拓冰网站定制 
简介这是一套面向编程爱好者与金融投资者的模拟炒股软件开发资源基于VC6.0环境用C编写帮助读者理解股票交易逻辑、离线数据处理与交易模拟的实现方式。压缩包共82个文件以asp脚本为主55个辅以txt说明、html/htm页面、css样式、gif图片及inc包含文件整体约711KB涵盖用户登录、会员管理、后台维护、股票数据读取与交易计算等模块目录结构按功能分层便于按需查阅。资源围绕股票离线数据接口、买卖持有等核心操作、日线周线月线及均线周期设置展开可用于回测策略、构建技术指标与模拟交易练习。目前已有227人学习适合希望从源码层面掌握股票软件工作原理、提升交易与开发技能的读者参考实践。1. 从 monichaogu.zip 说起一套能离线跑的模拟炒股代码到底长什么样很多人第一次看到monichaogu.zip_K._模拟炒股代码_股票_股票离线数据_股票软件源码这种命名第一反应是「这不就是个课程设计压缩包吗」。我一开始也这么想直到有朋友拿着它来问能不能不联网、不接行情接口就在本地把买卖、持仓、盈亏、K 线全跑起来。答案是可以的而且这正是「股票离线数据 模拟炒股代码」这套组合最实用的地方——它把行情获取和交易撮合解耦行情用本地 CSV 或 SQLite 存撮合逻辑纯内存计算断网也能复盘。这套东西适合三类人一是想学股票软件源码结构、但不想被实时行情接口卡住的学生和转行者二是需要做策略回测、又不想每次拉数据的量化新手三是想给现有系统加一个「模拟盘」模块的开发者。核心就三块离线数据怎么存、撮合引擎怎么写、K 线怎么画。下面按这个顺序拆开讲能抄的代码我都放出来。2. 离线数据层把股票日线塞进 SQLite 的完整流程2.1 为什么离线数据优先选 SQLite 而不是 CSVCSV 读起来简单但模拟炒股一旦涉及多只股票、多周期、按日期范围查询CSV 每次都要全量加载再过滤几千行还行几万行就明显卡。SQLite 单文件、零配置、支持索引查询WHERE code? AND date BETWEEN ? AND ?走索引基本毫秒级。我一般把日线、分钟线分表存字段固定成code, date, open, high, low, close, volume, amount其中codedate建联合主键避免重复导入。常见做法是用 akshare 或类似数据源一次性拉全历史导出成 CSV再写脚本灌进 SQLite。注意离线数据的关键是「一次导入、多次使用」不要每次回测都去拉接口那样既慢又容易触发限流。2.2 建表与导入一段可直接跑的 Python 脚本import sqlite3 import pandas as pd # 连接不存在则自动创建 conn sqlite3.connect(stock_offline.db) cur conn.cursor() # 日线表codedate 联合主键防止重复导入 cur.execute( CREATE TABLE IF NOT EXISTS daily_kline ( code TEXT NOT NULL, date TEXT NOT NULL, open REAL, high REAL, low REAL, close REAL, volume REAL, amount REAL, PRIMARY KEY (code, date) ) ) cur.execute(CREATE INDEX IF NOT EXISTS idx_code_date ON daily_kline(code, date)) # 假设 data.csv 是从数据源导出的全量日线 df pd.read_csv(data.csv, dtype{code: str}) df[date] pd.to_datetime(df[date]).dt.strftime(%Y-%m-%d) # 批量插入重复则忽略 rows df[[code,date,open,high,low,close,volume,amount]].values.tolist() cur.executemany( INSERT OR IGNORE INTO daily_kline (code,date,open,high,low,close,volume,amount) VALUES (?,?,?,?,?,?,?,?) , rows) conn.commit() print(导入完成共, cur.execute(SELECT COUNT(*) FROM daily_kline).fetchone()[0], 行) conn.close()逻辑说明INSERT OR IGNORE配合联合主键重复导入同一只股票不会报错也不会产生脏数据这是离线数据反复更新的后悔药。参数上code强制转成字符串否则像000001这种会被 pandas 读成整数 1后面按代码查询全部对不上这个坑我踩过不止一次。date统一成YYYY-MM-DD字符串SQLite 里字符串比较等价于日期比较省去转换。2.3 查询封装给撮合引擎留一个干净接口def get_kline(conn, code, start, end): cur conn.cursor() cur.execute( SELECT date, open, high, low, close, volume FROM daily_kline WHERE code? AND date BETWEEN ? AND ? ORDER BY date ASC , (code, start, end)) return cur.fetchall()撮合引擎只认这个函数返回的列表不关心底层是 SQLite 还是别的。这样以后换成 MySQL 或内存缓存上层代码一行不用改。参数start/end用字符串传入和存储格式一致避免时区、格式转换带来的玄学问题。3. 撮合引擎模拟买卖、持仓与盈亏的计算细节3.1 账户模型现金、持仓、手续费三件事模拟炒股代码最容易写错的就是账户模型。我一般用一个字典表示账户{cash: 100000, positions: {code: {qty: 0, cost: 0.0}}}。买入时扣现金、加持仓、更新成本价卖出时加现金、减持仓、算已实现盈亏。成本价用移动加权平均公式是(原持仓成本*原数量 本次买入价*本次数量) / 总数量不要用简单平均否则多次加仓后盈亏会算错。手续费按常见规则模拟买入收佣金万三最低 5 元卖出收佣金加印花税千一。这些参数写成常量放文件顶部方便按不同市场调整。3.2 下单与撮合一段带手续费和持仓校验的核心代码COMMISSION_RATE 0.0003 # 佣金万三 MIN_COMMISSION 5.0 # 最低佣金 STAMP_TAX_RATE 0.001 # 印花税千一仅卖出 def buy(account, code, price, qty): amount price * qty commission max(amount * COMMISSION_RATE, MIN_COMMISSION) total amount commission if total account[cash]: return False, 现金不足 account[cash] - total pos account[positions].setdefault(code, {qty: 0, cost: 0.0}) new_qty pos[qty] qty pos[cost] (pos[cost] * pos[qty] amount) / new_qty pos[qty] new_qty return True, f买入 {code} {qty}股 成交价{price} def sell(account, code, price, qty): pos account[positions].get(code) if not pos or pos[qty] qty: return False, 持仓不足 amount price * qty commission max(amount * COMMISSION_RATE, MIN_COMMISSION) tax amount * STAMP_TAX_RATE account[cash] amount - commission - tax pos[qty] - qty if pos[qty] 0: account[positions].pop(code) return True, f卖出 {code} {qty}股 成交价{price}逻辑说明买入先算总花费再校验现金避免先扣钱后失败导致账目错乱。卖出先校验持仓再动账。成本价只在买入时更新卖出不影响剩余持仓成本这是会计上的标准做法。参数MIN_COMMISSION是很多新手忽略的点小额交易时佣金按最低 5 元收回测结果会和实际差很多。3.3 盈亏计算浮动盈亏和已实现盈亏分开算浮动盈亏 (当前价 - 成本价) * 持仓数量已实现盈亏在卖出时累加到一个realized_pnl字段。两者不要混在一起否则回测报告里分不清是持仓浮盈还是落袋为安。我一般每根 K 线结束后遍历持仓用当日收盘价更新浮动盈亏画资金曲线时用cash 持仓市值作为总资产。4. K 线与界面用 hqchart 或轻量方案把行情画出来4.1 选型hqchart 控件 vs 自己用 Canvas 画热词里出现hqchart控件k线图切换股票说明不少人想直接嵌现成控件。hqchart 这类控件优点是开箱即用、支持切换股票、指标齐全缺点是体积大、定制难、文档偏少。如果只是课程设计或内部工具用现成控件省事如果要深度定制指标或跨平台我倾向自己用 Canvas 或 ECharts 画数据从离线库查出来直接喂给图表库。常见做法是后端提供一个/kline?codexxx接口返回 JSON 数组前端图表库渲染。离线场景下这个接口读 SQLite不依赖外网。4.2 数据格式K 线图需要的字段和顺序// 前端期望的 K 线数据格式ECharts 为例 // 顺序必须是 [open, close, low, high]很多图表库固定这个顺序 const klineData [ [2024-01-02, 10.20, 10.55, 10.10, 10.60, 120000], [2024-01-03, 10.55, 10.30, 10.25, 10.58, 98000], ]; // 字段含义日期, 开盘, 收盘, 最低, 最高, 成交量参数说明ECharts 的 candlestick 系列默认按[open, close, lowest, highest]解析顺序写错会出现「影线倒挂」的诡异图形这是最常见的翻车点。成交量单独用一个 bar 系列和 K 线共用 x 轴。切换股票时只替换klineData并调用setOption不要重建整个图表实例否则频繁切换会内存泄漏。4.3 切换股票与指标叠加的最小实现function switchStock(code) { fetch(/kline?code${code}) .then(r r.json()) .then(data { chart.setOption({ series: [ { type: candlestick, data: data.kline }, { type: bar, data: data.volume } ] }); }); }逻辑说明切换股票本质是换数据源图表配置不变。指标如 MA5、MA10 可以在前端用收盘价数组算也可以后端算好返回。离线数据量不大时前端算更灵活。注意fetch失败要有兜底否则切换一只没有离线数据的股票会白屏。5. 避坑与排查模拟炒股代码最容易翻车的 5 个地方5.1 现象回测收益高得离谱实盘逻辑完全对不上原因用了未来函数比如用当日收盘价决定当日买入又用当日收盘价成交。解决信号和成交错开一根 K 线今天收盘出信号明天开盘价成交。离线数据回测尤其容易犯这个错因为数据全在手里不知不觉就「偷看」了未来。5.2 现象同一份数据跑两次结果不一样原因遍历持仓用了字典或集合顺序不确定导致资金分配顺序变化。解决所有涉及顺序的地方显式排序比如按股票代码排序后再遍历。热词里模型预测股票涨跌 每次结果不一样也是同类问题随机种子要固定。5.3 现象导入数据后查询为空代码明明存在原因股票代码被当成整数000001变成1查询条件对不上。解决读 CSV 时dtype{code: str}存库和查询全程用字符串。这个坑几乎每个新手都会踩一次。5.4 现象手续费算出来是 0 或者负数原因佣金率写成整数 3 而不是 0.0003或者最低佣金逻辑写反。解决所有比率用小数最低佣金用max()取大值卖出才加印花税。回测前先用一笔小额交易手工验算一遍。5.5 现象K 线图影线上下颠倒看着像妖股原因数据顺序不是[open, close, low, high]或者 low/high 写反。解决在数据出口统一格式化加一个断言low min(open, close) and high max(open, close)不满足就打印警告。这个断言帮我省了大量排查时间。6. 进阶技巧用离线数据做多股票组合分析与验证单只股票跑通后下一步自然是组合。组合分析的核心不是代码多复杂而是把「每只股票独立回测」和「资金在股票间分配」分开。我一般先对每只股票单独跑一遍得到各自的收益曲线再按等权或按波动率倒数分配资金合成组合曲线。这样能清楚看到是选股贡献了收益还是仓位分配贡献了收益。验证方法上我习惯做三件事。第一把离线数据按时间切成训练段和验证段比如前 70% 调参数后 30% 只看不调避免过拟合。第二手工抽查几笔交易用计算器核对现金和持仓变化确认撮合逻辑没算错。第三把组合曲线和单只股票最好的一只对比如果组合跑不赢单只说明分散没带来好处要检查是不是相关性太高。一个具体技巧在离线库里加一张trade_log表每笔模拟成交都写进去字段包括时间、代码、方向、价格、数量、手续费、成交后现金。回测结束后直接SELECT出来按时间排序就是一份完整的交易流水比在内存里打印靠谱得多。下面这段 SQL 用来快速统计每只股票的已实现盈亏SELECT code, SUM(CASE WHEN sidesell THEN amount - fee ELSE 0 END) AS sell_in, SUM(CASE WHEN sidebuy THEN amount fee ELSE 0 END) AS buy_out FROM trade_log GROUP BY code;参数说明amount是成交金额fee是手续费加印花税。卖出净流入减买入总支出就是粗略盈亏精确盈亏还要考虑剩余持仓成本但作为快速排查已经够用。我自己做这类离线模拟盘最大的教训是别一上来就追求指标齐全、界面漂亮先把「数据能查、买卖能算、盈亏能对」这三步跑通再往上加东西。很多压缩包里的源码看着功能多实际撮合逻辑是错的跑出来的收益曲线只能当壁纸。先用手工验算过的三笔交易把引擎钉死后面加什么指标都不慌。希望帮到你。本文还有配套的精品资源点击获取 离线模拟炒股代码实战：SQLite存储、撮合引擎与K线绘制
简介这是一套面向编程爱好者与金融投资者的模拟炒股软件开发资源基于VC6.0环境用C编写帮助读者理解股票交易逻辑、离线数据处理与交易模拟的实现方式。压缩包共82个文件以asp脚本为主55个辅以txt说明、html/htm页面、css样式、gif图片及inc包含文件整体约711KB涵盖用户登录、会员管理、后台维护、股票数据读取与交易计算等模块目录结构按功能分层便于按需查阅。资源围绕股票离线数据接口、买卖持有等核心操作、日线周线月线及均线周期设置展开可用于回测策略、构建技术指标与模拟交易练习。目前已有227人学习适合希望从源码层面掌握股票软件工作原理、提升交易与开发技能的读者参考实践。1. 从 monichaogu.zip 说起一套能离线跑的模拟炒股代码到底长什么样很多人第一次看到monichaogu.zip_K._模拟炒股代码_股票_股票离线数据_股票软件源码这种命名第一反应是「这不就是个课程设计压缩包吗」。我一开始也这么想直到有朋友拿着它来问能不能不联网、不接行情接口就在本地把买卖、持仓、盈亏、K 线全跑起来。答案是可以的而且这正是「股票离线数据 模拟炒股代码」这套组合最实用的地方——它把行情获取和交易撮合解耦行情用本地 CSV 或 SQLite 存撮合逻辑纯内存计算断网也能复盘。这套东西适合三类人一是想学股票软件源码结构、但不想被实时行情接口卡住的学生和转行者二是需要做策略回测、又不想每次拉数据的量化新手三是想给现有系统加一个「模拟盘」模块的开发者。核心就三块离线数据怎么存、撮合引擎怎么写、K 线怎么画。下面按这个顺序拆开讲能抄的代码我都放出来。2. 离线数据层把股票日线塞进 SQLite 的完整流程2.1 为什么离线数据优先选 SQLite 而不是 CSVCSV 读起来简单但模拟炒股一旦涉及多只股票、多周期、按日期范围查询CSV 每次都要全量加载再过滤几千行还行几万行就明显卡。SQLite 单文件、零配置、支持索引查询WHERE code? AND date BETWEEN ? AND ?走索引基本毫秒级。我一般把日线、分钟线分表存字段固定成code, date, open, high, low, close, volume, amount其中codedate建联合主键避免重复导入。常见做法是用 akshare 或类似数据源一次性拉全历史导出成 CSV再写脚本灌进 SQLite。注意离线数据的关键是「一次导入、多次使用」不要每次回测都去拉接口那样既慢又容易触发限流。2.2 建表与导入一段可直接跑的 Python 脚本import sqlite3 import pandas as pd # 连接不存在则自动创建 conn sqlite3.connect(stock_offline.db) cur conn.cursor() # 日线表codedate 联合主键防止重复导入 cur.execute( CREATE TABLE IF NOT EXISTS daily_kline ( code TEXT NOT NULL, date TEXT NOT NULL, open REAL, high REAL, low REAL, close REAL, volume REAL, amount REAL, PRIMARY KEY (code, date) ) ) cur.execute(CREATE INDEX IF NOT EXISTS idx_code_date ON daily_kline(code, date)) # 假设 data.csv 是从数据源导出的全量日线 df pd.read_csv(data.csv, dtype{code: str}) df[date] pd.to_datetime(df[date]).dt.strftime(%Y-%m-%d) # 批量插入重复则忽略 rows df[[code,date,open,high,low,close,volume,amount]].values.tolist() cur.executemany( INSERT OR IGNORE INTO daily_kline (code,date,open,high,low,close,volume,amount) VALUES (?,?,?,?,?,?,?,?) , rows) conn.commit() print(导入完成共, cur.execute(SELECT COUNT(*) FROM daily_kline).fetchone()[0], 行) conn.close()逻辑说明INSERT OR IGNORE配合联合主键重复导入同一只股票不会报错也不会产生脏数据这是离线数据反复更新的后悔药。参数上code强制转成字符串否则像000001这种会被 pandas 读成整数 1后面按代码查询全部对不上这个坑我踩过不止一次。date统一成YYYY-MM-DD字符串SQLite 里字符串比较等价于日期比较省去转换。2.3 查询封装给撮合引擎留一个干净接口def get_kline(conn, code, start, end): cur conn.cursor() cur.execute( SELECT date, open, high, low, close, volume FROM daily_kline WHERE code? AND date BETWEEN ? AND ? ORDER BY date ASC , (code, start, end)) return cur.fetchall()撮合引擎只认这个函数返回的列表不关心底层是 SQLite 还是别的。这样以后换成 MySQL 或内存缓存上层代码一行不用改。参数start/end用字符串传入和存储格式一致避免时区、格式转换带来的玄学问题。3. 撮合引擎模拟买卖、持仓与盈亏的计算细节3.1 账户模型现金、持仓、手续费三件事模拟炒股代码最容易写错的就是账户模型。我一般用一个字典表示账户{cash: 100000, positions: {code: {qty: 0, cost: 0.0}}}。买入时扣现金、加持仓、更新成本价卖出时加现金、减持仓、算已实现盈亏。成本价用移动加权平均公式是(原持仓成本*原数量 本次买入价*本次数量) / 总数量不要用简单平均否则多次加仓后盈亏会算错。手续费按常见规则模拟买入收佣金万三最低 5 元卖出收佣金加印花税千一。这些参数写成常量放文件顶部方便按不同市场调整。3.2 下单与撮合一段带手续费和持仓校验的核心代码COMMISSION_RATE 0.0003 # 佣金万三 MIN_COMMISSION 5.0 # 最低佣金 STAMP_TAX_RATE 0.001 # 印花税千一仅卖出 def buy(account, code, price, qty): amount price * qty commission max(amount * COMMISSION_RATE, MIN_COMMISSION) total amount commission if total account[cash]: return False, 现金不足 account[cash] - total pos account[positions].setdefault(code, {qty: 0, cost: 0.0}) new_qty pos[qty] qty pos[cost] (pos[cost] * pos[qty] amount) / new_qty pos[qty] new_qty return True, f买入 {code} {qty}股 成交价{price} def sell(account, code, price, qty): pos account[positions].get(code) if not pos or pos[qty] qty: return False, 持仓不足 amount price * qty commission max(amount * COMMISSION_RATE, MIN_COMMISSION) tax amount * STAMP_TAX_RATE account[cash] amount - commission - tax pos[qty] - qty if pos[qty] 0: account[positions].pop(code) return True, f卖出 {code} {qty}股 成交价{price}逻辑说明买入先算总花费再校验现金避免先扣钱后失败导致账目错乱。卖出先校验持仓再动账。成本价只在买入时更新卖出不影响剩余持仓成本这是会计上的标准做法。参数MIN_COMMISSION是很多新手忽略的点小额交易时佣金按最低 5 元收回测结果会和实际差很多。3.3 盈亏计算浮动盈亏和已实现盈亏分开算浮动盈亏 (当前价 - 成本价) * 持仓数量已实现盈亏在卖出时累加到一个realized_pnl字段。两者不要混在一起否则回测报告里分不清是持仓浮盈还是落袋为安。我一般每根 K 线结束后遍历持仓用当日收盘价更新浮动盈亏画资金曲线时用cash 持仓市值作为总资产。4. K 线与界面用 hqchart 或轻量方案把行情画出来4.1 选型hqchart 控件 vs 自己用 Canvas 画热词里出现hqchart控件k线图切换股票说明不少人想直接嵌现成控件。hqchart 这类控件优点是开箱即用、支持切换股票、指标齐全缺点是体积大、定制难、文档偏少。如果只是课程设计或内部工具用现成控件省事如果要深度定制指标或跨平台我倾向自己用 Canvas 或 ECharts 画数据从离线库查出来直接喂给图表库。常见做法是后端提供一个/kline?codexxx接口返回 JSON 数组前端图表库渲染。离线场景下这个接口读 SQLite不依赖外网。4.2 数据格式K 线图需要的字段和顺序// 前端期望的 K 线数据格式ECharts 为例 // 顺序必须是 [open, close, low, high]很多图表库固定这个顺序 const klineData [ [2024-01-02, 10.20, 10.55, 10.10, 10.60, 120000], [2024-01-03, 10.55, 10.30, 10.25, 10.58, 98000], ]; // 字段含义日期, 开盘, 收盘, 最低, 最高, 成交量参数说明ECharts 的 candlestick 系列默认按[open, close, lowest, highest]解析顺序写错会出现「影线倒挂」的诡异图形这是最常见的翻车点。成交量单独用一个 bar 系列和 K 线共用 x 轴。切换股票时只替换klineData并调用setOption不要重建整个图表实例否则频繁切换会内存泄漏。4.3 切换股票与指标叠加的最小实现function switchStock(code) { fetch(/kline?code${code}) .then(r r.json()) .then(data { chart.setOption({ series: [ { type: candlestick, data: data.kline }, { type: bar, data: data.volume } ] }); }); }逻辑说明切换股票本质是换数据源图表配置不变。指标如 MA5、MA10 可以在前端用收盘价数组算也可以后端算好返回。离线数据量不大时前端算更灵活。注意fetch失败要有兜底否则切换一只没有离线数据的股票会白屏。5. 避坑与排查模拟炒股代码最容易翻车的 5 个地方5.1 现象回测收益高得离谱实盘逻辑完全对不上原因用了未来函数比如用当日收盘价决定当日买入又用当日收盘价成交。解决信号和成交错开一根 K 线今天收盘出信号明天开盘价成交。离线数据回测尤其容易犯这个错因为数据全在手里不知不觉就「偷看」了未来。5.2 现象同一份数据跑两次结果不一样原因遍历持仓用了字典或集合顺序不确定导致资金分配顺序变化。解决所有涉及顺序的地方显式排序比如按股票代码排序后再遍历。热词里模型预测股票涨跌 每次结果不一样也是同类问题随机种子要固定。5.3 现象导入数据后查询为空代码明明存在原因股票代码被当成整数000001变成1查询条件对不上。解决读 CSV 时dtype{code: str}存库和查询全程用字符串。这个坑几乎每个新手都会踩一次。5.4 现象手续费算出来是 0 或者负数原因佣金率写成整数 3 而不是 0.0003或者最低佣金逻辑写反。解决所有比率用小数最低佣金用max()取大值卖出才加印花税。回测前先用一笔小额交易手工验算一遍。5.5 现象K 线图影线上下颠倒看着像妖股原因数据顺序不是[open, close, low, high]或者 low/high 写反。解决在数据出口统一格式化加一个断言low min(open, close) and high max(open, close)不满足就打印警告。这个断言帮我省了大量排查时间。6. 进阶技巧用离线数据做多股票组合分析与验证单只股票跑通后下一步自然是组合。组合分析的核心不是代码多复杂而是把「每只股票独立回测」和「资金在股票间分配」分开。我一般先对每只股票单独跑一遍得到各自的收益曲线再按等权或按波动率倒数分配资金合成组合曲线。这样能清楚看到是选股贡献了收益还是仓位分配贡献了收益。验证方法上我习惯做三件事。第一把离线数据按时间切成训练段和验证段比如前 70% 调参数后 30% 只看不调避免过拟合。第二手工抽查几笔交易用计算器核对现金和持仓变化确认撮合逻辑没算错。第三把组合曲线和单只股票最好的一只对比如果组合跑不赢单只说明分散没带来好处要检查是不是相关性太高。一个具体技巧在离线库里加一张trade_log表每笔模拟成交都写进去字段包括时间、代码、方向、价格、数量、手续费、成交后现金。回测结束后直接SELECT出来按时间排序就是一份完整的交易流水比在内存里打印靠谱得多。下面这段 SQL 用来快速统计每只股票的已实现盈亏SELECT code, SUM(CASE WHEN sidesell THEN amount - fee ELSE 0 END) AS sell_in, SUM(CASE WHEN sidebuy THEN amount fee ELSE 0 END) AS buy_out FROM trade_log GROUP BY code;参数说明amount是成交金额fee是手续费加印花税。卖出净流入减买入总支出就是粗略盈亏精确盈亏还要考虑剩余持仓成本但作为快速排查已经够用。我自己做这类离线模拟盘最大的教训是别一上来就追求指标齐全、界面漂亮先把「数据能查、买卖能算、盈亏能对」这三步跑通再往上加东西。很多压缩包里的源码看着功能多实际撮合逻辑是错的跑出来的收益曲线只能当壁纸。先用手工验算过的三笔交易把引擎钉死后面加什么指标都不慌。希望帮到你。本文还有配套的精品资源点击获取