企业官网建设流程全解析

聊到Python开发基础，很多人第一反应是“语法简单、上手快”，但真到自己动手时，往往第一关就被环境安装卡住：官网下载好了装不上、解释器找不到、代码一跑就报错。我接触Python这些年，从写自动化脚本到爬虫、数据分析、量化回测，踩过的坑几乎覆盖了新手能遇到的所有问题。这篇内容我不打算给你堆概念，而是按一条完整的实操路线来走：先把解释器和编辑器装明白，再搞定基础语法与核心数据结构，接着把常用第三方库和真实场景串起来，最后把高频报错和填坑技巧一次性写清楚。不管你是零基础入门，还是有一定经验想补全体系，都不妨顺着这条路走一遍。

为什么Python值得学？它几乎成了当下的通用语言——Web后端、数据采集、数据分析、人工智能、自动化办公、量化交易、游戏外挂式脚本，到处都能看到它的身影。而且Python生态里大量成熟库能让你把想法快速变成现实，比如用requests写爬虫、用pandas处理表格、用sklearn做机器学习，甚至用PyInstaller把脚本打包成exe丢给别人用。这些能力不要求你有计算机专业背景，只要愿意动手，完全可以在短期内建立自己的工具箱。

1. Python环境搭建：安装与编辑器选择的完整思路

先别急着写代码，环境装对了才能省心。很多初学者以为“装个Python = 双击下一步”，结果遇到PATH没勾选、版本装错、库装到别的解释器上，白白浪费一整天。我们先把这部分彻底理顺。

1.1 官网下载与版本选择

Python官方统一下载地址是python.org/downloads，进去后你会看到一个大大的黄色按钮。我建议选稳定版，比如3.10或3.11系列，而不是最新的3.13或beta版。原因很简单：第三方库的兼容性往往滞后，你要是装了个刚发布的新版本，可能连numpy都装不上，或者装上后莫名报错。社区里流传的“Python 3.8以后性能变化很大”其实只是细节差异，真正实用主义的选择是3.10或3.11，它们兼容性极好，主流库全部支持。

在Windows下下载时，注意区分32位和64位，现在绝大多数电脑都是64位，选“Windows installer (64-bit)”即可。双击安装程序后，第一屏最下面有一个“Add Python to PATH”复选框，这句话翻译过来就是“把Python加入系统环境变量”。千万记得勾上，不然后面在命令行里执行python会提示“python was not found”。

另外，建议选择“Customize installation”，确保安装pip和tcl/tk等组件。pip是Python的包管理器，装第三方库全靠它；tcl/tk是自带GUI库的依赖，虽然以后可能用不到，但有备无患。安装路径可以保持默认，也可以自定义到纯英文目录，比如D:\Python311，不要带中文和空格，理由后面讲。

1.2 Windows和Linux下的安装细节

Windows下安装完成后，按Win+R，输入cmd打开命令行，执行python --version。如果你看到类似Python 3.11.4的输出，说明一切正常；如果提示'python' 不是内部或外部命令，那就是PATH没配上。大部分人其实不是没安装成功，而是安装时漏勾了PATH，解决方案要么重装一次，要么手动去“环境变量”里加。手动添加的方法：此电脑右键 → 属性 → 高级系统设置 → 环境变量 → 在系统变量Path中增加Python安装目录和Scripts目录，比如D:\Python311和D:\Python311\Scripts。

Linux下情况有点不同。系统自带的Python可能是2.x或3.x版本，但千万别用系统的python做开发，因为依赖系统库的包会被你搞乱。推荐用官方方式安装：Ubuntu/Debian执行sudo apt update && sudo apt install python3 python3-pip -y，然后安装python3-venv创建虚拟环境。也可以用Miniconda或pyenv管理多版本，这样可以随时切换Python 3.9、3.10、3.11而不互相干扰。

如果你的服务器是Linux，又希望用Docker运行Python环境，可以写一个精简的Dockerfile：

FROM python:3.11-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple COPY . . CMD ["python", "app.py"]

构建并运行：

docker build -t py-app . docker run -it --rm py-app

python:3.11-slim是官方提供的轻量镜像，自带Python环境。用Docker的好处是环境隔离，你在本机随便折腾，删掉容器就什么都没了，不会再出现“为什么我本地能跑，服务器上跑不了”这类经典问题。

1.3 编辑器与开发环境：vscode和pycharm配置

编辑器我推荐两套方案：喜欢轻量敏捷就选VSCode，喜欢开箱即用的项目工程就选PyCharm。两个我都长期用过，今天把配置步骤写清楚。

VSCode配置Python：先到官网安装VSCode，然后进入扩展商店搜“Python”，安装由微软发布的Python扩展（标识为ms-python.python）。装好后打开一个.py文件，按Ctrl+Shift+P打开命令面板，输入“Python: Select Interpreter”，选择你刚安装的Python版本。如果项目要求依赖隔离，可以在项目根目录执行python -m venv venv创建虚拟环境，然后选择./venv/Scripts/python.exe（Windows）或./venv/bin/python（Linux）。之后在VSCode终端输入pip install numpy就会自动装进这个虚拟环境，不会污染全局。

VSCode里还可以配置默认解释器。按Ctrl+,打开设置，搜索“python.defaultInterpreterPath”，填入你的Python路径。如果你用的是conda环境，路径通常在C:\Users\你的用户名\miniconda3\envs\环境名\python.exe。

PyCharm配置Python：PyCharm有Community免费版，足够日常学习。新建项目时，在“New environment using”中选择“Virtualenv”，Python版本指向你安装的解释器。PyCharm会自动帮你创建虚拟环境，并在右下角显示当前解释器。打开设置里的“Project: 项目名 → Python Interpreter”，可以看到当前环境的已安装包列表，点“+”就能搜索并安装第三方库，比如numpy、pandas、requests。

两者选哪个？我的建议是：如果你的核心需求是爬虫、数据处理、脚本，VSCode完全够用；如果你要写完整项目、用Django/Flask、需要调试断点管理，PyCharm更顺手。不管用哪个，务必理解“解释器”这个概念——你写的代码由哪个Python程序来执行，库就装到对应的site-packages里。很多“我明明pip安装了，但import报错”的困惑，九成都是解释器选错了。

2. 基础语法与核心概念：从变量到函数，零基础也能看懂

环境配好之后，就该进入语法学习。Python的语法在主流语言里是出了名的简洁，但简洁不等于没坑。我见过不少人有C/C++基础，却写出满屏缩进错误。这部分我会把核心概念串起来，配合代码案例，尽量让你看一遍就能上手。

2.1 变量、数据类型与类型转换

Python是动态类型语言，定义变量不需要指定类型：

name = "张三" # 字符串 str age = 25 # 整数 int height = 1.78 # 浮点数 float is_student = True # 布尔 bool money = None # 空值 NoneType

动态类型的意思是变量类型在运行时才确定，且可以被重新赋值。比如age = 25之后，你再执行age = "二十五岁"也不会报错。好处是写起来自由，坏处是你自己得心里有数。写复杂逻辑时，我习惯用带类型提示的写法来降低踩坑率：

def add(a: int, b: int) -> int: return a + b

类型提示不影响运行，但VSCode和PyCharm会根据它给出自动补全和错误提醒，很值得养成习惯。

类型转换是高频操作。用int()把字符串变整数，float()变浮点数，str()变字符串，bool()变布尔。比如：

price = "12.5" total = float(price) * 2 print(total) # 25.0

这里有个新手常踩的坑：字符串和数字不能直接用+拼接，需要先str()转换，或者直接用f-string：

num = 10 print("结果：" + str(num)) print(f"结果：{num}")

Python里还有一个很常用的内置函数abs()，取绝对值。不要觉得它简单，真正写代码时，处理负数边界、计算距离、校验数据都离不开它。abs(-5)返回5，abs(3.2)返回3.2，就这么直接。

2.2 数组切片与数据结构

列表（list）、元组（tuple）、字典（dict）、集合（set）是Python四大内置数据结构。列表用[]定义，可增删改；元组用()定义，不可变；字典用{}存键值对；集合用{}去重。

切片是Python最强大也最易混淆的语法之一，格式是list[start:end:step]，其中start包含，end不包含。来看例子：

nums = [0, 1, 2, 3, 4, 5, 6] print(nums[1:4]) # [1, 2, 3] print(nums[:3]) # [0, 1, 2] print(nums[4:]) # [4, 5, 6] print(nums[::2]) # [0, 2, 4, 6] print(nums[::-1]) # [6, 5, 4, 3, 2, 1, 0]

[::-1]是反转，这个写法非常常用。切片不会修改原列表，而是返回新列表，所以你可以放心地做数据处理。元组也可以切片，字典没那么直接，但可以用dict.items()转成列表再操作。

数据结构里还有一个高频概念是“结构化数据”。简单说，字典、列表、元组这种能描述复杂关系的数据就是结构化数据。比如一个学生信息：

student = { "name": "李雷", "age": 18, "courses": ["数学", "英语"], "address": {"city": "北京", "district": "海淀"} }

这种结构很容易转成JSON字符串（json.dumps(student)），也容易从JSON解析回来（json.loads(data)）。后面爬虫、接口对接、Excel处理全都围绕这套结构转。

2.3 定义函数与作用域

用def定义函数，格式是：

def function_name(param1, param2=default_value): # 函数体 return result

函数可以没有返回值，也可以有多个返回值（实际上返回元组）。常见参数形式包括位置参数、默认参数、关键字参数、*args和**kwargs。

def greet(name, greeting="你好"): return f"{greeting}，{name}！" print(greet("小明")) # 你好，小明！ print(greet("小明", "早上好")) # 早上好，小明！

作用域很重要。函数内部定义的变量是局部变量，外部访问不到；想修改全局变量需用global关键字，不过不推荐滥用。写代码要尽量让函数只靠参数和返回值交流，保持“无副作用”。

举个有趣的例子——李白打酒。原题是：李白街上走，提壶去买酒。遇店加一倍，见花喝一斗。三遇店和花，喝光壶中酒。试问壶中原有多少酒？

倒推思路：最后一次见花前，壶里有1斗酒；遇到店前是0.5斗。所以反推一遍：

wine = 0 for _ in range(3): wine += 1 # 见花前加一斗 wine /= 2 # 遇店前减半（因为遇店加一倍，倒推就是减半） print(wine) # 0.875

答案是七两五。这种小题目特别适合练习逻辑和循环，比死记语法有效得多。

2.4 协程与结构化数据

协程是Python里专门处理高并发IO场景的机制，用async/await关键字实现。简单理解：如果程序在等待网络响应、读取文件时，可以把CPU让给别的任务，而不是傻等。示例：

import asyncio async def fetch(url): print(f"开始请求 {url}") await asyncio.sleep(1) print(f"完成请求 {url}") return f"data from {url}" async def main(): tasks = [fetch("https://example.com"), fetch("https://example.org")] result = await asyncio.gather(*tasks) print(result) asyncio.run(main())

这里的await asyncio.sleep(1)模拟网络延迟，两个请求并发执行，总共只需约1秒而不是2秒。爬虫、API调用、下载文件这类场景用协程能大幅提升效率。不过协程对新手不太友好，建议先把同步逻辑写明白，再进阶协程。

结构化数据除了字典，还有csv、json、excel等格式。基础库json和csv足够应付日常，大一点的数据集则交给pandas。

3. 常用第三方库与实用场景：从NumPy到Excel写入

Python生态的价值集中体现在第三方库上。这一节我会挑几个高频场景：数值计算、机器学习、Excel操作、OCR，讲清楚安装方法和典型用法，帮你把库用起来而不是停留在“装完就忘”。

3.1 安装与管理库：pip与虚拟环境

安装第三方库最标准的方式是pip install 库名。比如安装numpy：

pip install numpy

安装sklearn库，注意它的包名是scikit-learn，不是sklearn：

pip install scikit-learn

如果你在终端执行python -m pip install numpy，它还会指定当前解释器对应的pip，这样就不会装错环境。要加速下载，可以临时指定国内镜像源：

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

这里提醒一句：不要用sudo pip install（Linux）来装系统级Python包，容易破坏系统依赖。正确姿势是在项目虚拟环境里操作，比如先python -m venv venv，再激活虚拟环境，之后再pip安装。检查当前环境已安装的库可以用pip list，查看某个库的具体位置用pip show numpy，输出中的Location字段就是库所在目录。

关于“Python的库在哪个目录下”：site-packages是第三方库的存放目录，比如...\Python311\Lib\site-packages。你也可以在Python里直接打印：

import numpy print(numpy.__file__)

这样能直观看到numpy的路径，排查问题时很管用。如果看到路径是base环境或别的项目，那说明你解释器选错了，或者没激活虚拟环境。

3.2 NumPy库的安装与基础操作

NumPy是数值计算的基石，pandas、scikit-learn、matplotlib都构建在它之上。安装后，最核心的是ndarray数组对象。举个例子：

import numpy as np arr = np.array([1, 2, 3, 4, 5]) print(arr * 2) # [ 2 4 6 8 10] print(arr.mean()) # 3.0 print(arr[arr > 3]) # [4 5] matrix = np.arange(12).reshape(3, 4) print(matrix)

NumPy相比Python原生列表最大的优势是性能：底层是C语言实现的连续内存，批量运算不需要写循环。比如对100万个数字求平方，原生列表用列表推导要几十毫秒，NumPy只需几毫秒。

很多人还关心“python画图横坐标太密集”的问题。用matplotlib绘图时，如果数据点很多，横坐标标签会挤成一团。解决办法是旋转角度、限制数量或手动设置步长：

import matplotlib.pyplot as plt import numpy as np x = np.arange(100) y = np.sin(x / 10) plt.plot(x, y) plt.xticks(rotation=45) # 或者每隔10个显示一个 plt.xticks(np.arange(0, 100, 10)) plt.show()

这就把密集问题解决了。实际项目中，我通常还会用plt.tight_layout()自动调整布局，避免标签被截断。

3.3 写入Excel与数据处理

在Python里操作Excel常见有三种方式：xlrd/xlwt（老牌，读xls）、openpyxl（读写xlsx）、pandas+openpyxl（数据处理+导出，最高效）。如果你只是简单写入，用openpyxl：

from openpyxl import Workbook wb = Workbook() ws = wb.active ws.title = "销售数据" ws.append(["月份", "销量"]) ws.append(["1月", 120]) ws.append(["2月", 150]) wb.save("output.xlsx")

如果是把pandas的DataFrame写入Excel：

import pandas as pd df = pd.DataFrame({ "商品": ["苹果", "香蕉", "橙子"], "单价": [5.5, 3.2, 4.0], "数量": [10, 20, 15] }) df.to_excel("goods.xlsx", index=False, engine="openpyxl")

写完之后可以顺手跑一遍读取，验证数据没问题：

df_read = pd.read_excel("goods.xlsx", engine="openpyxl") print(df_read)

在写Excel时，我踩过最大的坑是列宽和格式问题。openpyxl写出来的文件不会自动调整列宽，中文表头经常挤在一起，可以在保存前手动设置：

ws.column_dimensions['A'].width = 20 ws.column_dimensions['B'].width = 10

另外注意，同一个文件被Excel打开时，Python再保存会报权限错误，所以测试时先关掉那个Excel文件。

3.4 rapidocr太吃CPU与替代方案

如果你用rapidocr做过OCR识别，会发现CPU占用很高，风扇呼呼转。原因是它默认加载的是深度学习模型（比如PP-OCR系列），模型推理本身就是计算密集任务。应对方式有这么几种：

第一，限制CPU线程数。RapidOCR底层用onnxruntime，可以通过环境变量或参数设置线程：

from rapidocr_onnxruntime import RapidOCR ocr = RapidOCR() result = ocr("test.png", use_det=False, use_cls=False)

不过版本差异较大，更通用的做法是设置OMP_NUM_THREADS环境变量，或者直接用onnxruntime的SessionOptions设置线程数。第二，换更轻量的模型。如果只是识别印刷体英文或数字，可以改用Tesseract，它虽然精度一般，但CPU占用低很多。第三，有GPU的话，让模型跑CUDA，CPU占用自然降下来。如果没有GPU，就要接受“OCR是吃CPU大户”这个现实，一次性批量处理，而不是一条条频繁调用。

4. 从基础到实战：爬虫、可视化、量化与打包

学习语法不是为了做题，而是为了解决问题。这个章节我会带你把前面学的知识点组合起来，做成几个能直接跑的小项目，涵盖爬虫、数据分析与可视化、量化策略示例、打包成exe四个方向。

4.1 爬虫入门：requests与BeautifulSoup

写爬虫前必须明确一点：只抓取你有权限访问的数据，遵守目标网站的robots.txt和服务条款，不要对别人的服务器造成压力。教学场景中，我们可以用公开的HTTP接口来演示。

一个典型的requests + BeautifulSoup爬虫流程是这样的：

import requests from bs4 import BeautifulSoup url = "https://example.com/public-demo" # 替换为你合法可访问的目标 headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64)"} resp = requests.get(url, headers=headers, timeout=10) resp.encoding = resp.apparent_encoding soup = BeautifulSoup(resp.text, "html.parser") for item in soup.select(".title a"): print(item.get_text())

如果目标返回的是JSON接口，那就更简单了：

import requests resp = requests.get("https://api.example.com/data", timeout=10) data = resp.json() # 自动解析JSON为dict/list print(data[0]["name"])

爬虫里的坑主要在编码和反爬。resp.apparent_encoding是根据网页内容猜测编码，能解决一部分中文乱码。如果目标有反爬机制，最简单的策略是设置合理的Headers、控制请求频率。更复杂的情况需要用到scrapy框架或selenium，建议基础打牢后再进阶。

4.2 数据分析与可视化

拿到数据后，pandas + matplotlib 是最经典的分析组合。假设我们有一个CSV文件叫sales.csv，里面有“月份、销量”两列：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv("sales.csv") print(df.describe()) plt.figure(figsize=(10, 5)) plt.plot(df["月份"], df["销量"], marker="o", linestyle="-", color="#2c7fb8") plt.title("月度销量趋势") plt.xlabel("月份") plt.ylabel("销量") plt.xticks(rotation=45) plt.tight_layout() plt.show()

用describe()可以快速看到销量列的平均值、最小值、最大值等统计量，画图则能直观看到趋势。这是数据分析的核心循环：读数据 → 清洗 → 统计 → 可视化 → 结论。新手最容易忽略的是数据清洗，比如有缺失值（NaN）、重复行、异常值。清洗常用：

df.dropna(inplace=True) # 删除缺失值 df.drop_duplicates(inplace=True) # 删除重复行 df["销量"] = pd.to_numeric(df["销量"], errors="coerce")

errors="coerce"的意思是无法转换的变成NaN，之后再统一处理。

4.3 量化交易策略代码入门

量化交易策略是很多人感兴趣的方向。这里我列一个最基础的双均线策略示例，目的是让你理解“代码怎么把交易逻辑翻译出来”，而不是引导投资。示例用的数据是模拟数据，不构成任何投资建议。

双均线策略原理：当短期均线上穿长期均线时买入，短期均线下穿长期均线时卖出。

import pandas as pd # 模拟价格数据 df = pd.DataFrame({ "date": pd.date_range("2025-01-01", periods=50, freq="D"), "close": [100 + i * 0.5 for i in range(50)] }) df["ma_5"] = df["close"].rolling(5).mean() df["ma_20"] = df["close"].rolling(20).mean() df["signal"] = 0 df.loc[df["ma_5"] > df["ma_20"], "signal"] = 1 df["position"] = df["signal"].diff() buy_signals = df[df["position"] == 1] sell_signals = df[df["position"] == -1]

rolling(5).mean()是计算5日移动平均，signal表示是否持仓，position通过差分得到金叉和死叉。看起来简单吧？但实际落地还要考虑手续费、滑点、资金管理、数据获取、回测框架等，这已经是另一个故事了。我建议新手别急着实盘，拿着历史数据跑回测、看收益曲线、算最大回撤，这些都能用pandas和matplotlib完成。

4.4 生成exe可执行文件

写好的Python脚本给别人用，总不能让人家先装Python。PyInstaller就是干这个的。安装：

pip install pyinstaller

假设你的脚本是hello.py，打包：

pyinstaller -F hello.py

-F表示生成单个exe文件。运行结束后，在dist目录下找到hello.exe，双击就能运行。如果程序有图形界面，建议加上-w参数消除控制台黑窗：

pyinstaller -F -w gui_app.py

打包过程常见问题一个是杀毒软件误报，因为PyInstaller打包的程序（按PyInstaller本身机制）可能会触发一些启发式检测；另一个是exe体积大，因为把Python解释器和库一起打进去了。解决办法是用--upx压缩，或者用conda环境精简依赖。打包时确保在虚拟环境中操作，不然会把一堆用不到的库也打进去，体积大还容易出bug。

5. 高频报错与排查技巧实录

这部分是纯经验沉淀，我把当初让我半夜崩溃的几个问题整理成速查表，你们遇到类似情况直接对着找答案。

5.1 “python was not found”与Windows应用执行别名

这个报错在Windows上极其常见。你在cmd里敲python，系统要么提示“python was not found”，要么直接跳转到微软商店的Python安装页面。原因有两个：一是安装时没勾选“Add to PATH”，或者PATH配置失效；二是Windows启用了“应用执行别名”，把python命令重定向到了商店。

解决方法：先检查环境变量里有没有Python路径，没有就手动添加；如果确认有路径，去“设置 → 应用 → 高级应用设置 → 应用执行别名”中，把“python.exe”和“python3.exe”两个别名关掉。关闭后重启cmd就可以了。

另一个坑是你在一个已经打开的cmd窗口里安装了Python，新装的PATH不会自动生效，必须重新打开一个cmd。我猜很多“我明明配了环境变量怎么还没用”的情况都出在这个环节。

5.2 库装错环境与解释器不匹配

“用pip list能看到numpy，但在代码里import numpy还是ModuleNotFoundError”，这条是经典问题，本质是你pip安装用的解释器和你运行代码的解释器不是同一个。比如你在系统Python里pip install，然后VSCode里却选了conda的解释器。

排查时依次执行：

python -c "import sys; print(sys.executable)" pip --version

对比两个命令输出的路径。如果不一样，就应该用python -m pip install numpy这种用法，它会强制让当前python解释器调用对应的pip。另外，强烈建议每个项目都创建独立虚拟环境，能从根上杜绝这类问题。

5.3 vscode中解释器无法识别

有时VSCode装了Python扩展，但右下角解释器始终显示“Select Interpreter”，选了半天还是灰色。常见原因包括：扩展没加载完成（试试Ctrl+Shift+P执行“Developer: Reload Window”）、项目路径里有中文或非法字符、或者没有安装Python扩展的兼容版本。更直接的办法是在.vscode/settings.json里手动指定：

{ "python.defaultInterpreterPath": "D:/Python311/python.exe" }

有时还会遇到pylint报错“unable to import”，这是因为库所在环境没被pylint识别。可以在设置里加上：

"python.analysis.extraPaths": ["D:/Python311/Lib/site-packages"]

如果用了虚拟环境，直接激活环境再启动VSCode（code .）通常会自动识别。

5.4 画图坐标太密、中文乱码与常见ModuleNotFoundError

坐标轴标签太密的问题前面提过，用plt.xticks(rotation=45)或手动步长解决。中文乱码是另一个高频问题，因为matplotlib默认字体不支持中文，显示成方框。设置字体即可：

plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei", "PingFang SC"] plt.rcParams["axes.unicode_minus"] = False

axes.unicode_minus设成False是为了让负号正常显示。

还有一个经常让人崩溃的错误是ModuleNotFoundError: No module named 'xxx'。别急着怀疑自己写错了，先确认三件事：解释器是否选择正确、库是否真的装进当前环境、模块名是否拼对。比如安装BeautifulSoup时是pip install beautifulsoup4，import时却是from bs4 import BeautifulSoup，两者名称不同，这个差异很容易让新人懵。

结语：我的实际体会

说了这么多，最后分享一点个人经验。学Python最忌讳“看教程很爽，自己一动手就卡”。我见过太多人花了几个小时看视频，却从没新建过文件、没跑过一段完整代码。建议你现在就去打开终端，依次执行python --version、pip list，然后创建一个hello.py，写一个包含列表切片、函数、循环的小脚本跑起来。只有亲手跑通第一个程序，你才真正进了Python的门。学完这篇内容后，你可以试着把这些基础知识点组合成一个属于自己的小工具：比如从Excel读数据、做简单统计、生成图表，再打包成exe分享给同事用。这个过程走一遍，比重复看十遍教程收获都大。如果中间遇到报错，别慌，记住报错信息是你最好的老师，逐字读一遍再上网搜，往往答案就在那里等着你。