本地部署验证码识别插件：自训练CNN+FastAPI，让自动化脚本秒过验证码

简介本地部署式英文数字混合验证码识别服务面向按键精灵、触摸精灵、触动精灵、Python及其他语言开发者解决自动化脚本中验证码识别难、环境配置复杂的问题服务只需一台Windows电脑或服务器即可搭建兼容Windows 10、11及Server 2012/2016/2019系统版。服务端经完整封包双击exe即可开启服务免去配置Python等依赖内置基于深度学习的识别模型对英文和数字混合验证码识别率较高。调用方式通用将验证码图片BASE64编码后POST到插件开放的API即可支持局域网、互联网及离线运行。资源包总大小27.43MB共186个文件其中51个pyd和49个dll构成运行依赖1个exe为启动程序1个onnx为模型文件还包含txt说明文档、wheel、license等元数据目录结构清晰便于按需检索。配套详细使用说明与作者协助调试支持已有2724人学习下载适合需要快速搭建验证码识别服务、希望免去环境配置的脚本开发者。1. 本地部署的验证码识别插件自动化脚本卡在验证码时最快的解写自动化脚本的人大多遇到过同一个坎前面的流程都跑通了屏幕上弹出一个英文数字验证码整个脚本就卡死。手动输入一次两次还行批量跑起来就会烦到怀疑人生。调用在线识别接口倒是省事但每张图都要上传网络延迟从几百毫秒到几秒不等识别结果还不稳定更重要的是很多授权环境里不允许数据出网。这时候一个本地部署的英文数字验证码识别插件就是最顺手的方案模型和HTTP服务都跑在自己电脑上按键精灵、触摸精灵、触动精灵、Python这些不同平台和语言只要会发HTTP请求就能在几十毫秒内拿到识别结果。下文我把选型、部署、多端对接和踩坑一次讲透。2. 英文数字验证码识别方案选型为什么现成OCR几行代码不够“牛”2.1 先用Tesseract试水3分钟看到它为什么不够用许多人第一反应是“直接上Tesseract”。它确实能在最简单的无干扰验证码上跑出不错的结果命令也很短。以4位英文数字为例下面是Linux/Mac下的调用方式tesseract captcha.png stdout -psm 7 -c tessedit_char_whitelistABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789参数说明-psm 7把图片当作单行文本识别适合定长验证码tessedit_char_whitelist限定字符集避免把字母识别成标点。如果你面对的验证码是规整的深色字符、白底、无干扰线这个命令的准确率能到九成以上。可一旦字体带扭曲字符之间粘连或者背景加了噪点和干扰线Tesseract就开始翻车。原因在于它是为扫描印刷文档设计的底层是整词识别和语言模型矫正而验证码恰恰是“反文字识别”的产物字体随机、字符无语义、干扰线专门破坏连通域。我在一个后台登录验证码上试过纯数字4位带两条干扰线Tesseract准确率只有七成左右且失败样本偏偏是最常见的几位数字。这个结论不是Tesseract不行而是技术路线和场景错配。如果你有大量验证码要处理且字符是扭曲粘连的就不要在Tesseract上继续调参了下面的自训练方案才是正路。顺便提一句有些做PHP站点的朋友也会来问有没有PHP ocr识别验证码的库结论一样通用OCR库对小样本、强干扰的验证码都不友好最终都会走到自训练模型这条路。2.2 自训练轻量CNN定长验证码最稳的逻辑既然通用OCR不好使就针对目标验证码训练一个专用模型。常见的验证码是5位、字符集为26个大写字母加10个数字这就是36类分类问题。因为位数固定直接训练一个CNN让模型对每一位字符独立做36分类。相比CRNNCTC定长方案训练更快、模型更小CPU上单张识别耗时能到二三十毫秒。如果后续遇到不定长验证码再升级CRNN也不迟从工程落地角度先把定长跑通收益最高。训练的第一步是生成合成样本。原因是验证码采集和标注成本高合成数据能快速提供几十万张让模型先学会“字形”这件事。下面这段用PIL生成灰度图每张图上随机画5个字符、若干干扰线和噪点import random from PIL import Image, ImageDraw, ImageFilter, ImageFont CHARS ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789 W, H 160, 60 # 输入图片宽高训练和推理必须一致 N 5 # 验证码位数 def gen_sample(font_pathNone): img Image.new(L, (W, H), 255) draw ImageDraw.Draw(img) font ImageFont.truetype(font_path, 28) if font_path else None text .join(random.choices(CHARS, kN)) for i, ch in enumerate(text): # 每个字符的x在基础位置上加随机偏移模拟粘连和错位 x 8 i * 30 random.randint(-2, 2) y random.randint(5, 22) draw.text((x, y), ch, fillrandom.randint(40, 180), fontfont) for _ in range(random.randint(8, 15)): draw.line((random.randint(0, W), random.randint(0, H), random.randint(0, W), random.randint(0, H)), fillrandom.randint(90, 190), width1) for _ in range(random.randint(200, 400)): draw.point((random.randint(0, W - 1), random.randint(0, H - 1)), fillrandom.randint(0, 255)) img img.filter(ImageFilter.GaussianBlur(0.6)) return img, text这段代码的要点random.choices保证字符有放回抽样样本分布均匀字符灰度值取40到180之间的随机值避免纯黑更接近真实验证码的打印效果干扰线数量8到15根噪点200到400个这是模拟“有点干扰但不至于完全不可辨”的常见区间最后的GaussianBlur(0.6)把字符边缘稍微模糊模拟低分辨率截图的拉伸感。真实环境里的验证码字体可能不是PIL默认字体合成数据阶段最好指定和线上相近的字体文件比如线上验证码用Arial加粗训练也用一个顺滑的无衬线字体否则后面真实样本微调要花的功夫更多。然后是模型定义。验证码图片经过三层卷积后用自适应平均池化压成128维特征最后全连接输出5 * 36个值并reshape成(批次, 5, 36)每一位分别算交叉熵import torch.nn as nn class CaptchaCNN(nn.Module): def __init__(self, n_len5, n_chars36): super().__init__() self.features nn.Sequential( nn.Conv2d(1, 32, 3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(32, 64, 3, padding1), nn.ReLU(), nn.MaxPool2d(2), nn.Conv2d(64, 128, 3, padding1), nn.ReLU(), nn.MaxPool2d(2), ) self.classifier nn.Sequential( nn.AdaptiveAvgPool2d((1, 1)), nn.Flatten(), nn.Linear(128, 128), nn.ReLU(), nn.Linear(128, n_len * n_chars), ) def forward(self, x): x self.features(x) x self.classifier(x) return x.view(-1, 5, 36)这个结构的选型理由很直接验证码字符只有5位不需要像CRNN那样建模长序列依赖三层卷积的参数量在百万级别CPU上推理毫无压力。AdaptiveAvgPool2d让模型对输入尺寸不那么敏感但为了部署省心我还是建议按160x60固定输入。训练时把每张图转成(1, H, W)的张量标签是5个字符在CHARS里的下标用多目标交叉熵训练import torch from torch.utils.data import Dataset, DataLoader class SyntheticDataset(Dataset): def __init__(self, n): self.n n def __len__(self): return self.n def __getitem__(self, idx): img, label gen_sample() img torch.tensor(bytearray(img.tobytes()), dtypetorch.float32).view(1, H, W) / 255.0 target torch.tensor([CHARS.index(c) for c in label]) return img, target model CaptchaCNN() opt torch.optim.Adam(model.parameters(), lr0.001) loss_fn nn.CrossEntropyLoss() loader DataLoader(SyntheticDataset(50000), batch_size64, shuffleTrue) for epoch in range(20): for imgs, labels in loader: out model(imgs) # (B, 5, 36) loss loss_fn(out.view(-1, 36), labels.view(-1)) opt.zero_grad() loss.backward() opt.step() if epoch % 5 0: print(fepoch {epoch}, loss {loss.item():.4f}) torch.save(model.state_dict(), captcha.pt)参数说明batch_size64在CPU或小显存GPU上都能跑lr0.001是Adam的基准区间。训练20轮合成数据50万张在普通GTX 1660上大约需要三四个小时纯CPU则需要十小时以上。如果你赶时间可以把SyntheticDataset(50000)改成20000先跑通流程再补样本。2.3 数据规模与准确率的关系合成样本、真实样本怎么配比很多从没训过验证码模型的人会问一个实际的问题到底要多少张图才能“识别效果很牛”我的经验是合成样本决定模型的下限真实样本决定上线后的上限。只靠合成样本对字体和干扰线比较刁钻的验证码准确率通常在85%到95%之间加入200到500张真实截图做微调后准确率能稳定到98%往上这才是标题里“识别效果很牛”的真相。真实样本的获取没什么玄学在自动化脚本运行的时候把弹出来的验证码原图按文件名顺序保存下来再写一个几十行的小工具批量标注。标注时建议直接用数字和字母做文件名例如A1B2C.png训练时从文件名解析标签。这样一天就能攒几百张比手工Excel标注快得多。在微调阶段把真实样本和合成样本按1:5混合进同一个DataLoader用更小的学习率lr0.0001再跑5个epoch。注意不要只在真实样本上反复过拟合否则遇到线上新样本会突然翻车。3. 把训练好的模型封装成本地HTTP服务FastAPI部署与接口约定模型训好之后下一步是把它变成一个所有脚本都能调的插件。这里说的“插件”不是某个IDE里的注册插件而是一个跑在本地、对外提供HTTP接口的服务。原因很简单按键精灵、触摸精灵、触动精灵、Python能共通的语言就是HTTP任何平台只要会发POST请求就能拿到识别结果。3.1 服务端骨架加载模型、接收Base64、返回识别文本用FastAPI写一个最小的服务端。代码结构分为四块加载模型、图片预处理、接收请求、返回结果。为了保证跨平台不踩编码坑接口统一用JSON图片字段用Base64字符串。import base64, io import numpy as np from PIL import Image import torch from fastapi import FastAPI from pydantic import BaseModel app FastAPI() model CaptchaCNN() model.load_state_dict(torch.load(captcha.pt, map_locationcpu)) model.eval() CHARS ABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789 class RecognizeReq(BaseModel): image_base64: str def preprocess(img: Image.Image, resize(160, 60), threshold127): img img.convert(L) # 统一转灰度 img img.resize(resize, Image.LANCZOS) img img.point(lambda p: 255 if p threshold else 0) arr np.array(img, dtypenp.float32) / 255.0 return torch.from_numpy(arr).view(1, 1, resize[1], resize[0]) app.post(/recognize) def recognize(req: RecognizeReq): raw base64.b64decode(req.image_base64) img Image.open(io.BytesIO(raw)) tensor preprocess(img) with torch.no_grad(): out model(tensor) # (1, 5, 36) pred out.argmax(dim2).squeeze(0) text .join(CHARS[i] for i in pred.tolist()) return {result: text}逻辑说明请求里带上Base64图片服务端先解码成图片再做灰度化、缩放、二值化喂给模型推理最后把5个位置的argmax拼成字符串。这里假定你已经把上一章的CaptchaCNN和CHARS定义保存在同一个py文件里。这里有一个必须留意的设计选择recognize函数用的是def而不是async def。FastAPI会把def端点放到线程池里执行这样CPU密集的模型推理不会阻塞其他请求。如果你写成async def又不在函数内部手动让出事件循环高并发时每个请求都会排队等着推理完成吞吐量直线下降。这是很多新手第一次写推理服务最容易踩的性能坑。3.2 图片预处理参数二值化阈值、尺寸和去噪选项preprocess里有两个参数会影响最终识别率resize的宽高比、二值化阈值。合成数据用的是160x60线上图片如果来自不同分辨率直接拉伸会造成字符变形所以服务端应保留一个可供校准的预处理流程。我一般把预处理参数做成环境变量或请求里的可选字段方便出问题时不改代码先调参数。class RecognizeReq(BaseModel): image_base64: str threshold: int 127 resize_width: int 160 resize_height: int 60在preprocess里接收这些值。调阈值时有个规律可依字符整体偏淡阈值往下调到110左右背景噪点偏重阈值往上调到150左右。二值化之后如果字符断成了骨架阈值调低如果笔画糊成一团阈值调高。除了阈值另一个常见操作是中值滤波。对带细颗粒噪点的验证码在灰度图上做一遍3x3中值滤波能有效去掉孤立噪点代价是字符边缘稍微钝化。这个开关我也建议做成可配参数因为并不是所有验证码都有颗粒噪点。img img.filter(ImageFilter.MedianFilter(3)) # 可选默认关参数表总结参数默认值调优方向resize_width160和训练一致不要随意改resize_height60和训练一致不要随意改threshold127字符淡则调低噪点重则调高median_filterfalse有颗粒噪点开启3.3 启动参数与服务化绑IP、并发和开机自启服务写好之后启动命令如下uvicorn captcha_server:app --host 0.0.0.0 --port 8000 --workers 1参数说明--host 0.0.0.0表示监听所有网卡既允许本机脚本访问也允许同一局域网里的手机端触摸精灵、触动精灵访问。如果只给本机工具用可以绑127.0.0.1但从实际使用看手机模拟器经常需要访问电脑服务所以一次绑对0.0.0.0能省很多事。--workers 1是一开始就要顶住的参数。PyTorch模型加载后占用的内存和线程并不小开多worker不仅费内存还会因为每个进程各自加载一份模型导致内存翻倍。如果你的并发需求确实超过单进程能力优先在应用层做队列或部署多个端口而不是盲目开worker。Windows上要让服务开机自启常见做法是用nssm把uvicorn注册成系统服务。Linux服务器上则写一个systemd unit文件这里不再展开核心是让服务进程守护运行断了能自动拉起。跑自动化脚本的人一般不想折腾服务器最简陋也最有效的办法是写一个每分钟检查一次的定时任务发现端口不通就重新拉起uvicorn这比任何华丽的守护机制都直观。另外在服务里加一个/healthz端点返回{status:ok}脚本每次启动时先探测这个端点不通就直接重试拉起服务。这个动作看似多余但能避免脚本跑一半才因为服务挂了而弹错。4. Python、按键精灵、触摸精灵与触动精灵的对接实例服务端稳定运行后剩下的就是各平台发HTTP请求。我按实际会遇到的四种调用方式贴出代码你按自己的运行环境挑一段抄。4.1 Python调用requests单张识别与线程池批量并发Python侧最简单直接requests POST JSON。import base64 import requests def recognize_file(image_path, endpointhttp://127.0.0.1:8000/recognize): with open(image_path, rb) as f: b64 base64.b64encode(f.read()).decode() r requests.post(endpoint, json{image_base64: b64}, timeout5) r.raise_for_status() return r.json()[result] print(recognize_file(code.png))这里的timeout5是个重要参数如果服务端卡住不设timeout会挂死整个脚本5秒对本地服务来说已经非常宽裕识别本身只要几十毫秒。批量处理验证码时串行循环会白白浪费本地服务的并发能力把多张图片一次性扔进线程池更合理from concurrent.futures import ThreadPoolExecutor files [fcode_{i}.png for i in range(20)] with ThreadPoolExecutor(max_workers8) as pool: results list(pool.map(recognize_file, files)) print(results)max_workers8是一个从本地服务吞吐量看比较稳的并发数。如果你的图片更大、服务部署在低配机器上降到4如果服务端是GPU推理可以加到16。要注意的是线程池只有图片读取和HTTP请求是并行的模型推理瓶颈仍在服务端所以不是workers越多越好。如果你写的是爬虫脚本建议用requests.Session()复用TCP连接可以把批量识别总耗时再压掉30%。4.2 按键精灵PC版对接用系统XMLHTTP POST JSON按键精灵PC版的脚本语言接近VBS直接调用系统MSXML2.XMLHTTP就能完成POST。下面是一个封装好的函数Function HttpPost(url, jsonBody) Dim http Set http CreateObject(MSXML2.XMLHTTP) http.Open POST, url, False http.SetRequestHeader Content-Type, application/json http.Send jsonBody HttpPost http.responseText End Function调用方法先把验证码图片读成Base64再拼JSON。按键精灵不同版本的Base64编码命令位置不一样PC版在“命令列表-字符串-编码”里能找到名称通常是“Base64编码”你把它封装成一个函数就行我这里用EncodeBase64占位Dim b64, jsonStr, resp b64 EncodeBase64(C:\config\code.png) 按键精灵侧编码函数 jsonStr {image_base64: b64 } resp HttpPost(http://127.0.0.1:8000/recognize, jsonStr)这里有两个坑位提前说第一JSON字符串内部的双引号在按键精灵里要用两个双引号转义写成image_base64少了转义服务端会报422第二EncodeBase64得到的字符串如果太长某些版本会按长度截断建议在代码里加一个长度判断超过100万字符就报错提示不要盲发。按键精灵对接的本质只是发HTTP能解决定位、找图、点击的“Post插件”也能实现同样效果但直接用系统XMLHTTP最干净不需要额外装插件。提示按键精灵Base64编码生成的长字符串拼接进JSON前先打印长度超过500万字符说明图片未压缩应先把验证码图片缩放后再编码避免请求体过大。4.3 触摸精灵与触动精灵的Lua对接改一个IP就能通手机端的触摸精灵、触动精灵通常跑Lua脚本。它们访问电脑上的服务时要注意“本地部署”不等于“localhost”——手机上的localhost是手机自己不是电脑。正确做法是让手机和电脑连同一个路由器把请求地址改成电脑的局域网IP。以下用Lua的luasocket库做一个POST请求示例这是Lua环境里最通用的HTTP方案local json require(json) local http require(socket.http) local ltn12 require(ltn12) local req json.encode({ image_base64 b64 }) -- b64由屏幕截图或文件读取得到 local resp_body {} local res, code http.request{ url http://192.168.1.100:8000/recognize, method POST, headers { [Content-Type] application/json }, source ltn12.source.string(req), sink ltn12.sink.table(resp_body) } if code 200 then local obj json.decode(table.concat(resp_body)) log(obj.result) else log(识别接口返回: .. tostring(code)) end参数说明url里的192.168.1.100要换成你电脑的实际局域网IP在Windows命令行执行ipconfig就能查到。手机端脚本不一定自带json和socket库常见做法是触动精灵/触摸精灵会在脚本启动时加载自己的内置HTTP API如果你的运行环境没有luasocket就改用编辑器自带类似http.post的方法核心都是POST一个JSON到同一地址。如果你的脚本跑在安卓模拟器内而服务又跑在同一台电脑上模拟器里的localhost需要改成主机在模拟器网络里的网关地址常见取值是10.0.3.2或10.0.2.2具体看你用的模拟器网络配置。容器网络和局域网模式不一样优先用宿主机IP而不是localhost。另外电脑的防火墙要放行8000端口。Windows默认会拦截外部设备访问第一次从手机发起请求时如果电脑上弹出防火墙提示直接点允许如果没弹窗又连不上手动在“Windows Defender防火墙-高级设置-入站规则”里放行TCP 8000。这一步是最容易被忽略的“手机连不上服务”的原因。注意手机端访问服务前先确认电脑能用自己的局域网IP访问接口再排查手机脚本。直接在电脑浏览器里访问http://192.168.1.100:8000/healthz能通再测手机。5. 避坑与排查识别为空、Timeout和内存走高的5个真实案例服务部署好、脚本也通了但跑上两三天才是真正考验。这里总结5个我实际遇到过的案例按“现象→原因→解决”的顺序写方便你直接把排查步骤套到自己环境里。5.1 接口返回200却空字符串模型输出全空现象接口通返回200但result字段是空字符串日志里模型输出的5个位置全部是空白字符的索引。原因图片是带透明通道的PNG有些颜色通道在convert(L)转灰度时透明背景变成接近白色字符灰度也被冲淡二值化阈值在127处把字符笔画切掉了一部分模型把剩下的部分识别成了空白。解决在preprocess里先转RGB再转灰度并给透明背景补白底。补白底的代码是Image.new(RGB, img.size, (255,255,255))再paste(img, maskimg.split()[3])然后才转灰度。这个坑在模拟器截图里特别常见截图保存的PNG往往带alpha通道。5.2 按键精灵拼出来的JSON服务端报422现象按键精灵把Base64拼成JSON后请求本地服务FastAPI返回422 Unprocessable Entity。原因按键精灵脚本里字符串拼接时双引号转义不对最常见的错误是把JSON写成了{image_base64:xxx}这种无引号形式键名没有双引号Pydantic校验直接拒绝。解决严格按{image_base64:...}的格式拼字符串在按键精灵里双引号要写成两个连续双引号。调试时先固定image_base64为一个纯字母短串比如abc如果服务端返回正常结果说明问题在Base64太长或拼接格式上如果还报422逐一剥离层数定位。5.3 并发一高大量请求超时现象Python线程池开到16个workers时原本20毫秒的识别请求大量超过5秒timeout。原因FastAPI的def端点默认走线程池但线程池默认大小和模型推理的全局解释器锁竞争叠加单进程在满载时排队严重。解决把max_workers降到8服务端增加一个信号量限制并发推理数或改用onnxruntime替换PyTorch推理释放CPU占用。更直接的办法是让服务端单进程处理客户端用Semaphore控制同时发出请求的数量让每张图都排队但不超时。超时问题多数不是网络问题是并发超过服务能力先降并发再谈优化。5.4 手机触摸精灵连不上电脑上的识别服务现象手机脚本请求http://192.168.1.100:8000/recognize始终超时电脑上浏览器访问同样的地址却秒回。原因服务绑的是127.0.0.1或者Windows防火墙没有放行8000端口手机和电脑可能也不在同一网段。解决第一步检查服务启动参数--host必须为0.0.0.0第二步在电脑上执行ipconfig确认手机和电脑的网关一致第三步放行防火墙或者在Windows弹窗时点允许。把这三步按顺序走完这一案基本都能解决。注意不要在手机上把url写成http://localhost:8000手机上的localhost不是电脑。5.5 换了新验证码样式准确率从98%崩到七成现象验证码改版字体、干扰线颜色全变了模型识别率肉眼可见地下降连续识别失败。原因模型在旧合成数据上过拟合新样式的字符形态和干扰分布超出了训练集的分布范围。这本质是数据分布漂移不是模型结构问题。解决立刻收集200张新样式验证码用旧模型先粗识别一遍再人工修正错误标签随后和合成数据按1:5混合用lr0.0001微调5个epoch。这个流程我在多个项目上验证过是最快止血的手段。平时可以每天保存线上验证码截图积累到两百张再统一微调避免临时抓瞎。这5个案例覆盖了接口、宿主机、防火墙、并发和模型更新五个层面。如果你遇到的问题不在其中优先看服务端启动日志FastAPI的默认日志会打印每次请求的状态码和耗时能帮你判断是请求没进来还是推理阶段卡住了。本地部署的验证码识别服务是个“黑匣子”有了日志才不会靠猜。6. 进阶让本地识别服务稳定跑到99%的实验台做法接口通了模型也能识别但这套方案真正值钱的地方是稳定。我后期把三个习惯固定下来真实样本微调、ONNX量化、每日自检。6.1 真实样本微调是识别效果的后悔药合成数据训练出来的模型真实截图识别率通常在90%上下一旦你开始微调每多100张真实样本准确率就能涨1到2个点。微调流程不必写新代码复用第2章的SyntheticDataset把真实样本单独做一个Dataset按1:5比例和合成样本混进同一个loader学习率降到0.0001跑5个epoch。有人担心真实样本多了会把模型带偏只要确保每类字符的样本数相对均衡这个担心基本不会发生。6.2 ONNX导出让CPU推理再快一截如果脚本场景要求每张图在20毫秒内返回PyTorch的CPU推理可能不够稳定。导出ONNX后用onnxruntime推理同样的模型在CPU上通常能快30%到50%。import torch dummy torch.randn(1, 1, 60, 160) torch.onnx.export(model, dummy, captcha.onnx, input_names[img], output_names[pred])导出的文件直接给到FastAPI请求逻辑不变预处理的维度也不能变。onnxruntime在并发场景下占用内存更小这是它最大的优势。6.3 每天跑一次自检脚本别等线上翻车我现在的做法是每天凌晨对历史样本跑一遍批量识别算一次准确率。低于98%就打印告警并输出最近失败样本的文件路径。这个脚本不需要新框架就是把recognize_file和标注好的文件名一一对比统计一下命中率。听起来笨但它救过我两次都是验证码悄悄改版的第一天。我最初只信合成模型的高准确率结果真实样本识别率掉到80%补了三天标注才拉回来。后来我把自检固定到每天数据漂移当天就能发现。这套方案适合所有被困在验证码自动化上的团队和独立开发者。先跑通Tesseract再自训练再对接HTTP最后滚动微调别想一口吃成“很牛”但每一步都走稳结果会自然收敛到99%那个方向。希望帮到你。本文还有配套的精品资源点击获取