数据也会被ETS搜集起来作为统计数据。依照小兔的体验来看，ETS的给分是比较科学的，加试环节可以有效地调整考试难度，有的时候比雅思考试控制地更精准。
④托福是分数累加制，雅思是等级制
分数累加制的好处在于可以直观地体现进步——每一分都是算数的。等级制的好处在于如果水平一般也许可以通过平均分的拉扯达到一个还不错的等级。但是如果要往更高的等级上走，雅思就可能考很多次却还是一个等级，托福却可以实现一分一分的提升。所以关键还是看大家对自己水平的认识和对留学国家的选择，来确定最适合自己的语言考试。
随着留学越来越成为热门，越来越多的学校成为了双认可学校——既认可雅思成绩，也认可托福成绩，根据以往的情况，确实有雅思怎么多上不了7.5但托福一举考了105+的情况，所以，怎么结合自己的志愿和英语水平选择最适合自己的考试就成为了准留学生们需要面对的首要问题，希望这篇科普可以带大家更详细地了解雅思和托福考试，然后做出最明智的决定。
怎么样，这篇解答解释了你的疑问吗？如果是的话，请给我点赞或者关注小王~作为一个曾经的“过来人”留学生，我将会为大家持续奉上英语备考方法知识以及留学干货哦！
怎么自学数据分析？
这是一份数据分析师的入门指南，它包含七周的内容，Excel、数据可视化、数据分析思维、数据库、统计学、业务、以及Python。
每一周的内容，都有两到三篇文章细致讲解，帮助新人们快速掌握。这七周的内容刚好涵盖了一位数据分析师需要掌握的基础体系，也是一位新人从零迈入数据大门的知识手册。
第一周：Excel
每一位数据分析师都脱离不开Excel。
它是日常工作中最常用的工具，如果不考虑性能和数据量，它可以应付绝大部分分析工作。虽然现在机器学习满地走，Excel依旧是无可争议的第一工具。
Excel的学习分为两个部分。
掌握各类功能强大的函数，函数是一种负责输入和输出的神秘盒子。把各类数据输入，经过计算和转换输出我们想要的结果。
在SQL，Python以及R中，函数依旧是主角。掌握Excel的函数有助于后续的学习，因为你几乎在编程中能找到名字一样或者相近的函数。
在「数据分析：常见的Excel函数全部涵盖在这里了」中，介绍了常用的Excel函数。
清洗处理类：trim、concatenate、replace、substitute、left/right/mid、len/lenb、find、search、text
关联匹配类：lookup、vlookup、index、match、row、column、offset
逻辑运算类：if、and、or、is系列
计算统计类：sum/sumif/sumifs、sumproduct、count/countif/countifs、max、min、rank、rand/randbetween、averagea、quartile、stdev、substotal、int/round
时间序列类：year、month、weekday、weeknum、day、date、now、today、datedif
搜索能力是掌握Excel的不二窍门，工作中的任何问题都是可以找到答案。
第二部分是Excel中的工具。
在「数据分析：Excel技巧大揭秘」教程，介绍了Excel最具性价比的几个技巧。包括数据透视表、格式转换、数组、条件格式、自定义下拉菜单等。正是这些工具，才让Excel在分析领域经久不衰。
在大数据量的处理上，微软提供了Power系列，它和Excel嵌套，能应付百万级别的数据处理，弥补了Excel的不足。
Excel需要反复练习，实战教程「数据分析：手把手教你Excel实战」，它通过网络上抓取的数据分析师薪资数据作为练习，总结各类函数的使用。
除了上述要点，下面是附加的知识点，铺平数据分析师以后的道路。
了解单元格格式，数据分析师会和各种数据类型打交道，包括各类timestamp，date，string，int，bigint，char，factor，float等。
了解数组，以及相关应用（excel的数组挺难用），Python和R也会涉及到 list，是核心概念之一。
了解函数，深入理解各种参数的作用。它会在学习Python中帮助到你。
了解中文编码，UTF8、GBK、ASCII，这是数据分析师的坑点之一。
第二周：数据可视化
数据分析界有一句经典名言，字不如表，表不如图。
数据可视化是分析的常用技巧之一，不少数据分析师的工作就是通过图表观察和监控数据。首先了解常用的图表：
Excel的图表可以100%绘制上面的图形，但这只是基础。
在「数据可视化：你想知道的经典图表全在这」中介绍了各类数据分析的经典图表，除了趋势图、直方图，还包括桑基图、空间图、热力图等额外的类型。
数据可视化不是图表的美化，而是呈现数据的逻辑之美，是揭示数据的内在关联。了解图表的维度和适用场景，比好看更重要。比如桑吉图就是我一直推崇的图表，它并不知名，但是它能清晰的揭露数据内在状态的变化和流向。案例是用户活跃状态的趋势。
Excel的图表操作很傻瓜化，其依旧能打造出一份功能强大的可视化报表。「数据可视化：教你打造升职加薪的报表」教给大家常用的Excel绘图技巧，包括配色选取，无用元素的剔除、辅助线的设立、复合图表等方法。
Excel图表的创造力是由人决定的，对数据的理解，观察和认知，以及对可视化的应用，这是一条很长的道路。
图表是单一的，当面板上绘制了多张图表，并且互相间有关联，我们常称之为Dashboard仪表盘。
上图就是用分析师薪资数据为数据源绘制的Dashboard，比单元格直观不少。我们常常把绘制这类Dashboard的工具叫做BI。
BI（商业智能）主要有两种用途。一种是利用BI制作自动化报表，数据类工作每天都会接触大量数据，并且需要整理汇总，这是一块很大的工作量。这部分工作完全可以交给BI自动化完成，从数据规整、建模到下载。
另外一种是使用其可视化功能进行分析，它提供比Excel更丰富的交互功能，操作简单，而且美观，如果大家每天作图需要两小时，BI能缩短大半。
在「数据可视化：手把手打造BI」教程中，以微软的PowerBI举例，教大家如何读取数据，规整和清洗数据，绘制图表以及建立Dashboard。最后的成果就是上文列举的分析师案例。
BI还有几个核心概念，包括OLAP，数据的联动，钻取，切片等，都是多维分析的技巧，也是分析的核心方法之一。
后续的进阶可视化，将和编程配合。因为编程能够提供更高效率和灵活的应用。而BI也是技术方向的工具，了解技术知识对应用大有帮助。
第三周：数据分析思维数据分析能力的高低，不以工具和技巧决定，而以分析思维决定。
在一场战争中，士兵装备再好的武装，进行再严苛的训练，若是冲锋的方向错了，那么迎接他们的唯有一败涂地。
分析思维决定一场「数据战争」中的冲锋方向。只有先养成正确的分析思维，才能使用好数据。
既然是思维，它就倾向于思考的方式，Excel函数学会了就是学会，分析则不同。大多数人的思维方式都依赖于生活和经验做出直觉性的判断，以「我觉得我认为」展开，好的数据分析首先要有结构化的思维。
麦肯锡是其中领域的佼佼者，创建了一系列分析框架和思维工具。最典型地莫过于金字塔思维。
这篇文章简述了该思维的应用，「快速掌握麦肯锡的分析思维」。你能学会结构化思考，MECE原则，假设先行，关键驱动等方法论。
除此以外，还有SMART、5W2H、SWOT、4P4C、六顶思考帽等，这些都是不同领域的框架。框架的经典在于，短时间内指导新人如何去思考，它未必是最好的，但一定是性价比最优的。数据分析思维，是分析思维的引申应用。再优秀的思考方式，都需要佐证和证明，数据就是派这个用处的，「不是我觉得，而是数据证明」。
现代管理学之父彼得·德鲁克说过一句很经典的话：如果你不能衡量它，那么你就不能有效增长它。如果把它应用在数据领域，就是：如果你不能用指标描述业务，那么你就无法有效增长它。每一位数据分析师都要有指标体系的概念，报表也好，BI也好，即使机器学习，也是围绕指标体系建立的。
下图就是一个典型的指标体系，描述了用户从关注产品、下载、乃至最后离开的整个环节。每一个环节，都有数据及指标以查询监控。
不同业务背景需要的指标体系不同，但有几个建立指标的通用准则。这篇文章深入介绍了「如何建立数据分析的思维框架」。你将区分什么是好指标、什么是坏指标、比率和比例、指标的结构、指标设立的维度等概念。
数据分析不是一个结果，而是一个过程。几乎所有的分析，最终目的都是增长业务。所以比分析思维更重要的是驱动思维落地，把它转化为成果。
数据分析思维是常年累月养成的习惯，一周时间很难训练出来，但这里有一个缩短时间的日常习惯。以生活中的问题出发做练习。
这家商场的人流量是多少？怎么预估？
上海地区的共享单车投放量是多少？怎么预估？
街边口的水果店，每天的销量和利润是多少？怎么预估？
这些开放性问题起源于咨询公司的训练方法，通过不断地练习，肯定能有效提高分析思维。另外就是刷各种CaseBook。
优秀的数据分析师会拷问别人的数据，而他本身的分析也经得起拷问。
第四周：数据库
Excel很容易遇到瓶颈，随着业务的发展，分析师接触的数据会越来越多。对大部分人的电脑，超过十万条数据，已经会影响性能。何况大数据时代就是不缺数据，这时候就需要学习数据库了。
即使非数据岗位，也有越来越多的产品和运营被要求使用SQL。
很多数据分析师戏称自己是跑SQL的，这间接说明SQL在数据分析中有多核心。从Excel到SQL绝对是处理效率的一大进步。
教程内容以MySQL为主，这是互联网行业的通用标准。其实语法差异不大的。
新手首先应该了解表的概念，表和Excel中的sheet类似。「写给新人的数据库指南」是一篇入门基础文章，包括表、ID索引、以及数据库的安装，数据导入等简单知识。
SQL的应用场景，均是围绕select展开。增删改、约束、索引、数据库范式均可以跳过。新手在「SQL，从入门到熟练」教程会学习到最常见的几个语法，select、where、group by、if、count/sum、having、order by、子查询以及各种常用函数。
数据还是分析师薪资数据，它可以和Excel实战篇结合看，不少原理都是相通的。
想要快速掌握，无非是大量的练习。大家可以在leetcode上做SQL相关的练习题，难度从简单到困难都有。「SQL，从熟练到掌握」教程中将会带领大家去刷一遍。
join对新手是一个很绕的概念，教程会从图例讲解，逐步提高难度。从一开始的join关联，到条件关联、空值匹配关联、子查询关联等。最后完成leetcode中的hard模式。
如果想要更进一步，可以学习row_number，substr，convert，contact等函数。不同数据平台的函数会有差异，例如Presto和phpMyAdmin。再想提高，就去了解Explain优化，了解SQL的工作原理，了解数据类型，了解IO。知道为什么union比or的效率快，这已经和不少程序员并驾齐驱。
第五周：统计学
很多数据分析师并不注重统计学基础。
比如产品的AB测试，如果相关人员不清楚置信度的含义和概念，那么好的效果能意味着好么？如果看待显著性？
比如运营一次活动，若不了解描述统计相关的概念，那么如何判别活动在数据上的效果？可别用平均数。
不了解统计学的数据分析师，往往是一个粗糙的分析师。如果你想要往机器学习发展，那么统计学更是需要掌握的基础。
统计知识会教大家以另一个角度看待数据。如果大家了解过《统计数据会撒谎》，那么就知道很多数据分析的决策并不牢靠。
在第一篇教程「解锁数据分析的正确姿势：描述统计」，会教给大家描述统计中的诸多变量，比如平均数、中位数、众数、分位数、标准差、方差。这些统计标准会让新手分析师从平均数这个不靠谱的泥潭中出来。
箱线图就是描述统计的大成者，好的分析师一定是惯用箱线图的常客。
第二篇「解锁数据分析的正确姿势：描述统计(2)」将会结合可视化，对数据的分布进行一个直观的概念讲解。很多特定的模型都有自有的数据分布图，掌握这些分布图对分析的益处不可同日而语。
直方图和箱线图一样，将会是长久伴随分析师的利器。
统计学的一大主要分支是概率论，概率是度量一件事发生的可能性，它是介于0到1之间的数值。很多事情，都可以用概率论解释，「概率论的入门指南」和「读了本文，你就懂了概率分布」都是对其的讲解。
包括贝叶斯公式、二项概率、泊松概率、正态分布等理论。理论不应用现实，那是无根之木，教程中会以运营活动最常见的抽奖概率为讲解，告诉大家怎么玩。
其实数据分析中，概率应用最广泛和最全面的知识点，就是假设检验，大名鼎鼎的AB测试就是基于它的。俗话说得好，再优秀的产品经理也跑不过一半AB测试。
何为假设检验？假设检验是对预设条件的估计，通过样本数据对假设的真伪进行判断。
产品改版了，用户究竟喜不喜欢？调研的评分下降了，这是用户的评价降低了，还是正常的数据波动呢？这些都是可以做假设检验的。它可以说是两面两篇文章的回顾和应用。
「数据分析必须懂的假设检验」依旧以互联网场景讲解各种统计技巧的应用。假设检验并不难，通过Excel的几个函数就能完成。它的难点在于诸多知识点和业务的结合使用，实际公式不需要掌握的多透彻，了解背后的意义更重要。
统计学是一个很广阔的领域，包括方差分析，时间序列等，都有各自不同的应用。大家若感兴趣，可以去阅读各类教材，没错，教材是学习统计学最优的方式。我这类文章堪堪算入门罢了。
第六周：业务
对于数据分析师来说，业务的了解比数据方法论更重要。举个例子，一家O2O配送公司发现在重庆地区，外卖员的送货效率低于其他城市，导致用户的好评率降低。总部的数据分析师建立了各个指标去分析原因，都没有找出来问题。后来在访谈中发觉，因为重庆是山城，路面高低落差比较夸张，很多外卖人员的小电瓶上不了坡…所以导致送货效率慢。这个案例中，我们只知道送货员的送货水平距离，根本不知道垂直距离。这是数据的局限，也是只会看数据的分析师和接地气分析师的最大差异。业务形态千千万万，数据分析师往往难窥一二。我的公众号业务部分也涉及了不少，大家可以通过这几篇文章了解。
一篇文章读懂活跃数据；深入浅出，用户生命周期的运营；获取新增用户，运营都应该知道的事；运营的商业逻辑：CAC和CLV；从零开始，构建数据化运营体系；读懂用户运营体系：用户分层和分群，这些都是互联网运营相关的内容，或多或少涉及了不少业务方面的概念，数据分析人员可以选择性的挑选部分内容。了解业务的数据分析师在职场发展上会更加顺利。
而在「最用心的运营数据指标解读」中，我尝试总结了几个泛互联网领域的指标和业务模型，它们都是通用的框架。
产品运营模型：以移动端APP为主体，围绕AARRR准则搭建起数据框架。包括Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue营收、Refer传播，以及细分指标。
市场营销模型：以传统的市场营销方法论为基底，围绕用户的生命周期建立框架。包括用户生命周期，生命周期价值、用户忠诚指数、用户流失指数、用户RFM价值等。
流量模型：从早期的网站分析发展而来，以互联网的流量为核心。包括浏览量曝光率、病毒传播周期、用户分享率、停留时间、退出率跳出率等。
电商和消费模型：以商品的交易、零售、购买搭建而起。包括GMV、客单价、复购率、回购率、退货率、购物篮大小、进销存，也包含SKU、SPU等商品概念。
用户行为模型：通过用户在产品功能上的使用，获得精细的人群维度，以此作为分析模型。包括用户偏好、用户兴趣、用户响应率、用户画像、用户分层，还包含点赞评论浏览收藏等功能的相关指标。
除了上述的几个常见模型，数据分析还有其他分支。比如SEO/SEM，虽然可以归类到流量模型，但它并不简单。比如财务分析，商业的各种成本支出也需要专人负责。
在业务知识外，业务层面的沟通也很重要。业务线足够长的时候，沟通往往成为老大难的问题。
业务学习没有捷径，哪怕掌握了诸多模型，不同行业间的业务壁垒会是分析师们的门槛。金融的各类专有领域知识，电子商务不同产品的特性，这些都会影响到分析报告的质量。
在早期，新人最好选择一到两个领域深入了解其业务，然后以此拓展边界。
第七周：Python/R
第七周是最后的学习环节。
是否具备编程能力，是初级数据分析和高级数据分析的风水岭。数据挖掘、BI、爬虫、可视化报表都需要用到编程。掌握一门优秀的编程语言，可以让数据分析师升职加薪，迎娶白富美。数据分析领域最热门的两大语言是R和Python。R的优点是统计学家编写的，缺点也是统计学家编写。涉及各类统计函数和工具的调用，R无疑有优势。但是大数据量的处理力有不逮，学习曲线比较陡峭。
Python则是万能的胶水语言，适用性强，可以将分析的过程脚本化。Pandas、Numpy、SKLearn等包也是非常丰富。
这里的教程以Python为主。
「开始Python的新手教程」将会教大家搭建数据分析环境，Anaconda是功能强大的数据科学工具。Python建议安装Python3+版本，不要选择Python2了。
Python的语法相当简洁，大家print出第一个hello world顶多半小时。就像在Excel上进行运算一样方便。
「开始Python的数据结构」介绍给大家Python的三类数据结构，列表list，元组tuple，以及字典dict。万变不离其宗，掌握这三种数据结构以及相对应的函数，足够应付80%的分析场景。函数式编程为Python一大特色，Python自身就提供不少丰富的函数。很多都和Excel的函数相通，掌握起来非常迅速。另外还有控制流，for、while、if，通常配合函数组合使用。
「了解和掌握Python的函数」教大家如何自定义函数，丰富的函数虽然能偷懒，但是不少场景下，还是需要自己动手撸一个。
能够调第三方包解决，就使用第三方的函数。如果是一个频繁使用的场景，而第三方依靠不了，就自己编一个函数。如果是临时性的场景，写得粗糙点也无所谓。毕竟分析师的代码能力不要求工程师那么严格，所以Python的学习尽量以应用为主，不用像分析师那么严格。
包、模块和类的概念属于进阶知识，不学也不要紧。
「Python的数据分析: numpy和pandas入门」介绍了数据分析师赖以生存的两个包，numpy和pandas，其他Python知识可以不扎实，这两个最好认真掌握。它是往后很多技能树的前置要求。
array，series，dataframe是numpy和pandas的三个数据结构，掌握它们，便算是入门了。后续的两篇教程都是实战。
「用pandas进行数据分析实战」以分析师的薪资作为实战数据。Excel、BI、SQL，一路走来，大家想必对它无比熟悉，这也是最后一次使用它了。教程通过Pandas的各类功能，绘制出一副词云图。
如果想学编程从0开始应该如何安排？
万事开头难，所以无论做什么事都要有一个良好的开端。编程这个概念包括的范围很广泛，我这里主要说的是数控编程。
要想学好数控编程需要具备三个最基本的条件：具有一定的学习能力、接受良好的培训、从实践中积累经验。
一.具备一定的专业基础知识
就像小孩子学走路一样只有先学会走才能跑起来。学习数控编程也是一个道理，在学习之前先要对基础知识有一定的了解才能为以后的学习铺平道路。
二.学习数控编程的步骤与方法
在开始编写程序前有一些相关的准备工作要做：分析零件图确定加工工艺——计算出零件的加工数值——编写加工程序——将程序输入数控机床——检验程序与首件试切。
数控编程分为手动编程与自动编程机（即计算机辅助编程）。手动编程有工作人员手动编写，主要是加工一些简单的平面、圆弧类零件。今天主要说的是自动编程，对于一些结构复杂有多种曲面的零件就要用计算机辅助编程来完成。常用的编程软件如UG、PRO/E、MasterCAM等。现在UG在机械加工中用的最广泛就以UG为例，我们只要在UG建模中打开绘好的加工零件的图形，用鼠标选中要加工的部位设置好走刀路径并输入相关的工艺参数，UG就可自动的生成加工程序。待程序完成后还可以用UG自带的仿真功能进行检验。
三.从实践中积累丰富经验
理论一定要与实践相结合，光学会了理论只把教材中的东西学会是远远不能胜任实际生产加工中遇到的问题的，必须从理论回到实际中，真刀实枪的干才能学到真正实用的技术，才能顺利的解决以后工作中遇到的各种问题。
学习是一个长期的过程，是一个日积月累的过程，是一个自我不断完善的过程。
如有好的方法建议欢迎大家关注、留言。
如何评价PHP和Python？
性能方面用合适的语言PHP或者Java就可以了
Python是万能的胶水语言，做爬虫，数据分析是最好的
PHP7+Swoole性能方面可以大大提升，如果你已经是一名PHP程序员了建议你深入
入门简单，深入难，市场目前大多数PHPer停留在初级阶段，高级程序员很少
进阶中高级需要学习PHP优化，Swoole接口，微服务，Mysql底层优化等，才能拥有一份25K左右的薪资，让自己有一些市场竞争力度！等你有一定经验后，想要进阶CTO、架构师的话，高并发分流，分布式缓存、RPC、API架构设计等技术都必将掌握！如果你想要往架构师或TL的方向发展的话，那或许你可以看一下我分享给你的这份进阶路线图，主要针对1到5年及以上的PHP开发人员，里面的技术包涵了PHP高并发、分布式、微服务、框架内核、高性能等技术！！还准备了一套中高级进阶学习教程，分享tp,laravel，Swoole，swoft微服务等教程，每天还有12年的架构师做讲解，需要可关注本头条号，并且发送私信关键词：PHP