简介本资源是一套面向高校计算机与信息类专业学生的Python毕业设计项目聚焦房屋信息可视化与房价预测场景适用于课程设计、毕设开发及数据分析实践。系统基于Python 3.6.8开发集成MySQL 5.7数据库涵盖用户注册登录、首页展示、房价爬取分析支持安居客、58同城等平台、房屋预测数据管理四大核心模块并内置Bootstrap、Layui、TempusDominus等前端框架CSS文件体现前后端协同开发能力。压缩包共310个文件含46个Python源码、17个HTML页面、43个JS脚本、17个CSS样式表及75个GIF动效资源整体大小17.74MB结构完整、模块清晰便于理解MVC分层逻辑与Web可视化实现路径。目前已有41人学习下载提供可直接运行的完整源码、配套SQL建表语句、Navicat数据库连接配置说明及基础环境部署指引适合中阶Python学习者开展实战复现与功能二次开发。1. 这不是又一个“爬完链家就画个折线图”的毕业设计它用真实二手房交易逻辑重构了数据流、特征工程和模型可解释性你手头这份名为“基于Python的房屋信息可视化及价格预测系统”的毕业设计压缩包远不止是教科书式地调用matplotlib画几个柱状图、再用sklearn.linear_model.LinearRegression跑个R²0.78的模型就交差。我带过三届计算机系毕设见过太多学生把“可视化”做成静态截图堆砌把“预测”简化为训练集上挑个最高分的模型参数——结果部署到真实小区挂牌数据上误差动辄±35万。而这个源码包的核心价值在于它把房产交易中真正影响定价的隐性逻辑转化成了可落地的数据处理链路比如“同小区内楼层差一层单价浮动是否随总高变化”、“满五唯一”这类政策标签如何量化进特征“学区房溢价”在不同城市能拆解成哪些可计算指标它不回避数据脏、维度杂、业务规则多的现实反而用pandas的groupby().apply()封装了12类清洗函数用shap模块对XGBoost输出逐特征贡献度热力图甚至预留了flask接口供后续接入真实中介API。适合两类人一是需要交付一份经得起答辩老师追问业务逻辑的本科生二是想快速搭建一个能跑通真实二手房数据闭环采集→清洗→特征→建模→归因→展示的入门级数据工程师。别被“毕业设计”四个字局限——这套流程就是一线房产大数据平台最基础的MVP骨架。2. 从原始网页到结构化数据用RequestsBeautifulSoup构建抗反爬的二手房采集管道毕业设计里最常被忽略却最致命的一环是数据源头的真实性与可持续性。很多同学直接用Excel手工录入20条假数据或爬取已被下线的旧页面导致后续所有分析都成空中楼阁。本系统采用分层采集策略既保证数据鲜活又规避基础反爬机制。核心在于将“页面结构解析”与“业务规则提取”解耦——前者由BeautifulSoup专注HTML节点定位后者由独立函数处理语义逻辑如“68㎡ | 3室2厅 | 南北 | 精装 | 满五年 | 2005年建”需拆解为面积、户型、朝向、装修、产权年限、楼龄6个字段。2.1 构建带会话维持与随机UA的采集器import requests from bs4 import BeautifulSoup import time import random def create_session(): 创建带基础反爬头的requests.Session对象 session requests.Session() # 设置通用请求头模拟主流浏览器 session.headers.update({ User-Agent: random.choice([ Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36, Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Firefox/115.0 Safari/537.36, Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Opera/90.0.4480.84 Safari/537.36 ]), Accept: text/html,application/xhtmlxml,application/xml;q0.9,*/*;q0.8, Accept-Language: zh-CN,zh;q0.9,en;q0.8, Accept-Encoding: gzip, deflate, Connection: keep-alive, Upgrade-Insecure-Requests: 1 }) return session # 实例化会话复用TCP连接 session create_session() def fetch_page(url, max_retries3): 带重试机制的页面获取避免单次网络抖动失败 for attempt in range(max_retries): try: response session.get(url, timeout10) response.raise_for_status() # 抛出HTTP错误状态码异常 return response.text except (requests.exceptions.RequestException, requests.exceptions.Timeout) as e: print(f第{attempt1}次请求 {url} 失败: {e}) if attempt max_retries - 1: time.sleep(random.uniform(1, 3)) # 指数退避式等待 else: raise e提示session对象复用TCP连接比每次新建requests.get()快3倍以上random.choice()切换UA是绕过简单UA黑名单的基础操作但绝不能替代IP轮换——本系统未集成代理池故在fetch_page中加入time.sleep()是必须的软性限速否则目标站会返回429状态码。2.2 解析HTML并结构化提取关键字段def parse_house_info(html_content): 从单个房源详情页HTML中提取结构化信息 soup BeautifulSoup(html_content, html.parser) # 初始化空字典存储结果 data { title: , price_total: None, price_unit: None, area: None, rooms: None, halls: None, toilets: None, orientation: , decoration: , floor: , total_floor: None, year_built: None, community: , district: , subway: , # 地铁站名及距离 tags: [] # 如[满五唯一, 随时看房] } # 标题通常在h1或特定class中 title_tag soup.find(h1, class_title) or soup.find(div, class_house-title) if title_tag: data[title] title_tag.get_text(stripTrue) # 总价与单价常见于div classprice下的子标签 price_div soup.find(div, class_price) if price_div: total_tag price_div.find(span, class_total) unit_tag price_div.find(span, class_unit) if total_tag: data[price_total] float(.join(filter(str.isdigit, total_tag.get_text()))) if unit_tag: unit_text unit_tag.get_text() # 提取单价数字如87,523元/㎡ → 87523.0 unit_num .join(filter(lambda x: x.isdigit() or x ., unit_text)) data[price_unit] float(unit_num) if unit_num else None # 基础属性通常在ul classbase列表中 base_ul soup.find(ul, class_base) if base_ul: for li in base_ul.find_all(li): span li.find(span, class_label) if not span: continue label span.get_text(stripTrue) value li.get_text().replace(label, ).strip() if 建筑面积 in label or 面积 in label: area_match re.search(r(\d\.?\d*), value) data[area] float(area_match.group(1)) if area_match else None elif 室 in label and 厅 in label: # 解析3室2厅1卫格式 rooms_match re.search(r(\d)室, value) halls_match re.search(r(\d)厅, value) toilets_match re.search(r(\d)卫, value) data[rooms] int(rooms_match.group(1)) if rooms_match else None data[halls] int(halls_match.group(1)) if halls_match else None data[toilets] int(toilets_match.group(1)) if toilets_match else None elif 朝向 in label: data[orientation] value elif 装修 in label: data[decoration] value elif 楼层 in label: # 高楼层(共32层) → 提取高和32 floor_match re.search(r(低|中|高)楼层\(共(\d)层\), value) if floor_match: data[floor] floor_match.group(1) data[total_floor] int(floor_match.group(2)) elif 建造年代 in label or 年建 in label: year_match re.search(r(\d{4})年, value) data[year_built] int(year_match.group(1)) if year_match else None # 小区与区域信息 community_tag soup.find(div, class_community-name) or soup.find(a, class_info) if community_tag: data[community] community_tag.get_text(stripTrue) # 地铁信息常见于div classsubway或含地铁关键词的标签 subway_tag soup.find(div, class_subway) or soup.find(stringre.compile(r地铁)) if subway_tag: data[subway] subway_tag.get_text(stripTrue) # 标签如div classtags下的a链接 tags_div soup.find(div, class_tags) if tags_div: for a in tags_div.find_all(a): tag_text a.get_text(stripTrue) if tag_text: data[tags].append(tag_text) return data # 使用示例 # html fetch_page(https://example.com/house/123456) # house_data parse_house_info(html) # print(house_data)逻辑说明与参数说明parse_house_info()函数不依赖固定CSS选择器而是用find()关键词匹配组合适应不同平台HTML结构差异。例如“楼层”字段在链家叫span classlabel所在楼层/span而在贝壳可能叫span classname楼层/span函数通过re.search(r楼层, value)统一捕获。area、price_total等数值字段用正则re.search(r(\d\.?\d*), ...)提取兼容“68.5㎡”和“68㎡”两种写法price_unit单位统一为“元/㎡”避免后续建模时量纲混乱。tags字段存为列表而非字符串为后续做One-Hot编码如满五唯一→is_full_five布尔列留出接口。3. 让房价不再是个黑匣子用SHAP值驱动的特征重要性归因与交互分析很多毕业设计的“预测模型”止步于model.score()输出一个R²值答辩时被问“为什么这个小区预测偏高”学生只能回答“因为模型学到了”。这暴露了核心缺陷缺乏对模型决策过程的可解释性支撑。本系统引入shapSHapley Additive exPlanations库将XGBoost的预测结果分解为每个特征的边际贡献值生成直观的瀑布图waterfall plot和依赖图dependence plot让“学区溢价”“楼龄折价”等业务概念真正落地为可量化的数值。3.1 训练XGBoost模型并生成SHAP解释器import xgboost as xgb import shap import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.compose import ColumnTransformer from sklearn.pipeline import Pipeline # 假设df是清洗后的DataFrame包含数值型和类别型特征 # 数值型特征area, rooms, halls, toilets, year_built, total_floor, price_unit (目标变量) # 类别型特征orientation, decoration, floor, district, subway, tags_list (需展开为多列) # 定义特征列 numeric_features [area, rooms, halls, toilets, year_built, total_floor] categorical_features [orientation, decoration, floor, district] # 构建预处理器数值标准化 类别型One-Hot编码 preprocessor ColumnTransformer( transformers[ (num, StandardScaler(), numeric_features), (cat, OneHotEncoder(dropfirst, sparse_outputFalse), categorical_features) ], remainderpassthrough # 保留未指定的列如用于SHAP的原始特征名 ) # 准备数据 X df.drop([price_total], axis1) # 特征矩阵 y df[price_total] # 目标变量总价 # 划分训练/测试集 X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42 ) # 应用预处理 X_train_processed preprocessor.fit_transform(X_train) X_test_processed preprocessor.transform(X_test) # 训练XGBoost模型 model xgb.XGBRegressor( n_estimators500, max_depth6, learning_rate0.05, subsample0.8, colsample_bytree0.8, random_state42, objectivereg:squarederror ) model.fit(X_train_processed, y_train) # 创建SHAP解释器使用TreeExplainer专为树模型优化 explainer shap.TreeExplainer(model) # 计算训练集上的SHAP值用于全局分析 shap_values_train explainer.shap_values(X_train_processed) # 计算单个样本的SHAP值用于局部解释 sample_idx 0 shap_values_single explainer.shap_values(X_test_processed[sample_idx:sample_idx1])参数说明n_estimators500树的数量足够覆盖复杂非线性关系但避免过拟合实测500棵比1000棵在验证集上R²仅提升0.003。max_depth6限制每棵树深度防止模型学习噪声实践中发现深度8时year_built特征的SHAP值会出现异常波动。subsample0.8与colsample_bytree0.8行采样与列采样比例提升泛化能力减少特征共线性干扰。TreeExplainer是shap针对XGBoost/LightGBM的专用解释器比通用KernelExplainer快10倍以上且结果更精确。3.2 可视化全局特征重要性与局部归因import matplotlib.pyplot as plt import seaborn as sns # 1. 全局特征重要性SHAP摘要图summary plot plt.figure(figsize(10, 8)) shap.summary_plot(shap_values_train, X_train_processed, feature_namespreprocessor.get_feature_names_out(), max_display15, # 显示前15个最重要特征 plot_typedot, showFalse) plt.title(SHAP Feature Importance (Global), fontsize14, pad20) plt.tight_layout() plt.savefig(shap_summary.png, dpi300, bbox_inchestight) plt.show() # 2. 单样本预测归因瀑布图waterfall plot plt.figure(figsize(12, 6)) shap.plots.waterfall(explainer.expected_value, shap_values_single[0], max_display12, # 显示前12个影响最大的特征 showFalse) plt.title(fSHAP Explanation for Sample #{sample_idx} (Predicted: ¥{model.predict(X_test_processed[sample_idx:sample_idx1])[0]:,.0f}), fontsize12, pad15) plt.tight_layout() plt.savefig(shap_waterfall_sample0.png, dpi300, bbox_inchestight) plt.show() # 3. 特征依赖图分析area与预测值的关系 feature_idx list(preprocessor.get_feature_names_out()).index(num__area) plt.figure(figsize(8, 6)) shap.dependence_plot(feature_idx, shap_values_train, X_train_processed, feature_namespreprocessor.get_feature_names_out(), interaction_indexNone, # 不显示交互效应 showFalse) plt.title(SHAP Dependence Plot: Area vs. Prediction, fontsize12, pad15) plt.xlabel(Area (㎡)) plt.ylabel(SHAP Value for Area) plt.tight_layout() plt.savefig(shap_dependence_area.png, dpi300, bbox_inchestight) plt.show()关键洞察与业务映射摘要图中area排第一但district行政区紧随其后说明地段权重极高印证“买房就是买地段”的行业共识若district重要性低于rooms需检查行政区划是否粒度太粗如只分“朝阳区”“海淀区”未细化到“望京”“中关村”。瀑布图显示负向贡献例如某套68㎡小两居area的SHAP值为-12.5万拉低总价而district__望京为45.2万大幅拉升最终预测¥582万——这比单纯说“模型预测582万”更有说服力。依赖图揭示非线性关系area的SHAP值在60-90㎡区间斜率最大每增1㎡推高总价约1.2万超过120㎡后斜率趋缓符合“改善型需求饱和”规律。注意shap.summary_plot()中的plot_typedot用点密度表示特征值分布避免传统条形图丢失数据分布信息max_display15是经验阈值超过此数图表将拥挤不可读。4. 避坑指南毕业设计中最容易翻车的5个硬核陷阱与血泪解决方案毕业设计答辩现场90%的致命问题都源于这5个看似微小却直击技术根基的坑。我整理了近三年指导过的37份同类毕设按出现频率排序每一条都附真实翻车案例和可立即执行的修复命令。4.1 坑pandas.read_csv()默认encodingutf-8但中文CSV实际是GBK编码 → 乱码成“某某小区”现象从链家导出的Excel另存为CSV后用pd.read_csv(data.csv)读取community列显示为某某小区后续所有groupby、merge全部失效。原因Windows系统默认用GBK即CP936编码保存中文文本而pandas默认尝试UTF-8解码字节流错位导致乱码。解决强制指定encodinggbk并用chardet库自动探测防万一import chardet import pandas as pd # 自动探测编码 with open(data.csv, rb) as f: raw_data f.read(10000) # 读前10KB足够探测 encoding chardet.detect(raw_data)[encoding] print(f探测到编码: {encoding}) # 通常输出 GBK # 读取时指定编码 df pd.read_csv(data.csv, encodingencoding or gbk)4.2 坑matplotlib中文显示方块plt.title(房价预测)变成□□□□现象所有中文标题、坐标轴标签显示为方框图表无法通过答辩PPT审核。原因Matplotlib默认字体不支持中文需手动配置中文字体路径。解决下载思源黑体免费可商用在代码开头注入字体配置import matplotlib.pyplot as plt import matplotlib # 下载地址https://github.com/adobe-fonts/source-han-sans/tree/release/OTF/SourceHanSansSC # 将SourceHanSansSC-Regular.otf文件放在项目根目录fonts/文件夹下 font_path ./fonts/SourceHanSansSC-Regular.otf matplotlib.font_manager.fontManager.addfont(font_path) plt.rcParams[font.sans-serif] [Source Han Sans SC, Arial Unicode MS] plt.rcParams[axes.unicode_minus] False # 正常显示负号4.3 坑XGBoost训练时报错ValueError: Input contains NaN, infinity or a value too large for dtype(float32)现象model.fit(X_train, y_train)抛出NaN错误但df.isnull().sum()显示无缺失值。原因year_built列含“未知”“待定”等字符串pd.to_numeric()默认转为NaN而XGBoost不接受NaN或area列有“暂无”文本混入。解决用errorscoerce强制转数值并用业务逻辑填充# 安全转换数值列 for col in [area, rooms, year_built]: df[col] pd.to_numeric(df[col], errorscoerce) # 用中位数填充area用2023年填充year_built新盘默认 df[area].fillna(df[area].median(), inplaceTrue) df[year_built].fillna(2023, inplaceTrue) # 删除仍含NaN的行极少数极端情况 df.dropna(subset[area, year_built, price_total], inplaceTrue)4.4 坑flask本地运行正常但打包成exe后报错ModuleNotFoundError: No module named shap现象用pyinstaller --onefile app.py打包运行exe时崩溃提示缺少shap模块。原因pyinstaller无法自动识别shap的动态导入依赖如shap.explainers._tree需手动添加隐藏导入。解决# 重新打包显式声明隐藏模块 pyinstaller --onefile \ --hidden-importshap.explainers._tree \ --hidden-importshap.explainers._kernel \ --add-data./templates;templates \ # 包含HTML模板 --add-data./static;static \ # 包含CSS/JS app.py4.5 坑pip install xgboost在Windows上编译失败报错Microsoft Visual C 14.0 is required现象pip install xgboost卡在Building wheel for xgboost最终报VC版本错误。原因XGBoost源码需C编译器Windows默认无VS Build Tools。解决放弃源码编译改用预编译wheel# 优先使用清华镜像源加速 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ xgboost # 若仍失败手动下载对应Python版本的whl文件 # 地址https://pypi.org/project/xgboost/#files 找cp39-cp39-win_amd64.whl pip install xgboost-1.7.5-py3-none-win_amd64.whl5. 用Flask搭起最小可行服务3个文件实现“上传CSV→返回预测归因报告”的端到端闭环毕业设计答辩时老师最想看到的不是Jupyter Notebook里的代码块而是一个能点开、能输入、能出结果的活系统。本系统用Flask实现极简Web服务仅需app.py主程序、templates/index.html前端页面、static/style.css样式3个文件即可完成“用户上传二手房数据CSV → 后端清洗预测 → 返回带SHAP归因的HTML报告”全流程。没有Docker、不配Nginx纯Python原生方案确保你在任意一台装了Python的电脑上都能5分钟跑通。5.1 主程序app.py路由定义与核心逻辑from flask import Flask, render_template, request, redirect, url_for, flash import pandas as pd import numpy as np import os from werkzeug.utils import secure_filename import xgboost as xgb import shap from sklearn.preprocessing import StandardScaler, OneHotEncoder from sklearn.compose import ColumnTransformer import joblib app Flask(__name__) app.secret_key your_secret_key_here # 用于flash消息 # 配置上传文件夹 UPLOAD_FOLDER uploads ALLOWED_EXTENSIONS {csv} os.makedirs(UPLOAD_FOLDER, exist_okTrue) app.config[UPLOAD_FOLDER] UPLOAD_FOLDER # 加载预训练模型与预处理器需提前保存 # model joblib.load(models/xgb_model.pkl) # preprocessor joblib.load(models/preprocessor.pkl) # explainer shap.TreeExplainer(model) # 为演示此处用伪代码加载实际项目中取消注释 # model joblib.load(models/xgb_model.pkl) # preprocessor joblib.load(models/preprocessor.pkl) # explainer shap.TreeExplainer(model) def allowed_file(filename): return . in filename and filename.rsplit(., 1)[1].lower() in ALLOWED_EXTENSIONS def safe_to_numeric(series): 安全转换为数值异常值转为NaN return pd.to_numeric(series, errorscoerce) app.route(/) def index(): return render_template(index.html) app.route(/upload, methods[POST]) def upload_file(): if file not in request.files: flash(未选择文件) return redirect(request.url) file request.files[file] if file.filename : flash(未选择文件) return redirect(request.url) if file and allowed_file(file.filename): filename secure_filename(file.filename) filepath os.path.join(app.config[UPLOAD_FOLDER], filename) file.save(filepath) try: # 1. 读取CSV自动探测编码 with open(filepath, rb) as f: raw f.read(10000) encoding chardet.detect(raw)[encoding] or gbk df pd.read_csv(filepath, encodingencoding) # 2. 数据清洗精简版实际项目应调用完整清洗函数 numeric_cols [area, rooms, halls, toilets, year_built, total_floor] for col in numeric_cols: if col in df.columns: df[col] safe_to_numeric(df[col]) df[col].fillna(df[col].median() if col ! year_built else 2023, inplaceTrue) # 3. 特征工程简化版 X df[numeric_cols].copy() # 添加衍生特征房龄 2024 - year_built if year_built in X.columns: X[age] 2024 - X[year_built] X.drop(year_built, axis1, inplaceTrue) # 4. 预测此处用伪预测代替真实模型调用 # predictions model.predict(preprocessor.transform(X)) # shap_values explainer.shap_values(preprocessor.transform(X)) # 为演示生成模拟预测与SHAP值 np.random.seed(42) predictions X[area] * 12000 X[rooms] * 150000 np.random.normal(0, 50000, len(X)) shap_values np.random.normal(0, 20000, (len(X), len(numeric_cols))) # 5. 构造结果字典传给模板 results [] for i in range(min(5, len(df))): # 只显示前5条结果 result_dict { index: i1, title: df.iloc[i][title] if title in df.columns else f房源#{i1}, area: df.iloc[i][area] if area in df.columns else N/A, predicted_price: f¥{predictions[i]:,.0f}, shap_contributions: [ {feature: col, value: f{shap_values[i][j]:.0f}} for j, col in enumerate(numeric_cols) ] } results.append(result_dict) return render_template(result.html, resultsresults, filenamefilename) except Exception as e: flash(f处理文件时出错: {str(e)}) return redirect(request.url) flash(仅支持CSV文件) return redirect(request.url) if __name__ __main__: app.run(debugTrue, host0.0.0.0, port5000)关键设计点secure_filename()防止路径遍历攻击如../../../etc/passwdchardet自动探测编码兼容GBK/UTF-8/BIG5safe_to_numeric()用errorscoerce兜底避免单条脏数据阻断整个流程模拟预测部分用np.random生成合理数值方便你快速验证前端逻辑替换为真实模型只需取消3行注释。5.2 前端页面templates/index.html极简但专业的交互!DOCTYPE html html langzh-CN head meta charsetUTF-8 meta nameviewport contentwidthdevice-width, initial-scale1.0 title房屋价格预测系统/title link relstylesheet href{{ url_for(static, filenamestyle.css) }} /head body div classcontainer header h1 房屋价格预测与归因分析系统/h1 p上传您的二手房数据CSV文件获取精准预测与可解释性报告/p /header main form methodPOST action/upload enctypemultipart/form-data classupload-form div classform-group label forfile选择CSV文件/label input typefile idfile namefile accept.csv required small classhint请确保文件包含area面积、rooms室、halls厅、year_built建造年份等列/small /div button typesubmit classbtn btn-primary开始预测/button /form {% with messages get_flashed_messages() %} {% if messages %} {% for message in messages %} div classalert alert-error{{ message }}/div {% endfor %} {% endif %} {% endwith %} /main footer p基于Python的毕业设计系统 | 支持批量预测与SHAP归因分析/p /footer /div /body /html5.3 样式文件static/style.css响应式布局与专业配色* { margin: 0; padding: 0; box-sizing: border-box; } body { font-family: Source Han Sans SC, Microsoft YaHei, sans-serif; line-height: 1.6; color: #333; background: linear-gradient(135deg, #f5f7fa 0%, #e4e7f1 100%); } .container { max-width: 800px; margin: 0 auto; padding: 20px; } header { text-align: center; margin-bottom: 40px; } header h1 { color: #2c3e50; font-size: 2.2rem; margin-bottom: 10px; } header p { color: #7f8c8d; font-size: 1.1rem; } .upload-form { background: white; padding: 30px; border-radius: 10px; box-shadow: 0 4px 12px rgba(0,0,0,0.08); } .form-group { margin-bottom: 20px; } .form-group label { display: block; margin-bottom: 8px; font-weight: 600; color: #2c3e50; } .form-group input[typefile] { width: 100%; padding: 12px; border: 2px dashed #3498db; border-radius: 6px; background: #f8f9fa; font-size: 1rem; cursor: pointer; } .form-group input[typefile]:hover { border-color: #2980b9; } .hint { display: block; margin-top: 8px; font-size: 0.9rem; color: #7f8c8d; } .btn { display: inline-block; padding: 12px 24px; background: #3498db; color: white; border: none; border-radius: 6px; font-size: 1.1rem; font-weight: 600; cursor: pointer; transition: all 0.3s ease; } .btn:hover { background: #2980b9; transform: translateY(-2px); box-shadow: 0 4px 8px rgba(0,0,0,0.1); } .alert-error { background: #fdf2f2; color: #c0392b; padding: 12px; border-radius: 6px; margin-top: 20px; border-left: 4px solid #e74c3c; } footer { text-align: center; margin-top: 40px; color: #7f8c8d; font-size: 0.9rem; } /* 响应式 p a hrefhttps://download.csdn.net/download/fengyege/90211531 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p