简介：Python 词云完整教程 PDF 面向文本挖掘与数据可视化初学者及中级用户，围绕 wordcloud 与 matplotlib 两库，系统讲解从文本预处理、权重计算到词云生成、展示与保存的完整流程，并给出 PyCharm、Python 3.7 及对应库版本的环境配置参考。内容以7个递进案例展开，既包含最简调用，也覆盖中文不分词、中文分词、蒙版形状、自定义配色以及按关键词和权重定制词云等进阶用法，可服务于项目报告、数据分析、社交媒体监控与教学演示等场景。资源包共1个PDF文件，大小约2.07MB，单文件便于通读与按案例检索，代码示例和运行结果可辅助对照练习。已有109人学习，适合希望快速掌握词云制作思路并积累可视化实践的读者。

1. 从一份纯文本到一张能进报告的图：这套词云方案先解决什么

做文本分析类课设的人，常常卡在同一个地方：词频统计跑完了，结论也有了，最后要放进报告，手里却只有一张 Excel 截图或者一段控制台输出。评审要的是“扫一眼就知道这批文本在讲什么”的图，不是一串数字。这套 Python 词云方案处理的正是最后这一步：拿一份纯文本进去，从最简的一次调用开始，依次叠加中文分词、蒙版形状、蒙版取色、自定义颜色函数，最后落到按关键词权重生成。七个案例层层递进，每一层只增加一个变量，出问题能立刻定位到是哪一层引入的。它适合正在做文本挖掘、舆情观察、课程报告的在校生，也适合需要把分析结论放进汇报材料的从业者。整套流程只依赖 wordcloud、matplotlib、jieba 三个库，环境是 Python 3.7 + wordcloud 1.9.3 + matplotlib 3.5.3，换一份文本、改几个参数就能直接跑自己的数据。

2. 环境与工程骨架：Python 3.7 + wordcloud 1.9.3 的最小可运行结构

2.1 依赖清单与版本约束

词云这条链路上的库不算多，但每个位置都有明确分工，少一个环节就出不了图。先把它们列清楚，后面看代码时才知道每一行在跟谁打交道。

安装命令按教程给的版本号固定下来，这一步不要图省事直接pip install wordcloud。原因很简单：wordcloud 在 1.x 早期版本和 1.9.x 之间对mask、background_color=None的处理细节有差异，而网上能搜到的绝大部分报错帖写的又不是同一个版本，版本一漂，你照着帖子改反而越改越乱。

# 三个核心库，版本按教程固定，避免接口行为漂移 pip install wordcloud==1.9.3 pip install matplotlib==3.5.3 pip install jieba # 装完自检，确认版本和教程一致再往下走 python -c "import wordcloud, matplotlib; print(wordcloud.__version__, matplotlib.__version__)"

这里有一个大多数人都会遇到的麻烦：wordcloud 带 C 扩展，在 Windows 上如果没匹配到现成的 wheel 包，pip 会退回去做源码编译，然后报一串Microsoft Visual C++ 14.0 is required。遇到这种情况不要装编译器，先确认 Python 是 3.7 的 64 位版本，再升级 pip 让它能拉到对应的 wheel；实在拉不到，就退到 32 位 Python 或者换一个 prebuilt wheel 装。这一步解决不了，后面七个案例一行都跑不起来。

2.2 目录结构与七个案例的分层

七个案例如果全塞进一个.py文件，变量名会互相污染，改一个地方要重新确认另外六段还对不对，调试体验很差。我一般按“一个案例一个入口文件”来摆，把读文本、分词、字体路径这三件重复出现的活抽到common.py里。

wordcloud_demo/ ├── data/ │ ├── sample.txt # 无分词场景的纯文本 │ └── book.txt # 中文长文本，utf-8 编码 ├── fonts/ │ └── cn_font.ttf # 中文字体，ttf 或 otf 都可以 ├── masks/ │ ├── black_mask.png # 纯形状蒙版，黑白二值 │ └── color_mask.png # 带颜色的蒙版，用于取色 ├── outputs/ # 生成的 png 统一落这里 ├── common.py # 读文本、分词、字体路径 ├── case01_minimal.py ├── case02_cn_nocut.py ├── case03_cn_cut.py ├── case04_mask.py ├── case05_mask_color.py ├── case06_color_func.py └── case07_tfidf.py

这么分层的好处是每个案例只改一件事：案例 02 只换字体和画布参数，案例 03 只插入分词，案例 04 只加 mask。跑出来效果不对时，把上一个案例再跑一次，两边一对比，问题范围立刻被限制在新增的那几行里。这也是整套方案能当“模板”复用的关键——你以后接了新数据，只需要动data/和common.py，七个入口文件基本不用改。

2.3 文本入口与字体路径的统一约定

词云代码里最常见的柔性问题，其实是路径和编码：脚本在 PyCharm 里点运行能出图，换到命令行python case03_cn_cut.py就报FileNotFoundError，因为相对路径是跟着当前工作目录走的。把路径统一在common.py里基于脚本自身位置拼出来，这一类问题就一次性消掉了。

# common.py import os import jieba # 以 common.py 所在目录为基准，避免工作目录不同导致的找不到文件 BASE = os.path.dirname(os.path.abspath(__file__)) def read_text(rel_path, encoding='utf-8'): """按 utf-8 读文本；遇到 gbk 文本时把 encoding 换成 'gbk' 再调一次""" path = os.path.join(BASE, rel_path) with open(path, 'r', encoding=encoding) as f: return f.read() def cut(text, stop_words=None): """jieba 精确模式分词，过滤单字和停用词后拼回空格分隔的字符串""" tokens = [] for w in jieba.cut(text): w = w.strip() if len(w) < 2: # 单字多数是虚词，先丢掉 continue if stop_words and w in stop_words: continue tokens.append(w) return ' '.join(tokens) # 字体路径同样基于脚本位置，Windows 可换成 C:/Windows/Fonts/simhei.ttf 的绝对路径 FONT = os.path.join(BASE, 'fonts', 'cn_font.ttf')

read_text里显式写encoding='utf-8'不是可选动作。中文文本在 Windows 上默认按 GBK 解码，遇到 utf-8 内容会抛UnicodeDecodeError，而报错行号往往落在f.read()上，看起来像文件坏了，其实只是编码没对上。cut里过滤掉长度为 1 的词，是因为中文分词结果里“的、了、是、在”这类单字占比很高，不滤掉它们会占满画布上最好的位置。停用词表我一般单独放一个stopwords.txt，按行读取成 set 传进来，官方库自带的停用词只对英文有效，中文这块必须自己补。

提示：字体文件不要用系统里随便找一个的 ttf，优先选字重完整的中文字体。缺字的字体不会报错，只会在画布上留下一排方块，排查起来很绕。

3. 七个案例的递进设计：从三行调用到权重驱动

3.1 案例 01-02：先跑通默认调用，再解决中文直出

案例 01 的作用不是出效果图，而是验证环境。它把所有可调项都用默认值，只要这张图能出来，就说明 wordcloud 和 matplotlib 装对了、文本能读到、画布能渲染，后面所有问题都可以排除掉环境因素。

# case01_minimal.py # -*- coding: utf-8 -*- from wordcloud import WordCloud import matplotlib.pyplot as plt from common import read_text # 读入文本，默认英文/无空格分隔场景 text = read_text('data/sample.txt') # 全部用默认参数：画布 400x200，白色背景，按空格切词 wc = WordCloud().generate(text) # 显示：bilinear 让缩放更平滑，axis off 去掉坐标轴 plt.imshow(wc, interpolation='bilinear') plt.axis('off') plt.show() # 落盘，后续所有案例都统一输出到 outputs/ wc.to_file('outputs/case01.png')

generate(text)内部做了三件事：按空格切词、统计词频、按词频分配字号并把词排进画布。默认画布只有 400x200，词一多就会显得挤，interpolation='bilinear'解决的是显示时的插值锯齿，跟导出图片的清晰度无关，这一点很多人会混淆。

案例 02 把中文文本直接丢进去，只增加三个参数：font_path指定中文字体、width/height把画布放大到 800x600、mode='RGBA'加background_color=None得到透明背景。

# case02_cn_nocut.py from wordcloud import WordCloud import matplotlib.pyplot as plt from common import read_text, FONT text = read_text('data/book.txt') wc = WordCloud( font_path=FONT, # 中文字体，缺了它整张图都是方块 width=800, height=600, # 画布放大，避免词挤成一团 mode='RGBA', # 带透明通道 background_color=None, # 背景透明，方便贴到 PPT 或海报上 ).generate(text)

这个案例故意不做分词，是为了让你亲眼看到不分词的后果：整段中文因为中间没有空格，会被 WordCloud 当成一个超长“单词”，画布上只出现几个巨大的词块，或者干脆一片空白。这个“错误示范”很有价值，它把分词的必需性从一句结论变成了你亲眼见过的现象，后面答辩被问到“为什么要用 jieba”时，这就是最好的回答素材。

3.2 案例 03：jieba 分词接入，把长句拆成可统计的词

中文没有空格分隔，WordCloud 拿到的必须是用空格隔开的词序列，中间这一层就由 jieba 补上。改动只有一行，但它是整条链路的分水岭。

# case03_cn_cut.py from wordcloud import WordCloud import matplotlib.pyplot as plt import jieba from common import read_text, FONT text = read_text('data/book.txt') # 精确模式切词，再用空格拼回去交给 WordCloud text = ' '.join(jieba.cut(text)) print(text[:100]) # 打印前 100 字符，肉眼确认切得对不对 wc = WordCloud( font_path=FONT, width=800, height=600, mode='RGBA', background_color=None, ).generate(text) plt.imshow(wc, interpolation='bilinear') plt.axis('off') plt.show() wc.to_file('outputs/case03.png')

jieba.cut(text)返回的是生成器，不是列表，所以必须用' '.join()消费掉再传给 WordCloud；直接传生成器进去会触发类型错误。jieba.cut默认是精确模式，另有全模式和搜索引擎模式：全模式把句子里所有可能成词的部分都切出来，速度快但歧义多，词云上会冒出大量碎片词；搜索引擎模式在精确模式基础上对长词再切一次，召回率更高。词云场景我一般只用精确模式，因为画布空间有限，宁可少几个词，也不要一堆切碎的半截词把版面撑乱。

打印前 100 个字符这一步别省。分词切错（比如人名被拆成两个字、专业术语被拦腰截断）在图上不一定看得出来，但在文本层面一眼就能发现。真遇到专有名词被切碎，jieba.load_userdict('dict.txt')加载一份自定义词典，一行一个词，效果立竿见影。

3.3 案例 04-05：蒙版形状与蒙版取色，把方图变成图形

默认词云永远是矩形，放进设计稿里很突兀。案例 04 用 mask 把词的排布限制在一个形状内，案例 05 再让词的颜色从一张彩色图上取，两步合起来就是“形状 + 配色”都跟着素材走。

# case04_mask.py from wordcloud import WordCloud from PIL import Image import numpy as np import matplotlib.pyplot as plt import jieba from common import read_text, FONT text = ' '.join(jieba.cut(read_text('data/book.txt'))) # 蒙版必须是 ndarray，形状决定词的落点分布 mask = np.array(Image.open('masks/black_mask.png')) wc = WordCloud( mask=mask, # 传了 mask 后，width/height 会被忽略 font_path=FONT, mode='RGBA', background_color=None, ).generate(text) plt.imshow(wc, interpolation='bilinear') plt.axis('off') plt.show() wc.to_file('outputs/case04.png')

关键点在 mask 的像素语义：WordCloud 把 mask 里接近白色（255）的区域当作不绘制区，非白区域才是词的落点。所以做蒙版图时，想要出词的地方涂黑、不要的地方留白，这跟多数人凭直觉画的“白色是主体”正好相反，也是后面避坑章节要重点讲的一条。另外，一旦传了mask，代码里再写width=800是不会生效的，画布尺寸直接由蒙版图片的像素尺寸决定，蒙版太大（比如 4000px 宽）会让排布慢到几十秒。

案例 05 在案例 04 基础上多一个取色步骤：ImageColorGenerator读取蒙版的颜色分布，recolor把词的颜色替换成对应位置的颜色。

# case05_mask_color.py from wordcloud import WordCloud, ImageColorGenerator from PIL import Image import numpy as np import matplotlib.pyplot as plt import jieba from common import read_text, FONT text = ' '.join(jieba.cut(read_text('data/book.txt'))) mask = np.array(Image.open('masks/color_mask.png')) wc = WordCloud(mask=mask, font_path=FONT, mode='RGBA', background_color=None).generate(text) # 从彩色蒙版里提取颜色，再重新着色；顺序不能反，必须在 generate 之后 image_colors = ImageColorGenerator(mask) wc.recolor(color_func=image_colors) plt.imshow(wc, interpolation='bilinear') plt.axis('off') plt.show() wc.to_file('outputs/case05.png')

recolor的调用时机是硬约束：它改的是已经排好版的词的字体颜色，如果放在generate之前，词还没生成，改了也是白改。这一条在排查颜色失效时排第一位。

3.4 案例 06-07：自定义颜色函数与权重驱动

案例 06 把取色逻辑从“跟着图片走”换成“自己算”。color_func接收一个回调，参数里有词、字号、位置、方向等，返回一个颜色字符串，HSL 写法在控制亮度上比 RGB 更直观。

# case06_color_func.py import random from wordcloud import WordCloud from PIL import Image import numpy as np import matplotlib.pyplot as plt import jieba from common import read_text, FONT text = ' '.join(jieba.cut(read_text('data/book.txt'))) mask = np.array(Image.open('masks/color_mask.png')) def random_color(word, font_size, position, orientation, font_path, random_state): """固定饱和度与亮度区间，只让色相随机，整张图不会花掉""" return 'hsl(0, %d%%, %d%%)' % ( random.randint(60, 80), # 饱和度 60%~80% random.randint(60, 80), # 亮度 60%~80% ) wc = WordCloud( color_func=random_color, mask=mask, font_path=FONT, mode='RGBA', background_color=None, ).generate(text) wc.to_file('outputs/case06.png')

这个函数的签名是 WordCloud 规定的，六个参数顺序不能改，但你不一定全用。案例里色相固定为 0（红系），只让饱和度和亮度抖动，得到的是同一色系的深浅变化；想换色系就把第一个 0 改成 200（蓝系）或 120（绿系）。如果三个通道全随机，图会变得像打翻的调色盘，正式报告里不建议这么做。

案例 07 是全篇的收口：不再按词频定字号，而是先用 TF-IDF 抽出关键词和权重，再把字典直接喂给词云。

# case07_tfidf.py from wordcloud import WordCloud, ImageColorGenerator from PIL import Image import numpy as np import matplotlib.pyplot as plt import jieba.analyse from common import read_text, FONT text = read_text('data/book.txt') # topK 控制取前多少个词，withWeight 让返回值带上权重 freq = jieba.analyse.extract_tags(text, topK=200, withWeight=True) print(freq[:20]) # 先看前 20 个词合不合理 freq = {i[0]: i[1] for i in freq} # 转成 {词: 权重} 字典 mask = np.array(Image.open('masks/color_mask.png')) wc = WordCloud( mask=mask, font_path=FONT, mode='RGBA', background_color=None, ).generate_from_frequencies(freq) # 注意：这里不用 generate image_colors = ImageColorGenerator(mask) wc.recolor(color_func=image_colors) wc.to_file('outputs/case07.png')

这里换成了generate_from_frequencies，它接收的是字典而不是原始文本，意味着分词、去停用词、算权重全在外部完成，WordCloud 只负责排版。topK=200是个经验值：太少图会稀疏，太多小词挤在一起看不清，200 上下通常能兼顾信息量和观感。extract_tags默认用 TF-IDF，词在本文档里出现得多、在整个语料里出现得少，权重就高，比单纯数词频更能反映主题词。

4. 关键参数与数据流：WordCloud 对象内部到底发生了什么

4.1 画布参数：width、height、mode、background_color 怎么配

这几个参数经常被当成“随便填填”，实际上它们互相牵制。传了mask之后width/height失效；mode='RGBA'只有在background_color=None时才有意义，两者要一起写才能拿到透明背景；如果只写background_color=None但 mode 还是默认的RGB，导出的图背景会是黑的。

max_words值得单独说一句。它限制的是进入排版的词的种类数，不是出现次数。文本很长时，把max_words从 200 提到 500，图会明显变密，但排布耗时也会上去；如果只是想让人看清主题，200 完全够用，堆得太满反而没人愿意看。

4.2 generate 与 generate_from_frequencies 的分工

这两个方法是最容易被混用的一对。generate(text)接收一段用空格分好词的字符串，内部自己统计词频；generate_from_frequencies(dict)接收一个现成的{词: 权重}字典，跳过分词和统计。

# 两条路径的输入形态完全不同，混用会直接报错 wc.generate('词1 词2 词3') # 输入：空格分隔的字符串 wc.generate_from_frequencies({'词1': 0.8, '词2': 0.3}) # 输入：字典

选择依据很简单：数据源已经做过分词、或者权重来自 TF-IDF 这类外部算法，就用generate_from_frequencies；只是想把一段文本快速可视化，就用generate。前者的可控性明显更强——你可以手动往字典里加词、调权重、剔除不想出现的词，而generate里的停用词过滤只能靠stopwords参数，粒度粗得多。做正式交付时我更倾向后者，因为图上的每一个词都是自己确认过的。

4.3 颜色链路：mask 取色、color_func、recolor 三者的执行顺序

颜色这条链上有三个角色，顺序错了就出不来效果。正确的执行次序是：先generate（或generate_from_frequencies）把词排好，再决定颜色，最后to_file落盘。

wc.generate(text) # 第一步：排词 image_colors = ImageColorGenerator(mask) # 第二步：准备取色器 wc.recolor(color_func=image_colors) # 第三步：着色 wc.to_file('outputs/final.png') # 第四步：落盘

ImageColorGenerator取的是蒙版对应像素位置的 RGB 值，所以它要求蒙版必须是彩色的三通道图。如果蒙版是一张灰度图（mode 为L），取出来全是灰阶，效果会非常寡淡；如果蒙版带 alpha 通道，np.array出来是四通道，部分版本的 wordcloud 会直接抛形状异常。稳妥做法是读进来后统一Image.open(...).convert('RGB')再转数组。

color_func和recolor是同一件事的两种写法：构造时传color_func=，等价于生成后调recolor(color_func=...)。前者写起来更紧凑，后者在需要“先生成再决定配色”的场景里更灵活，我一般用后者，因为改配色时不用重跑排布。

4.4 输出落盘：to_file、尺寸与清晰度的关系

wc.to_file()直接按对象内部的画布尺寸出图，没有额外的 DPI 参数可调。想要更清晰的成品图，只有两条路：把width/height调大，或者把蒙版图本身做大。这不是玄学，是 wordcloud 的输出机制决定的——它输出的是像素图，画布多大图就多大。

# 想要 2 倍清晰度：把画布和蒙版一起放大，字体同步变细 wc = WordCloud(mask=mask, font_path=FONT, width=1600, height=1200, mode='RGBA', background_color=None, max_font_size=200) wc.generate(text) wc.to_file('outputs/hd.png') # 尺寸随之变成 1600x1200 左右

放大画布后要同步调max_font_size，否则最大的词会顶满画布边缘，被裁掉一部分。outputs/目录记得先在脚本里建好，to_file不会自动创建父目录，路径不存在时报的是FileNotFoundError，看起来像 wordcloud 的问题，其实是路径问题。

5. 避坑与排查：中文乱码、蒙版全黑、颜色失效的处理顺序

5.1 中文全是方块，或者整段文本糊成一坨

现象：图上确实有词，但每个字都是空心方块，或者只有寥寥几个巨大到看不清的词块。

原因：前者是font_path没生效——要么路径写错但没报错（部分环境下会静默回退到默认字体），要么字体文件本身不含中文。后者是中文没做分词，整段话被当成一个“词”，字号被撑到极大。

解决：先在代码里print(os.path.exists(FONT))确认字体文件真的在，再print(text[:100])确认分词输出里带空格。两条都过了还出方块，换一个确定含中文字形的 ttf 再试。中文场景下core的两步（字体 + 分词）缺一不可，只补其中一步是没用的。

5.2 蒙版出来一片空白，或者背景全是黑的

现象：传了 mask 之后，图上要么只剩零星几个词，要么整个背景被填成黑色。

原因：一是 mask 的像素语义反了，WordCloud 把接近白色的区域当作不可绘制区，很多人凭直觉把主体画成白色，结果主体位置一个词都没有。二是background_color=None和mode没配套，默认RGB模式下给None会得到黑底。

解决：把蒙版重新导出，主体涂成纯黑或深色，背景纯白，存成不带 alpha 的 PNG。背景透明则固定写成mode='RGBA', background_color=None这两行一起。判断蒙版有没有问题，最快的方式是plt.imshow(mask)先把蒙版本身显示出来看一眼，别靠猜。

5.3 取色完全没效果，词还是单色

现象：调了ImageColorGenerator，但图上的词颜色和蒙版对不上，或者干脆全是同一种颜色。

原因：八成是recolor写在了generate之前；剩下两成是蒙版是灰度图或四通道图，取不到有效的 RGB 值。

解决：把顺序固定成“先生成、再 recolor、最后 to_file”，蒙版读入时统一.convert('RGB')。另外ImageColorGenerator的取色是基于词的落点位置去采蒙版对应像素，蒙版尺寸和画布差距太大时颜色会很集中，把蒙版裁到和预期画布接近的比例，效果会自然很多。

5.4 词云里全是“的、了、是”，关键词被挤没了

现象：图很大、词很多，但最显眼的都是虚词，真正想突出的名词反而很小。

原因：中文分词后高频虚词天然占据词频榜首，stopwords参数默认只对英文有效，中文停用词不会自动过滤。

解决：自备一份停用词表，按行读取成 set，在分词阶段和stopwords=参数里各过一遍。更彻底的做法是走案例 07 的 TF-IDF 路线，虚词虽然词频高，但在文档间的区分度低，权重自然被压下去，这一步比手工剔除停用词更稳。

5.5 脚本跑了几分钟还不出图

现象：命令行卡住不动，CPU 占满，内存缓慢上涨。

原因：蒙版尺寸太大（比如 4000x3000），或者max_words设到了上千，排布算法要在有限区域内为每个词找不重叠的位置，词越多、空间越大，耗时增长非常快。

解决：蒙版宽度控制在 2000px 以内，max_words控制在 200~500。真要出高清大图，先用小尺寸参数调好效果，确认无误后再放大跑一次，别在小尺寸上反复试错的同时还扛着大画布的耗时。

5.6 一份从上到下的排查顺序

出问题时不要同时改三处，按下面的顺序单点推进，每次只改一个变量：

1. 先跑案例 01，确认环境和库版本没问题；
2. 换成中文文本，确认字体路径生效（看是否出方块）；
3. 加分词，打印前 100 字符肉眼检查切词质量；
4. 加 mask，先imshow(mask)看蒙版本身对不对；
5. 加取色，确认recolor在generate之后；
6. 最后调max_words和画布尺寸，优化观感。

这个顺序的价值在于：任何一步出错，问题一定出在刚加的那一步，不会跟前面的环节混在一起。血泪经验是，多数人出问题后的第一反应是同时改字体、改分词、改蒙版，改完发现好了，但不知道为什么好，下次遇到同类问题还是不会。

6. 验收与答辩：用一张对照表证明词云不是随手跑的

词云这类可视化最容易在答辩现场被问倒的一句话是：“这张图好看，但它说明了什么？”如果答不上来，前面所有的参数调试都会被判定成“调包”。我在交这类作业前会强制自己走一遍下面这张对照表，六个检查项全部能回答，才允许自己导出最终图。

这六项里，最容易被忽略的是最后一项。评审老师如果当场让你换一个目录跑一遍，路径写死成绝对路径的脚本会立刻露馅，而这一条恰恰是“能不能当模板复用”的分水岭。我的习惯是把data/、fonts/、masks/三个目录跟代码一起打包，common.py里所有路径都基于os.path.dirname(os.path.abspath(__file__))拼出来，交付时整个目录拷走就能跑。

另一个高频追问是“为什么不用现成的在线词云工具”。这个问题的答案不在工具本身，而在可控性：在线工具拿不到分词这一层，也没法按 TF-IDF 权重出图，做舆情或报告时你想剔除某几个词、想突出某几个词，它做不到。案例 07 的字典输入方式才是能写进方案的形态——权重从哪来、词表怎么定，全在代码里，每一步都能被追问、被复现。

答辩现场还有一个小技巧：不要只展示最终那张图，把案例 01 到 07 的七张图并排放在一页 PPT 上，从“最简调用”讲到“权重驱动”，每一张对应一个新变量。这比讲十分钟原理更有说服力，因为它直接证明了整个过程是可控的、每一步都有据可查。从那以后我每次交这类可视化作业，都强制自己先把这七张图按顺序跑一遍再动手写报告，因为图上任何一个不自然的细节，都会在答辩时变成第一个被问到的问题。希望帮到你。

本文还有配套的精品资源，点击获取