企业官网建设流程全解析

简介：一份基于Python实现的蛋白质二级结构预测项目源码，专为本科毕业设计、期末大作业与课程设计准备，代码带有完整注释，对新手友好，下载后稍作环境配置即可运行。资源包共35个文件，包含Python主程序与工具脚本、训练好的h5模型、npy特征数据、yaml配置文件，以及markdown说明文档和HTML可视化页面，总大小仅6.6MB，层次清晰便于定位。目前已有158人学习，尤其适合需要快速搭建生物信息学或机器学习实战项目的学生。项目不仅提供了app.py主入口和mytools/net/db等模块，还包含循环神经网络预测蛋白质二级结构的详细说明，覆盖从数据加载、模型训练到结果评估的完整链路，配合运行截图和演示音频，可以直观对照运行效果，是完成高分课设和毕设的实用参考。

1. 基于Python的蛋白质二级结构预测：下载即用的项目到底给了你什么

很多初学者刚接触生物信息学，听说“蛋白质二级结构预测”就想去接在线预测网站或直接上深度学习框架。其实对一份“下载即用”的Python项目来说，真正的工程量不在模型有多新，而在序列编码、滑窗采样、训练评估这套流程能不能直接跑、能不能随手改。把one-hot或PSSM特征交给随机森林、RBF-SVM这类成熟模型，在公开测试集上把Q3准确率做到75%~80%并不夸张，这个水平足够当课程设计、入门研究的基线，也能当新模型上线前的对照。这个标题适合手里有一段氨基酸序列、想给每个残基标记H/E/C的人，也适合想搞懂预测流程每一步在做什么的人。

2. 蛋白质二级结构预测的核心思路：把序列切成滑窗，把滑窗变成特征

2.1 三个字母的战场：H/E/C 与 Q3/SOV 指标

蛋白质二级结构预测，简单说就是给一条氨基酸序列里的每个残基打标签。最常用的三类标签是：H代表α-螺旋，E代表β-折叠，C代表无规则卷曲。模型输出和真实结构比对，逐残基算正确率，得到的就是Q3准确率。Q3看着简单，但二级结构预测不像序列比对那样有明确的最优解，它依赖上下文、进化信息和物理化学性质，所以Q3能到80%以上就已经是能拿出手的成绩。

只看Q3会掩盖很多问题。三类残基在蛋白质里出现频率差别很大，通常C最多、H次之、E最少，如果模型只会猜“C”，准确率也能接近一半。所以做评估时还要看每一类的召回率，以及SOV指标——SOV统计的是连续片段的重叠程度，对预测片段的连续性更敏感。我的习惯是两类指标都打印出来，否则你可能看到Q3不错，实际β-折叠被模型丢得七七八八。

E之所以难预测，是因为β-折叠的形成经常依赖远端残基的相互作用，属于非局部相互作用。而局部序列信息（滑窗能看到的那些）对螺旋和卷曲更友好。这也是为什么几乎所有传统方法都在拼命加特征——想从局部信息里多挤出一点关于折叠的线索。

2.2 为什么用滑窗：局部上下文是二级结构的核心线索

二级结构预测任务里，单个残基的类别强烈依赖它前后的邻居。α-螺旋有明显的七残基重复模式，一个位置是螺旋还是卷曲，往往看它前后5~10个残基就够了，这就是滑窗方法存在的理由。滑窗的基本做法是：预测第i个残基时，把第i个残基左边half个、右边half个残基一起取出来，拼成一个局部片段。窗口大小为15就意味着取前后各7个残基，这是很多成熟工具的经验默认值。

窗口大小直接决定特征维度和信息多少。窗口太小，上下文不够，螺旋片段容易被预测成碎段；窗口太大，特征维度暴涨，小数据集上过拟合，边界上的残基处理也更麻烦。常见做法是先用13或15跑通流程，再拿11和17做对比实验，而不是一上来就试大窗口。这个选择会在第4章展开讲怎么调。

滑窗有一个绕不开的问题：序列首尾的残基凑不够邻居。三种常见处理方式是补零、镜像填充、或者把首尾残基直接从评估里剔除。补零实现最简单，但会让边界残基的特征向量和内部残基长得不一样，模型容易在边界学出假模式；镜像填充在预测时会给边界残基更真实的上下文，代价是特征分布更平滑但略失真。实际项目里很多人直接补零并在计算最终指标时扣除边界残基，效果稳定。

2.3 PSSM和理化性质：把序列变成机器能吃的向量

给序列做滑窗之前，得先把每个残基变成数值向量。最基础的是one-hot编码：20种标准氨基酸各自占一个维度，当前残基对应位置为1，其余为0。这种编码信息量很低，它只能告诉模型“这里是什么氨基酸”，无法反映同源序列里这个位置有多保守，而保守性恰恰是二级结构特征的重要线索。

真正把传统方法性能拉起来的特征是PSSM，位置特异性打分矩阵。PSSM由PSI-BLAST对序列做多轮同源搜索后生成，每一行代表一个残基位置在每个氨基酸上的统计得分。把PSSM的每一行拼进滑窗，等于给模型提供了进化视角的信息：某个位置即使当前是A，但同源序列里常见的是V，PSSM也会把这个信号表达出来。经验上，只加PSSM就能让Q3提升好几个点，代价是生成PSSM很耗时，而且依赖PSI-BLAST和本地数据库。

除PSSM外，常用的补充特征还有疏水性、极性、电荷、分子量等理化性质。把三类特征堆起来：one-hot 20维、PSSM 20维、理化性质4维左右，每个残基约44维，配合15的窗口就是44×15=660维特征。这个维度对随机森林和SVM都可控，不需要上GPU。要注意的是特征之间相关性很高，维度过大时先考虑用特征选择，而不是盲目堆更多维度。

2.4 模型选型：为什么“下载即用”项目首选SVM和随机森林

公开的二级结构训练数据，去冗余后通常只有几千条链、几十万残基级样本。这个规模下，随机森林和RBF-SVM是性价比最高的选择。深度学习需要更长的调试周期和数据增强，对“下载即用”的项目来说收益并不明显。随机森林对特征尺度不敏感，不用做归一化，还能输出特征重要性，方便排查哪个特征在起作用；RBF-SVM则在中小样本上有经典优势，很多PSSM类预测工具的核心分类器就是SVM。

选型还有一个现实因素：SVM在高维特征上训练很慢，尤其是网格搜索时要反复训练，C和gamma稍大一点就很吃CPU。随机森林可以开多核并行，几千棵树也就几分钟。所以这个项目里我把两种模型都保留，默认用随机森林跑通全流程，再用SVM做精细调优对比。所谓“下载即用”，指的是代码结构、特征提取和训练脚本都准备好了，而不是说连Python环境都不用配——装好numpy、scikit-learn这些基础依赖之后，整套流程就可以直接执行。

3. 跑通最小项目：从fasta序列到训练出一版可用的H/E/C预测模型

3.1 项目结构和依赖：拿到代码先装什么

这个项目按功能拆成几个小文件，而不是一个大脚本堆到底。目录结构大概是这样的：

依赖只有三个核心库：numpy、scikit-learn，以及可选的biopython。biopython只在处理PDB文件时用到，如果你手里已经是fasta格式的标签文件，不装也行。安装命令很简单：

pip install numpy scikit-learn

装完之后在项目根目录确认Python能import到sklearn：

python -c "import sklearn, numpy; print(sklearn.__version__)"

看到版本号就说明环境通了。这里不展开python安装教程、vscode或pycharm配置Python环境那些基础步骤，那是通用的环境问题，和项目本身无关。强烈建议用虚拟环境跑，避免和系统里其他Python包的版本冲突。

3.2 训练数据准备：fasta格式与二级结构标签

训练数据需要两条对齐的信息：氨基酸序列，以及每个残基对应的二级结构标签。这里采用最简单直观的格式：每两行构成一条样本，第一行是氨基酸序列，第二行是长度完全相等的H/E/C标签串。

MEEPQSDPSVEPPLSQETFSDLWKLLPENNVLSPLPSQAMDDLMLSPDDIEQWFTEDP HHHHHHHCCCCCCCHHHHHHHHHHCCCCCCCCCCHHHHHHHHHHCCCCCCCCCCCHH

读取时按行号对齐即可，但有一个前提：序列里不能含有歧义字符，比如X、B、Z，否则one-hot编码找不到对应位置。训练前建议先做一遍清洗，把含非标准氨基酸的序列过滤掉或做长度裁剪。标签串里如果出现罕见的G（3_10螺旋）或T（转折），在Q3任务里通常先映射到C，只在做八类预测时保留。

数据划分是训练流程里最容易做错的一步。必须以整条序列为单位划分训练集和验证集，不能把残基随机打散。同一序列里相邻残基特征高度相似，按残基切分会把大量“近似重复样本”同时塞进训练和验证，评估结果虚高得离谱。后面第5章的避坑部分会专门讲这个问题的危害。

3.3 特征提取：滑窗与编码的一页纸实现

特征提取是整个项目的地基，我把它单独放在features.py里。下面是核心实现，只依赖numpy：

# features.py import numpy as np ALPHABET = "ACDEFGHIKLMNPQRSTVWY" A2I = {c: i for i, c in enumerate(ALPHABET)} def one_hot_residue(aa): """单个残基的one-hot向量，非标准氨基酸返回全0向量""" vec = np.zeros(len(ALPHABET), dtype=np.float32) if aa in A2I: vec[A2I[aa]] = 1.0 return vec def sliding_window_features(seq, window=15): """ 把一条氨基酸序列转成滑窗特征矩阵。 返回shape: [L, window * 20]，L是序列长度。 越界位置用全0向量补位，window必须是奇数。 """ assert window % 2 == 1, "window必须是奇数" L = len(seq) half = window // 2 feats = [] for i in range(L): codes = [] for j in range(i - half, i + half + 1): if j < 0 or j >= L: codes.append(np.zeros(len(ALPHABET), dtype=np.float32)) else: codes.append(one_hot_residue(seq[j])) feats.append(np.concatenate(codes)) return np.vstack(feats)

这段代码的逻辑很直白：对序列里每个位置i，从i-half取到i+half，每个残基喂给one_hot_residue变成20维向量，再把窗口内所有向量拼成一维特征。越界残基用全0向量占位，这样输出矩阵的行数永远等于序列长度L，后面训练代码不用特判边界。

参数方面，window决定取多少个邻居残基，15是经验默认值；half自动取7，前后各看7个残基。注意窗口值必须和模型训练时保持一致，否则predict.py读模型时会得到维度不匹配的特征，报错信息会提示shape不一致。这个文件里我没有做归一化，因为后面默认用随机森林时不需要；如果改成SVM，务必在特征矩阵交给模型前用StandardScaler做标准化。

3.4 训练与保存模型的最简命令

train.py负责把多条序列的特征拼成一个大矩阵，然后训练分类器并保存。核心代码如下：

# train.py import argparse import json import pickle import numpy as np from sklearn.ensemble import RandomForestClassifier from sklearn.svm import SVC from features import sliding_window_features def read_data(path): seqs, labels = [], [] with open(path) as f: lines = [line.strip() for line in f if line.strip()] for i in range(0, len(lines), 2): seqs.append(lines[i]) labels.append(lines[i + 1]) return seqs, labels def load_dataset(path, window): seqs, labels = read_data(path) X_list, y_list = [], [] for seq, lab in zip(seqs, labels): assert len(seq) == len(lab), "序列和标签长度不一致" X_list.append(sliding_window_features(seq, window)) y_list.append(np.array(list(lab))) return np.vstack(X_list), np.concatenate(y_list) def main(): ap = argparse.ArgumentParser() ap.add_argument("--data", default="data/train.fasta") ap.add_argument("--window", type=int, default=15) ap.add_argument("--model", default="rf", choices=["rf", "svm"]) args = ap.parse_args() X, y = load_dataset(args.data, args.window) if args.model == "svm": clf = SVC(C=8.0, gamma=0.05, class_weight="balanced", probability=True, cache_size=500) else: clf = RandomForestClassifier(n_estimators=300, max_features="sqrt", class_weight="balanced", n_jobs=-1) clf.fit(X, y) with open("model.pkl", "wb") as f: pickle.dump(clf, f) with open("config.json", "w") as f: json.dump({"window": args.window, "classes": ["H", "E", "C"]}, f) print("train done, model.pkl saved") if __name__ == "__main__": main()

load_dataset把每条独立的序列通过滑窗转成特征矩阵，再用vstack垂直堆叠，标签同理用concatenate拉平。这样每个残基都是一条独立训练样本。SVM这里用probability=True是为了后续predict.py能输出概率，代价是训练时间变长；缓存设500MB是为了大矩阵下减少重复计算。随机森林的max_features="sqrt"在分类任务里是经验稳定值，class_weight="balanced"用于缓解类别不均衡。

跑训练只要一条命令：

python train.py --data data/train.fasta --window 15 --model rf

模型文件model.pkl和配置config.json会写到当前目录。config.json里存window和类别列表，就是为了防止预测阶段用错参数。如果数据量大，SVM训练会明显变慢，可以先跑到一半就停住加--model rf，把流程先跑通再说。

3.5 用训练好的模型预测一条新序列

预测脚本比训练脚本更短，因为特征提取函数直接复用features.py。predict.py代码如下：

# predict.py import json import pickle from collections import Counter from features import sliding_window_features with open("model.pkl", "rb") as f: clf = pickle.load(f) with open("config.json", "r") as f: cfg = json.load(f) seq = "MEEPQSDPSVEPPLSQETFSDLWKLLPENNVLSPLPSQAMDDLMLSPDDIEQWFTEDP" feat = sliding_window_features(seq, cfg["window"]) pred = clf.predict(feat) print("prediction:", "".join(pred)) cnt = Counter(pred) total = len(pred) print("H: {:.1f}% E: {:.1f}% C: {:.1f}%".format( 100 * cnt.get("H", 0) / total, 100 * cnt.get("E", 0) / total, 100 * cnt.get("C", 0) / total, ))

注意这里seq是预先写在变量里的字符串，实际使用中可以改成从命令行参数或文件读取。predict方法返回的数组顺序和序列残基顺序一一对应，所以直接用join拼成字符串输出，肉眼就能和原始氨基酸序列对齐。类别占比的意义在于快速判断模型输出是否合理——如果一条已知富含螺旋的序列预测出70%的E，那大概率是训练数据或特征出了问题。

这里最容易踩的坑是模型和特征版本不一致。比如train.py用了window=15，predict.py却用window=11，特征维度直接对不上，sklearn会报feature shape mismatch；如果特征的生成逻辑改过但没重新训练模型，也能跑但结果是错的。所以config.json里存window非常必要，predict.py只认配置文件。

4. 调优路径：把Q3准确率从70%提到78%的四个关键参数

4.1 滑窗大小：不是越大越好

滑窗是第一个需要调的参数，也是最容易被当成“越大越全”的参数。窗口增大确实带来更多上下文，但特征维度线性增长，而训练数据规模不变，过拟合风险随维度上升。尤其E类残基本来就少，特征维度一高，模型更容易去记忆训练集而不是泛化。

经验上不同窗口的表现大致有这样的规律：

我建议用15做默认，然后分别跑11和17做对比。对比时要注意：窗口变了，边界残基数量也随之变化，最好在同样的边界裁剪策略下比较，否则差异里混入了边界效应。还有一个细节：PSSM特征加入后，窗口的影响会变小，因为PSSM本身就携带了远端的进化信息，所以加PSSM的场景下窗口可以适当缩小到11~13。

4.2 模型参数：SVM的C和gamma、随机森林的深度与特征数

模型参数里影响最大的是SVM的C和gamma。C控制误分类的惩罚力度，C大容易过拟合，C小容易欠拟合；gamma控制RBF核的影响半径，gamma大意味着每个训练样本的影响范围小，模型更复杂，gamma小则决策边界更平滑。这两个参数配合起来非常敏感，网格搜索是最省心的做法：

# 调参示例：用GroupKFold按序列分组，避免同源泄漏 from sklearn.model_selection import GroupKFold, GridSearchCV from sklearn.svm import SVC import numpy as np # groups表示每个残基属于哪条序列，长度和y完全一致 # 这里只展示结构，实际groups序列长度需要与训练数据匹配 seq_ids = np.array([0, 0, 0, 1, 1, 1]) # 占位示例 groups = seq_ids param_grid = { "C": [0.5, 1, 2, 4, 8], "gamma": [0.01, 0.03, 0.05, 0.08], } gs = GridSearchCV( SVC(class_weight="balanced", probability=True), param_grid, cv=GroupKFold(n_splits=3), scoring="f1_weighted", n_jobs=-1, ) # gs.fit(X_train, y_train, groups=groups)

这段代码的核心是GroupKFold而不是普通KFold，它保证同一个序列的所有残基只出现在训练集或验证集中的一个，避免残基级别的数据泄漏。排序方面，如果序列边长差异很大，建议先打乱序列顺序再分组，防止网格搜索的某几折里全是短序列。

随机森林要调的参数相对少：n_estimators到300以后收益递减，max_features选“sqrt”是分类默认经验值，重点看class_weight。如果你发现E类召回率特别低，把class_weight里的E权重再调高一点，比如手动传class_weight={“H”: 1.0, “E”: 2.5, “C”: 1.0}，比单纯调树的数量更有效。随机森林最值得看的输出是feature_importances_，如果排名靠前的全是窗口边缘的PSSM列，说明窗口可能开太大，信息被稀释了。

4.3 特征组合的消融：one-hot vs PSSM vs 组合

特征工程的收益比模型选择更明显，所以一定要做消融。最简单的做法是保持模型和窗口不变，只改features.py里的特征来源，分别记录Q3和逐类召回率：

很多论文里的对比实验显示，PSSM是性能分水岭。只加PSSM通常比纯one-hot高出数个百分点的Q3，而再往里塞理化性质往往只提升零点几个点。所以我的建议是：先保证PSSM能跑通，再谈加其他特征。如果环境里没有PSI-BLAST，最划算的替代是先用one-hot跑通全流程，等有数据库条件再补PSSM，而不是硬等。

PSSM还有一个工程问题：生成一次很慢，同一条序列在训练和预测时都要用，如果不缓存，调参时反复计算会浪费大量时间。常见做法是把PSSM按序列名存成.npy文件，fallback到全0矩阵；宁可占点磁盘，也不要每次重新跑PSI-BLAST。

4.4 类别不均衡与评估方式

H/E/C三类在真实蛋白质里的分布大约是三成、两成、五成的量级，类别不均衡是天然存在的。如果模型全预测C，Q3能做到接近一半，看起来“还行”，实际一无是处。因此评估时必须同时看三类各自的召回率，尤其E的召回率。

处理不均衡最基础的两个手段是class_weight="balanced"和收集数据时做链级别采样。前者是调模型损失，后者是让训练数据里三段结构比例更均匀。注意采样不要按残基做，否则会把同一条序列的残基拆得七零八落，造成更严重的数据分布失真。

评估指标里MCC（马修斯相关系数）比accuracy更能反映三类模型的真实水平，因为它在类别不均衡下不会虚高。调优时以f1_weighted或MCC作为网格搜索的score目标，比accuracy可靠。准确率这只是“大概知道模型在工作”，真正要看的还是逐类召回。

5. 蛋白质二级结构预测避坑指南：五个把模型悄悄做坏的操作

5.1 数据泄漏：同源序列悄悄混进了测试集

现象：训练时Q3能到85%，验证集也有模有样，可一旦拿真正的新序列去预测，准确率掉到60%出头，项目直接翻车。

原因：训练集和验证集之间混入了序列一致性很高的同源蛋白。同源序列的二级结构高度相似，模型其实是在“背答案”，不是在学习规律。这种情况在蛋白质预测里非常常见，因为你收集数据时通常按结构数据库拉取，同一家族蛋白会成串出现。

解决：数据分割之前先对序列去冗余，用CD-HIT这类工具把序列一致性超过30%的序列合并或排除。去冗余必须是特征提取之前、数据划分之前的第一步。做完之后再按序列ID划分训练和验证集，结果才有说服力。

5.2 按残基打乱划分训练/测试集

现象：有人用train_test_split直接打乱所有残基样本，发现准确率轻松到80%以上，心里还在暗喜，结果一换到整序列测试就崩。

原因：同一条序列里相邻残基的滑窗特征几乎重叠，按残基随机划分等于把同一序列的前后半段分别送进训练和测试，信息高度重叠，测试集形同虚设。

解决：用GroupKFold或GroupShuffleSplit，group就是序列ID。如果数据量小，可以手动按序列ID的哈希划分，总之保证序列完整地待在某一侧。这是评估体系里最需要坚持的一条，宁可验证集小一点，也不能让同一序列的残基出现在两侧。

5.3 PSSM特征没法复现：PSI-BLAST数据库不匹配

现象：训练时生成的PSSM特征和预测时用到的PSSM分布完全对不上，模型在自家验证集上还行，对新序列表现得像随机猜测；更常见的是程序在生成PSSM那一步白等半天，最后报错退出。

原因：PSSM依赖PSI-BLAST在本地数据库上迭代搜索，数据库版本不同、迭代参数不同、甚至是同一条序列在不同批次搜索中命中的同源序列不同，都会造成特征漂移。如果本地数据库缺失或不完整，程序就会hang住。

解决：把PSSM生成结果按序列名缓存成文件，同一个序列在训练和预测阶段必须使用同一份特征。跑正式实验前先固定数据库版本和参数，并在代码里校验PSSM矩阵的数值范围，出现异常就直接报错而不是用坏数据继续跑。没有本地数据库条件时，先用one-hot就跑通流程，别被PSSM卡死。

5.4 滑窗边界预测残基准确率暴跌

现象：整体Q3还行，但把预测错误的残基位置画出来，序列首尾的误判特别集中；窗口越大，这种现象越严重。

原因：边界位置用全0向量补位，模型学到的是“看到全0就知道是边界”的假规则。验证集里边界残基本来就少，对整体指标影响不大，但新预测的序列长短不一，边界比例高时结果就变得不稳定。

解决：评估时把每条序列首尾的half个残基排除不计，只统计内部残基。预测阶段可以保留全序列输出，但要在结果说明里标注边界置信度低。如果应用场景对全长都敏感，改成镜像填充或反射padding，让边界残基看到更真实的上下文。

5.5 只盯着Q3，忽略SOV和逐类召回

现象：Q3报告80%，一查E类召回率只有40%，β-折叠几乎没被真正预测出来。这种情况在类别不均衡严重时特别常见。

原因：Q3是残基级别的总体正确率，它被占比高的C和H主导，E类就算一塌糊涂，只要C和H还说得过去，数字照样好看。而生物学上β-折叠虽然少，但往往是功能位点的重要组成部分，漏掉它这个模型就没有实用价值。

解决：评估表里必须同时打印每类的precision、recall、f1以及MCC。SOV指标更贴近二级结构片段评估，计算时需要把预测结果里的连续片段和真实片段做重叠匹配，代码不复杂，但信息量比Q3大得多。调参和选择模型都以逐类召回和MCC为准，Q3只作为参考线。

6. 让输出更直观：预测结果可视化与后续模型升级方向

6.1 把预测结果渲染成与序列对齐的条带图

预测完拿到的是一长串H/E/C字符，人工核对到某一段序列很费劲。我习惯写一个几十行的渲染函数，把序列和预测结果按固定宽度分块对齐输出，效果类似：

def render(seq, pred, width=60): """把序列和预测标签按行对齐打印，便于肉眼检查局部结构""" assert len(seq) == len(pred) for i in range(0, len(seq), width): print(seq[i:i + width]) print("".join(pred[i:i + width])) print()

这样螺旋区、折叠区在输出里一目了然，能快速发现预测结果里有没有不合理的短片段——比如长度只有一两个残基的“螺旋”，那多半是模型异常。配合第3章的类别占比输出，整条序列的结构倾向性也能一眼看出来。这个技巧在写实验报告和向同事解释结果时都很实用，比甩一个长字符串更直观。

6.2 从Q3到八类，从ML到循环网络的升级路径

跑通三类预测后，下一步有两个自然方向。一是把三标签扩成DSSP的八类，H、G、I都算螺旋但在细节上不同，E、B都算折叠，T、S算转折和弯曲；升级时只需要改标签映射表和类别列表，模型结构不用动。二是把滑窗特征喂给LSTM或一维CNN，在序列层面建模残基间的依赖，省去手工调窗口的麻烦，也能缓解边界问题；代价是需要更多数据和更长的训练时间。

我自己的习惯是每次开始一个新结构预测任务前，先把训练数据的类别分布、序列长度分布和去冗余状态打印出来，确认这三样东西没问题再动模型参数。预测新序列前，再确认一次模型config里的window和特征版本。血泪经验告诉我，花一天查模型问题，最后发现是PSSM特征忘了缓存，这种亏吃过一次就够了。这套流程跑顺之后，你可以放心地把SVM换成更复杂的模型，而不必担心前面的数据处理环节偷走你的精度。希望帮到你。

本文还有配套的精品资源，点击获取