ဒေတာကြီးကြီးမားမားဖြင့် ဖိုင်ဖော်မတ်များ- အတိုချုံးပညာပေးအစီအစဉ်

Remarin မှ Weather Deity

အဖွဲ့ Mail.ru တိမ်တိုက်ဖြေရှင်းချက် ကမ်းလှမ်းမှု ဆောင်းပါး၏ဘာသာပြန် Clairvoyant မှ အင်ဂျင်နီယာချုပ် Rahul Bhatia သည် ဒေတာကြီးကြီးမားမားရှိနေသည့် ဖိုင်ဖော်မတ်များ၊ Hadoop ဖော်မတ်များ၏ အသုံးအများဆုံးအင်္ဂါရပ်များ နှင့် မည်သည့်ဖော်မတ်ကို အသုံးပြုရန် ပိုကောင်းသည်အကြောင်း။

အဘယ်ကြောင့် မတူညီသော ဖိုင်ဖော်မတ်များ လိုအပ်သနည်း။

MapReduce နှင့် Spark ကဲ့သို့သော HDFS-enabled အပလီကေးရှင်းများအတွက် အဓိက စွမ်းဆောင်ရည် ပိတ်ဆို့မှုသည် ဒေတာကို ရှာဖွေရန်၊ ဖတ်ရန်နှင့် ရေးသားရန် လိုအပ်သည့်အချိန်ဖြစ်သည်။ အကယ်၍ ကျွန်ုပ်တို့တွင် ပုံသေမဟုတ်ဘဲ ပြောင်းလဲနေသော schema တစ်ခုရှိလျှင် သို့မဟုတ် သိုလှောင်မှုကန့်သတ်ချက်များရှိနေပါက ကြီးမားသောဒေတာအစုများကို စီမံခန့်ခွဲရာတွင် ဤပြဿနာများကို ပေါင်းစပ်ထားသည်။

ဒေတာကြီးကြီးမားမားလုပ်ဆောင်ခြင်းသည် သိုလှောင်မှုစနစ်ခွဲတွင် ဝန်ကိုတိုးစေသည် - Hadoop သည် အမှားခံနိုင်ရည်ရှိစေရန် ဒေတာကို မလိုအပ်ဘဲ သိမ်းဆည်းထားသည်။ ဒစ်များအပြင်၊ ပရိုဆက်ဆာ၊ ကွန်ရက်၊ အဝင်/အထွက်စနစ် စသည်ဖြင့် တင်ဆောင်ထားသည်။ ဒေတာပမာဏ တိုးလာသည်နှင့်အမျှ ၎င်းကို လုပ်ဆောင်ခြင်းနှင့် သိမ်းဆည်းခြင်းအတွက် ကုန်ကျစရိတ်လည်း များလာသည်။

ဖိုင်ဖော်မတ်အမျိုးမျိုး Hadoop ဤပြဿနာများကို တိကျစွာဖြေရှင်းရန် တီထွင်ခဲ့သည်။ သင့်လျော်သော ဖိုင်ဖော်မတ်ကို ရွေးချယ်ခြင်းသည် သိသာထင်ရှားသော အကျိုးကျေးဇူးအချို့ကို ပေးစွမ်းနိုင်သည်-

1. စာဖတ်ချိန် ပိုမြန်တယ်။
2. ရိုက်ကူးချိန် ပိုမြန်တယ်။
3. မျှဝေထားသောဖိုင်များ။
4. schema ဆင့်ကဲဖြစ်စဉ်အတွက် ပံ့ပိုးမှု။
5. ချုံ့ချဲ့ထောက်ခံမှု။

အချို့သော ဖိုင်ဖော်မတ်များသည် ယေဘူယျအသုံးပြုရန်အတွက် ရည်ရွယ်ထားပြီး အချို့မှာ ပိုမိုတိကျသောအသုံးပြုမှုများအတွက် ရည်ရွယ်ပြီး အချို့မှာ သီးခြားဒေတာလက္ခဏာများနှင့် ကိုက်ညီစေရန် ဒီဇိုင်းထုတ်ထားပါသည်။ ဒါကြောင့် ရွေးချယ်မှုဟာ တကယ့်ကို ကြီးမားပါတယ်။

Avro ဖိုင်ဖော်မတ်

အတွက် ဒေတာအမှတ်စဉ် Avro ကို တွင်တွင်ကျယ်ကျယ် သုံးသည်။ string ကိုအခြေခံသည်။ဆိုလိုသည်မှာ Hadoop ရှိ string data storage format ဖြစ်သည်။ ၎င်းသည် schema ကို JSON ဖော်မတ်ဖြင့် သိမ်းဆည်းထားသောကြောင့် မည်သည့်ပရိုဂရမ်ကမဆို ဖတ်ရှုရန်နှင့် ဘာသာပြန်ရန် လွယ်ကူစေသည်။ ဒေတာကိုယ်တိုင်က binary ဖော်မတ်ဖြစ်ပြီး ကျစ်လျစ်ပြီး ထိရောက်ပါတယ်။

Avro ၏ အမှတ်စဉ်စနစ်သည် ဘာသာစကားကြားနေပါသည်။ ဖိုင်များကို ဘာသာစကားအမျိုးမျိုးဖြင့် လုပ်ဆောင်နိုင်သည်၊ လက်ရှိတွင် C၊ C++၊ C#၊ Java၊ Python နှင့် Ruby။

Avro ၏ အဓိကအင်္ဂါရပ်မှာ အချိန်နှင့်အမျှ ပြောင်းလဲနေသော ဒေတာအစီအစဉ်များအတွက် ၎င်း၏ ခိုင်မာသော ပံ့ပိုးမှုဖြစ်သည်။ Avro သည် schema အပြောင်းအလဲများ—ဖျက်ခြင်း၊ ပေါင်းထည့်ခြင်း သို့မဟုတ် အကွက်များပြောင်းလဲခြင်းတို့ကို နားလည်သည်။

Avro သည် ဒေတာဖွဲ့စည်းပုံအမျိုးမျိုးကို ပံ့ပိုးပေးသည်။ ဥပမာအားဖြင့်၊ သင်သည် array တစ်ခု၊ စာရင်းကောက်အမျိုးအစားတစ်ခုနှင့် subrecord ပါ၀င်သော မှတ်တမ်းတစ်ခုကို ဖန်တီးနိုင်သည်။

ဤဖော်မတ်သည် ဒေတာအိုင်တစ်ခု၏ ဆင်းသက်ခြင်း (အကူးအပြောင်း) ဇုန်သို့ စာရေးရန် စံပြဖြစ်သည် (ဒေတာအိုင်, သို့မဟုတ် ဒေတာအိုင် - ဒေတာရင်းမြစ်များအပြင် ဒေတာအမျိုးအစားအမျိုးမျိုးကို တိုက်ရိုက်သိမ်းဆည်းရန်အတွက် သာဓကများစုစည်းမှု)။

ထို့ကြောင့်၊ ဤဖော်မတ်သည် အောက်ပါအကြောင်းများကြောင့် data lake ၏ဆင်းသက်ဇုန်သို့စာရေးရန် အသင့်တော်ဆုံးဖြစ်သည်-

1. အောက်ပိုင်းစနစ်များဖြင့် ဆက်လက်လုပ်ဆောင်ရန်အတွက် ဤဇုန်မှဒေတာကို အများအားဖြင့် တစ်ခုလုံးတွင် ဖတ်လေ့ရှိပြီး အတန်းအခြေခံဖော်မတ်သည် ဤကိစ္စတွင် ပိုမိုထိရောက်ပါသည်။
2. Downstream စနစ်များသည် ဖိုင်များမှ schema ဇယားများကို အလွယ်တကူ ထုတ်ယူနိုင်သည်—ပြင်ပ meta သိုလှောင်မှုတွင် schema များကို သီးခြားသိမ်းဆည်းရန် မလိုအပ်ပါ။
3. မူလအစီအစဉ်သို့ ပြောင်းလဲမှုတိုင်းကို လွယ်ကူစွာ လုပ်ဆောင်နိုင်သည် (schema ဆင့်ကဲဖြစ်စဉ်)။

ပါကေးဖိုင်ပုံစံ

ပါကေးသည် သိမ်းဆည်းထားသည့် Hadoop အတွက် open source ဖိုင်ဖော်မတ်တစ်ခုဖြစ်သည်။ flat columnar format ဖြင့် nested data structures များ.

သမားရိုးကျအတန်းချဉ်းကပ်နည်းနှင့် နှိုင်းယှဉ်ပါက Parquet သည် သိုလှောင်မှုနှင့် စွမ်းဆောင်ရည်ပိုင်းများတွင် ပိုမိုထိရောက်သည်။

၎င်းသည် ကျယ်ပြန့်သော (ကော်လံများစွာ) ဇယားမှ သီးခြားကော်လံများကို ဖတ်သည့်မေးခွန်းများအတွက် အထူးအသုံးဝင်သည်။ ဖိုင်ဖော်မတ်ကြောင့်၊ လိုအပ်သောကော်လံများကိုသာ ဖတ်ရသောကြောင့် I/O ကို အနည်းဆုံးဖြစ်အောင် ထိန်းသိမ်းထားသည်။

အသေးစိပ်ရှင်းပြချက်: Hadoop ရှိ Parquet ဖိုင်ဖော်မတ်ကို ပိုမိုကောင်းမွန်စွာ နားလည်ရန်၊ ကော်လံအခြေခံ - ဆိုလိုသည်မှာ ကော်လံဘား - ဖော်မတ်ကို ကြည့်ကြပါစို့။ ဤဖော်မတ်သည် ကော်လံတစ်ခုစီအတွက် အလားတူတန်ဖိုးများကို အတူတကွ သိမ်းဆည်းထားသည်။

ဥပမာအားမှတ်တမ်းတွင် ID၊ အမည်နှင့် ဌာနအကွက်များ ပါဝင်သည်။ ဤကိစ္စတွင်၊ ID ကော်လံတန်ဖိုးများအားလုံးသည် Name ကော်လံတန်ဖိုးများကဲ့သို့ပင် အတူတကွ သိမ်းဆည်းထားမည်ဖြစ်သည်။ ဇယားသည် ဤကဲ့သို့သောပုံပေါ်လိမ့်မည်-

ID
အမည်
ဌါန

1
emp1
d1

2
emp2
d2

3
emp3
d3

string ဖော်မတ်တွင်၊ ဒေတာကို အောက်ပါအတိုင်း သိမ်းဆည်းပါမည်။

1
emp1
d1
2
emp2
d2
3
emp3
d3

ကော်လံဘားဖိုင်ဖော်မတ်တွင်၊ တူညီသောဒေတာကို ဤကဲ့သို့ သိမ်းဆည်းမည်-

1
2
3
emp1
emp2
emp3
d1
d2
d3

ဇယားတစ်ခုမှ ကော်လံအများအပြားကို သင်မေးမြန်းရန် လိုအပ်သည့်အခါ ကော်လံပုံစံသည် ပိုမိုထိရောက်သည်။ ၎င်းသည် ကပ်လျက်ဖြစ်နေသောကြောင့် လိုအပ်သောကော်လံများကိုသာ ဖတ်ပါမည်။ ဤနည်းအားဖြင့် I/O လုပ်ဆောင်ချက်များကို အနည်းဆုံးဖြစ်အောင် ထိန်းသိမ်းထားသည်။

ဥပမာအားဖြင့်၊ သင်သည် NAME ကော်လံကိုသာ လိုအပ်သည်။ IN string ဖော်မတ် ဒေတာအတွဲရှိ မှတ်တမ်းတစ်ခုစီကို တင်ရန်၊ အကွက်အလိုက် ခွဲခြမ်းစိတ်ဖြာပြီး NAME ဒေတာကို ထုတ်ယူရန် လိုအပ်သည်။ ကော်လံဖော်မတ်သည် သင့်အား ထိုကော်လံအတွက် တန်ဖိုးအားလုံးကို အတူတကွ သိမ်းဆည်းထားသောကြောင့် အမည်ကော်လံသို့ တိုက်ရိုက်တူးနိုင်စေပါသည်။ အသံသွင်းမှုတစ်ခုလုံးကို စကင်န်ဖတ်ရန် မလိုအပ်ပါ။

ထို့ကြောင့်၊ ကော်လံဖော်မတ်သည် လိုအပ်သောကော်လံများသို့ ရှာဖွေရန် အချိန်နည်း၍ လိုချင်သောကော်လံများကိုသာဖတ်သောကြောင့် I/O လုပ်ဆောင်မှုအရေအတွက်ကို လျှော့ချပေးသောကြောင့် စုံစမ်းမှုစွမ်းဆောင်ရည်ကို ပိုမိုကောင်းမွန်စေသည်။

ထူးခြားသောအင်္ဂါရပ်များထဲမှတစ်ခု parquet ဒီပုံစံနဲ့ လုပ်လို့ရတယ်။ ဒေတာကို nested တည်ဆောက်ပုံများဖြင့် သိမ်းဆည်းပါ။. ဆိုလိုသည်မှာ Parquet ဖိုင်တစ်ခုတွင်၊ nested အကွက်များကိုပင် nested တည်ဆောက်ပုံရှိ အကွက်အားလုံးကို ဖတ်စရာမလိုဘဲ တစ်ဦးချင်းစီ ဖတ်နိုင်သည်။ Parquet သည် အသိုက်အမြုံဖွဲ့စည်းပုံများကို သိမ်းဆည်းရန်အတွက် ခွဲခြမ်းစိပ်ဖြာခြင်းနှင့် တပ်ဆင်ခြင်းဆိုင်ရာ အယ်လဂိုရီသမ်ကို အသုံးပြုသည်။

Hadoop ရှိ Parquet ဖိုင်ဖော်မတ်ကို နားလည်ရန်၊ အောက်ပါ စည်းကမ်းချက်များကို သိရှိရန် လိုအပ်ပါသည်။

1. ကြိုးတန်းအုပ်စု (row group) : ဒေတာများကို ယုတ္တိနည်းဖြင့် အလျားလိုက် အတန်းများခွဲခြင်း။ အတန်းအုပ်စုတစ်ခုသည် ဒေတာအတွဲတွင် ကော်လံတစ်ခုစီ၏ အပိုင်းတစ်ပိုင်းပါဝင်သည်။
2. ကော်လံအပိုင်းအစ (ကော်လံအတုံး) : သီးခြားကော်လံတစ်ခု၏အပိုင်းအစ။ ဤကော်လံအပိုင်းများသည် သီးခြားအတန်းအုပ်စုတစ်စုတွင် နေထိုင်ကြပြီး ဖိုင်ထဲတွင် တစ်ဆက်တည်းဖြစ်ရန် အာမခံပါသည်။
3. စာမျက်နှာ (စာမျက်နှာ): ကော်လံအပိုင်းအစများကို တစ်ခုပြီးတစ်ခုရေးထားသော စာမျက်နှာများအဖြစ် ပိုင်းခြားထားသည်။ စာမျက်နှာများတွင် အများအားဖြင့် ခေါင်းစဉ်ပါရှိသောကြောင့် စာဖတ်သည့်အခါ မလိုအပ်သော စာမျက်နှာများကို ကျော်သွားနိုင်သည်။

ဤတွင် ခေါင်းစဉ်တွင် မှော်နံပါတ်ပါရှိသည်။ PAR1 ဖိုင်ကို ပါကေးဖိုင်အဖြစ် သတ်မှတ်ပေးသော (4 bytes)။

အောက်ခြေတွင် အောက်ပါအတိုင်းဖော်ပြထားသည်-

1. ကော်လံတစ်ခုစီ၏ မက်တာဒေတာ၏ အစသြဒီနိတ်များပါရှိသော ဖိုင်မက်တာဒေတာ။ ဖတ်သည့်အခါ၊ စိတ်ဝင်စားဖွယ် ကော်လံအပိုင်းအစအားလုံးကို ရှာဖွေရန် ဖိုင်၏ မက်တာဒေတာကို ဦးစွာဖတ်ရပါမည်။ ထို့နောက် ကော်လံအပိုင်းများကို ဆက်တိုက်ဖတ်ရပါမည်။ အခြားသော မက်တာဒေတာတွင် ဖော်မတ်ဗားရှင်း၊ အစီအစဉ်နှင့် အခြားသော့တန်ဖိုးအတွဲများ ပါဝင်သည်။
2. မက်တာဒေတာအရှည် (4 bytes)။
3. မှော်နံပါတ် PAR1 (၄) ဘိုက်။

ORC ဖိုင်ဖော်မတ်

အတန်း-ကော်လံ ဖိုင်ဖော်မတ်ကို ပိုမိုကောင်းမွန်အောင် ပြုလုပ်ထားသည်။ ( Optimized Row ကော်လံ၊ CRO) သည် ဒေတာသိမ်းဆည်းရန် အလွန်ထိရောက်သောနည်းလမ်းကို ပေးစွမ်းပြီး အခြားဖော်မတ်များ၏ ကန့်သတ်ချက်များကို ကျော်လွှားနိုင်ရန် ဒီဇိုင်းထုတ်ထားသည်။ ကြီးမားသော၊ ရှုပ်ထွေးသော သို့မဟုတ် ကိုယ်တိုင်ထိန်းသိမ်းထားသော အညွှန်းများကို တည်ဆောက်ရန် မလိုအပ်ဘဲ မလိုအပ်သောအသေးစိတ်အချက်အလက်များကို ကျော်ဖြတ်နိုင်စေမည့် အချက်အလက်များကို ပြီးပြည့်စုံသော ကျစ်လစ်သောပုံစံဖြင့် သိမ်းဆည်းထားသည်။

ORC ဖော်မတ်၏ အားသာချက်များ-

1. ဖိုင်တစ်ခုသည် NameNode (name node) ပေါ်ရှိ load ကိုလျှော့ချပေးသည့် အလုပ်တစ်ခုစီ၏ output ဖြစ်သည်။
2. DateTime၊ ဒဿမနှင့် ရှုပ်ထွေးသော ဒေတာအမျိုးအစားများ (ဖွဲ့စည်းပုံ၊ စာရင်း၊ မြေပုံနှင့် ပြည်ထောင်စု) အပါအဝင် Hive ဒေတာအမျိုးအစားများအတွက် ပံ့ပိုးမှု။
3. မတူညီသော RecordReader လုပ်ငန်းစဉ်များဖြင့် တူညီသောဖိုင်ကို တစ်ပြိုင်နက်ဖတ်ရှုခြင်း။
4. အမှတ်အသားများကို စကင်န်မဖတ်ဘဲ ဖိုင်များကို ခွဲထုတ်နိုင်ခြင်း။
5. ဖိုင်အောက်ခြေနားရှိ အချက်အလက်များအပေါ် အခြေခံ၍ ဖတ်ရှုရန်/ရေးခြင်း လုပ်ငန်းစဉ်များအတွက် ဖြစ်နိုင်ခြေအများဆုံး အစုအပုံမှတ်ဉာဏ်ခွဲဝေမှုကို ခန့်မှန်းခြင်း။
6. မက်တာဒေတာကို ပရိုတိုကော Buffers binary serialization ဖော်မတ်တွင် သိမ်းဆည်းထားပြီး၊ အကွက်များကို ထည့်ရန်နှင့် ဖယ်ရှားရန် ခွင့်ပြုသည်။

ORC သည် ဖိုင်တစ်ခုတည်းတွင် စာကြောင်းများစုစည်းမှုများကို သိမ်းဆည်းထားပြီး စုစည်းမှုအတွင်း၊ စာကြောင်းဒေတာကို ကော်လံဘားဖော်မတ်ဖြင့် သိမ်းဆည်းထားသည်။

ORC ဖိုင်တစ်ခုသည် အစင်းကြောင်းများဟုခေါ်သော လိုင်းအုပ်စုများကို သိမ်းဆည်းထားပြီး ဖိုင်၏အောက်ခြေတွင် အချက်အလက်ပံ့ပိုးပေးသည်။ ဖိုင်၏အဆုံးရှိ Postscript တွင် ချုံ့ထားသော ကန့်သတ်ဘောင်များနှင့် ချုံ့ထားသောအောက်ခြေမှတ်စု၏ အရွယ်အစားတို့ပါရှိသည်။

မူရင်းအစင်းအရွယ်အစားသည် 250 MB ဖြစ်သည်။ ဤမျှကြီးမားသောအစင်းကြောင်းများကြောင့် HDFS မှဖတ်ရှုခြင်းအား ပိုမိုထိရောက်စွာလုပ်ဆောင်သည်- ကြီးမားသောအကွက်များဖြစ်သည်။

ဖိုင်အောက်ခြေမှတ်သည် ဖိုင်ရှိ လမ်းကြောများစာရင်း၊ လမ်းသွားတစ်ခုစီ၏ အတန်းအရေအတွက်နှင့် ကော်လံတစ်ခုစီ၏ ဒေတာအမျိုးအစားကို မှတ်တမ်းတင်သည်။ ကော်လံတစ်ခုစီအတွက် ရရှိလာသော count၊ min၊ max နှင့် sum တို့၏ ရလဒ်တန်ဖိုးကိုလည်း ထိုနေရာတွင် ရေးထားသည်။

ချွတ်ယွင်းချက်၏အောက်ခြေတွင် ထုတ်လွှင့်သည့်နေရာများ၏ လမ်းညွှန်တစ်ခုပါရှိသည်။

ဇယားများကို စကင်န်ဖတ်သောအခါ အတန်းဒေတာကို အသုံးပြုသည်။

အညွှန်းဒေတာတွင် ကော်လံတစ်ခုစီအတွက် အနိမ့်ဆုံးနှင့် အမြင့်ဆုံးတန်ဖိုးများနှင့် ကော်လံတစ်ခုစီရှိ အတန်းများ၏ အနေအထားပါဝင်သည်။ ORC အညွှန်းများကို မေးခွန်းများကိုဖြေဆိုရန်အတွက်မဟုတ်ဘဲ အစင်းကြောင်းများနှင့် အတန်းအုပ်စုများကို ရွေးချယ်ရန်အတွက်သာ အသုံးပြုပါသည်။

မတူညီသောဖိုင်ဖော်မတ်များကို နှိုင်းယှဉ်ခြင်း။

Avro သည် ပါကေးနှင့် နှိုင်းယှဉ်သည်။

1. Avro သည် အတန်းသိုလှောင်မှုဖော်မတ်ဖြစ်ပြီး Parquet သည် အချက်အလက်များကို ကော်လံများတွင် သိမ်းဆည်းထားသည်။
2. ပါကေးသည် ခွဲခြမ်းစိတ်ဖြာမေးမြန်းချက်များအတွက် ပိုသင့်တော်သည်၊ ဆိုလိုသည်မှာ ဖတ်ရှုခြင်းလုပ်ဆောင်မှုများနှင့် အချက်အလက်မေးမြန်းခြင်းများသည် စာရေးခြင်းထက် များစွာပိုမိုထိရောက်သည်ဟု ဆိုလိုသည်။
3. Avro တွင်ရေးသားခြင်းလုပ်ဆောင်မှုများကို Parquet ထက်ပိုမိုထိရောက်စွာလုပ်ဆောင်သည်။
4. Avro သည် ဆားကစ်ဆင့်ကဲဖြစ်စဉ်ကို ပိုမိုရင့်ကျက်စွာ ကိုင်တွယ်သည်။ ပါကေးသည် schema ထပ်တိုးမှုကိုသာ ပံ့ပိုးပေးသော်လည်း Avro သည် ဘက်စုံသုံးဆင့်ကဲဖြစ်စဉ်ကို ပံ့ပိုးပေးသည်၊ ဆိုလိုသည်မှာ ကော်လံများထည့်ခြင်း သို့မဟုတ် ပြောင်းလဲခြင်းပင်ဖြစ်သည်။
5. ပါကေးသည် ကော်လံအများအပြားကို ဇယားကွက်တစ်ခုရှိ ကော်လံအခွဲများကို မေးမြန်းရန်အတွက် စံပြဖြစ်သည်။ Avro သည် ကော်လံများအားလုံးကို မေးမြန်းသည့် ETL လုပ်ဆောင်ချက်များအတွက် သင့်လျော်သည်။

ORC vs ပါကေး

1. ပါကေးသည် အသိုက်အဝန်းဒေတာကို ပိုမိုကောင်းမွန်စွာ သိမ်းဆည်းသည်။
2. ORC သည် pushdown ကို ခန့်မှန်းရန် ပိုသင့်တော်ပါသည်။
3. ORC သည် ACID ဂုဏ်သတ္တိများကို ပံ့ပိုးပေးသည်။
4. ORC သည် ဒေတာကို ပိုကောင်းအောင် ချုံ့သည်။

နောက်ထပ် ဘာအကြောင်းအရာတွေ ဆက်ဖတ်ရမလဲ:

1. cloud ရှိ ကြီးမားသော ဒေတာခွဲခြမ်းစိတ်ဖြာမှု- ကုမ္ပဏီတစ်ခု ဒေတာဦးတည်လာပုံ.
2. Database Schemas အတွက် နှိမ့်ချသော လမ်းညွှန်.
3. ဒစ်ဂျစ်တယ်အသွင်ပြောင်းခြင်းအကြောင်း ကျွန်ုပ်တို့၏ကြေးနန်းလိုင်း.

source: www.habr.com