企业官网建设流程全解析

简介：一份面向Python量化与金融可视化入门者的可运行示例工程，聚焦股票分时图、K线图的绘制与免费Level 2行情的抓取，适合已掌握Python基础、想动手实践行情获取与图表呈现的开发者。压缩包共20个文件、约42KB，以8个py源码为主体，含行情请求封装、公共方法模块、界面入口以及分时图与K线图绘制脚本；5个xml、1个iml与1个name为开发环境与项目配置文件，另有5个pyc编译缓存，便于直接对照运行。目前已有13564人学习下载。读者可从中获得Tushare等接口取数与鉴权的完整调用链、基于matplotlib与mplfinance的分时线和蜡烛图实现、逐笔成交与买卖五档数据的解析思路，以及模块分层与配置管理的组织方式，可作为二次开发与行情工具搭建的起点。

1. 盘中盯着一根分时线刷半天，不如自己拉一份数据画出来

前阵子有位做量化的朋友发来一张截图，问能不能不打开行情客户端，直接用 python 把某只票当天的分时图和最近六十根 K 线图拼到一张画布上，顺手把逐笔成交落成 csv。这事儿听着简单，真动手就会撞上一串细节：分时图的基准价拿哪个、午休那一个半小时横轴怎么接、免费渠道到底能拿到几档盘口。这份资源就是围着这几件事转的，一份能跑通的取数加绘图脚本，分时图、K线图两条渲染链路各自独立，逐笔成交和盘口快照各有入口。适合手里有点 Python 底子、想自己搭复盘工具或者做盘中监控的开发，也适合刚碰行情数据、想搞清楚 tick 和 bar 到底怎么换算的人。下面按我拆这份源码的顺序走一遍，从目录骨架一直讲到怎么改成定时任务。

2. 技术选型与目录结构：取数、清洗、渲染三层怎么切开

这套脚本最容易写歪的地方，是把 requests 请求、pandas 清洗、matplotlib 画图全塞进一个main.py，跑通一次之后再想加个指标就得整篇改。原项目的分法是三层：fetch只管把原始 JSON 拿回来并落盘，calc只管把 tick 聚合成 bar、算均线，chart只接受标准化的 DataFrame 出图。三层之间靠一个固定的字段 schema 通信，换数据源只要改fetch，换画图库只要改chart，互不牵连。这种切法看着啰嗦，但等你第二天想把手里的数据换成另一个品种或者另一段历史，就知道省了多少事。

2.1 依赖怎么选：requests + pandas 打底，mplfinance 和 pyecharts 各管一头

取数这层没必要上重型框架，requests加一个带重试的 Session 就够，行情接口基本是 GET + JSON，异步并发在这里收益不大反而容易触发限频。数据清洗压给pandas，tick 转 bar 一行resample能解决大半问题。绘图分两条路：要出静态 PNG 就走mplfinance，它是 matplotlib 的封装，K 线、成交量副图、均线叠加都有现成接口；要出可以缩放拖拽的 HTML 就走pyecharts，适合把图发给不看代码的人。

# requirements.txt requests==2.31.0 pandas==2.1.4 numpy==1.26.2 matplotlib==3.8.2 mplfinance==0.12.10b0 pyecharts==2.0.4 APScheduler==3.10.4

mplfinance的版本号带 beta 后缀，别看到就跳过，0.12 这一支用了两年多，make_addplot、make_marketcolors这些关键接口都在里面，0.11 老版本缺参数。pyecharts更要注意，1.x 和 2.x 的Grid、Kline初始化方式差得挺远，网上抄来的示例有一半跑不通，锁死主版本号能省掉很多莫名其妙的报错。APScheduler只在最后一章做定时拉取时才用得上，第一遍跑通可以先不装。

2.2 目录骨架：四个包分开，别把取数和画图揉在一个文件里

stock_chart/ ├── config.py # 接口域名、UA、股票池、输出路径 ├── fetch/ │ ├── http.py # Session、重试、限速 │ ├── quote.py # 分时、日线、盘口快照三个取数函数 │ └── store.py # 落 csv / parquet ├── calc/ │ ├── resample.py # tick -> 1min bar │ └── indicator.py # 均价线、MA5、MA10 ├── chart/ │ ├── theme.py # 红涨绿跌配色、中文字体 │ ├── intraday.py # 分时图 │ └── kline.py # K 线图（静态 + HTML） ├── data/ │ ├── raw/ # 原始 json，按 trade_date 分目录 │ └── parquet/ # 标准化后的 bar ├── output/ # png / html └── main.py # 命令行入口

data/raw保留原始响应是个不起眼但很值的设计。行情接口偶尔会在盘中修改返回结构，或者某天的分笔数据缺了几笔，出问题时能拿原始报文对一遍，不用重新请求一遍接口再去猜。theme.py单独拎出来是因为配色在两个绘图文件里都要用，复制粘贴两份迟早改漏一处。main.py只做参数解析和流程编排，不写业务逻辑，这样后面接定时任务时可以直接调函数，不必subprocess起子进程。

2.3 数据结构：一根 K 线落库前必须定死的九个字段

三层之间传的 DataFrame，字段名和类型必须先钉死。我见过有人分时接口返回"time": "09:30"字符串、日线接口返回"2024-01-05"，混在一个 DataFrame 里排序直接乱套。下面这套 schema 是从原项目抄的，够用且不冗余。

import pandas as pd BAR_COLUMNS = ["code", "dt", "open", "high", "low", "close", "volume", "amount", "prev_close"] def normalize_bar(df: pd.DataFrame, code: str, prev_close: float) -> pd.DataFrame: """把任意来源的 bar 数据对齐成统一 schema""" out = df.copy() out["code"] = str(code).zfill(6) # 代码补零，字典 key 也对齐 out["dt"] = pd.to_datetime(out["dt"]) # 字符串时间统一解析 for col in ["open", "high", "low", "close", "amount"]: out[col] = pd.to_numeric(out[col], errors="coerce").astype("float64") out["volume"] = (pd.to_numeric(out["volume"], errors="coerce") .fillna(0).astype("int64")) out["prev_close"] = float(prev_close) return (out[BAR_COLUMNS] .sort_values("dt") .drop_duplicates("dt") # 接口重试可能带来重复行 .reset_index(drop=True))

errors="coerce"是关键，行情接口偶尔会在某个字段塞"-"或者空串，直接astype(float)会整列报错，转成 NaN 之后再决定是丢行还是前值填充。drop_duplicates("dt")防的是请求超时后重试拿回两份重叠数据的情况，不去重的话resample出来的成交量会翻倍，而且这种错误肉眼很难发现。zfill(6)看着小题大做，但股票代码当字典 key 用时，1和000001是两个 key，缓存会莫名失效。

3. 行情抓取：分笔、分钟线、盘口快照三条取数链路

原项目没有把取数写死在一个库上，而是自己封了一层 HTTP 入口，好处是接口地址变了只改config.py，坏处是得自己处理重试和限频。三条链路的数据形态差别很大：分笔成交是几百到几千条流水，分钟线是当天固定的 240 个点，盘口快照是时间序列上每次请求一个瞬间的切片。三者混在一起处理会很乱，分开各写各的反而清楚。

3.1 统一请求入口：重试、限速、UA 三件套

公开行情接口对请求头比对参数敏感得多。少了User-Agent或者Referer对不上，很多时候不是返回 403，而是返回 200 加一段 HTML 或者空数组，排查起来就是个黑匣子。把 Session 抽出来统一配好，比在每个请求函数里各写一遍靠谱。

import random import time import requests from requests.adapters import HTTPAdapter from urllib3.util.retry import Retry BASE = "https://api.example-quote.invalid" # 换成你实际使用的公开行情域名 UA = ("Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 " "(KHTML, like Gecko) Chrome/120.0 Safari/537.36") def build_session(pool_size: int = 8, retry: int = 3) -> requests.Session: s = requests.Session() cfg = Retry( total=retry, # 总重试次数 backoff_factor=0.6, # 退避：第 n 次等待 0.6 * 2^(n-1) 秒 status_forcelist=[429, 500, 502, 503, 504], allowed_methods=["GET"], ) s.mount("https://", HTTPAdapter(max_retries=cfg, pool_maxsize=pool_size)) s.headers.update({"User-Agent": UA, "Referer": BASE + "/"}) return s _session = build_session() def get_json(path: str, params: dict | None = None, timeout: float = 6.0) -> dict: resp = _session.get(BASE + path, params=params, timeout=timeout) resp.raise_for_status() time.sleep(random.uniform(0.05, 0.15)) # 抖动，别把接口打成刷子 return resp.json()

backoff_factor配 0.6，意味着第一次失败等 0.6 秒、第二次 1.2 秒、第三次 2.4 秒，这个量级对付偶发 5xx 够用，再长就拖慢整批任务。pool_maxsize=8控制在同一个连接池里的并发数，一次刷几十只票时连接复用能明显减少握手开销。末尾那个random.uniform抖动是血泪经验，固定间隔的连续请求在某些接口上会被识别成脚本行为，随机几十一百毫秒就能规避掉大部分情况。

3.2 分笔转分钟线：tick 聚合里最容易错的四个细节

分笔成交是最原始的粒度，一条记录一个成交，字段通常是时间、价格、成交量、成交额。要画分时图或者补分钟线，就得按时间桶聚合。pandas.resample能做，但有几个坑不处理会出脏数据。

import pandas as pd def ticks_to_bars(ticks: pd.DataFrame, freq: str = "1min") -> pd.DataFrame: """分笔成交聚合为分钟 bar""" df = ticks.copy() df["time"] = pd.to_datetime(df["time"]) # 坑1：集合竞价的 0 价成交行，留着会把 low 拉成 0 df = df[(df["price"] > 0) & (df["volume"] >= 0)] df = df.set_index("time").sort_index() bars = df.resample(freq, label="left", closed="left").agg( open=("price", "first"), high=("price", "max"), low=("price", "min"), close=("price", "last"), volume=("volume", "sum"), amount=("amount", "sum"), ) # 坑2：午休和停牌期间没有成交，resample 会造出全 NaN 的空桶 bars = bars.dropna(subset=["open"]) return bars.reset_index().rename(columns={"time": "dt"})

label="left"和closed="left"这两个参数决定了桶的时间戳标在起点还是终点。用左闭左标，09:30:00到09:30:59的成交归到09:30那根 bar，跟行情客户端的显示口径一致；用默认的右标，整张图会偏移一分钟，肉眼看不出来但跟其他数据源对不齐。

坑一是集合竞价。开盘前那笔虚拟成交价常常是 0 或者等于昨收，混进去之后low变 0，分时图的纵轴被拉到地板，整根线贴着顶端走。过滤条件写price > 0比写price >= prev_close * 0.9更稳，后者遇到除权日会误杀。

坑二是空桶。resample是等距切分，11:30 到 13:00 这段没人交易，照样给你切出 90 个空桶，dropna掉之后一天刚好 240 根。这一步不做的话，分时图的横轴会多出一段空白，均价线也跟着算歪。

坑三是成交量的单位。接口给的volume经常是「股」，而客户端显示的是「手」，1 手 = 100 股。直接画出来的量柱比客户端高 100 倍，很多人第一反应是接口数据错了，其实就是没除。

3.3 免费 level2 的边界：五档快照能拿，十档逐笔委托基本拿不到

标题里写了「免费 level2」，这里得说实话：公开渠道能稳定拿到的通常是五档买卖盘快照加逐笔成交，真正的十档委托、逐笔委托、委托队列这些，要么需要券商权限，要么得走付费通道。原项目里盘口部分就是按五档写的，字段结构固定，拿不到更高档位就维持现状，不影响分时和 K 线的功能。

def parse_snapshot(raw: dict) -> dict: """把五档盘口响应压成扁平字典，方便直接进 DataFrame""" snap = { "code": str(raw["code"]).zfill(6), "ts": pd.to_datetime(raw["time"]), "last": float(raw.get("price") or 0), } for i in range(1, 6): # 价格字段可能是字符串，成交量字段单位多为「股」 snap[f"bid{i}_price"] = float(raw.get(f"bid{i}") or 0) snap[f"bid{i}_vol"] = int(float(raw.get(f"bid{i}_vol") or 0)) // 100 snap[f"ask{i}_price"] = float(raw.get(f"ask{i}") or 0) snap[f"ask{i}_vol"] = int(float(raw.get(f"ask{i}_vol") or 0)) // 100 return snap

raw.get(...) or 0这个写法是为了兼容两种缺失：键不存在返回None，键存在但值是空字符串或者"0.00"。后者float能转但没意义，统一归零更省事。买卖五档的价量一共 20 个字段，加上最新价和时间戳，一次快照 23 列，盘中每 3 秒采一次、一天 4 小时就是 4800 行，量不大，直接追加写 parquet 就行。真要拿十档，思路一样，只是range(1, 6)改成range(1, 11)，前提是你手上那个接口确实返回了这些字段——很多标着「十档」的接口，后五档全是 0。

4. 绘图核心：分时图与 K 线图的两套渲染逻辑

出图这块两条链路差别挺大。分时图要的是当天 240 个点的连续曲线加一条均价线，横轴是交易时间但必须跳过午休；K 线图要的是带实体和影线的蜡烛，配上成交量和均线，横轴是交易日。共用一套代码会互相迁就，分开写各用各的顺手工具，反而快。

4.1 分时图：昨收基准线、均价线、午休断点

分时图看着简单，三个细节决定成图质量。均价线不是价格的移动平均，而是「累计成交额 / 累计成交量」，算的是当天所有成交的加权均价，所以必须用cumsum。基准线取昨收，价格在线上是红、线下是绿，视觉上一眼能看出强弱。横轴千万不能用真实时间轴，否则午休那 90 分钟会留一大段空白，两条曲线被拉断。

import matplotlib matplotlib.use("Agg") # 无 GUI 环境跑图必须指定后端 import matplotlib.pyplot as plt import pandas as pd def plot_intraday(minute_df: pd.DataFrame, prev_close: float, code: str, out: str = "output/intraday.png") -> str: df = minute_df.sort_values("dt").reset_index(drop=True) df["avg"] = df["amount"].cumsum() / df["volume"].cumsum().replace(0, pd.NA) x = range(len(df)) # 用序号当横轴，天然跳过午休 ticks = [0, 59, 119, 120, 179, 239] # 09:30 / 10:29 / 11:29 / 13:00 / 14:00 / 15:00 labels = ["09:30", "10:29", "11:29", "13:00", "14:00", "15:00"] fig, ax = plt.subplots(figsize=(12, 5), dpi=120) ax.plot(x, df["close"], lw=1.1, color="#1f77b4", label="price") ax.plot(x, df["avg"], lw=1.0, color="#ff9f1c", label="avg") ax.axhline(prev_close, ls="--", lw=0.8, color="#888888") ax.set_xticks(ticks) ax.set_xticklabels(labels) ax.set_xlim(0, len(df) - 1) ax.set_title(f"{code} intraday", fontsize=11) ax.grid(axis="y", ls=":", lw=0.5, alpha=0.6) fig.tight_layout() fig.savefig(out) plt.close(fig) return out

cumsum()那行要注意分母可能为 0，开盘第一分钟如果一笔成交都没有，直接相除会得到inf或者NaN并把整条线打断，用replace(0, pd.NA)挡一下。ticks是按 240 个点硬编码的：第 0 个点是 09:30，第 59 个是 10:29，第 119 个是 11:29，第 120 个就是下午 13:00 的第一分钟，正好跨过午休。如果某天停牌或者数据缺失导致点数不是 240，这套刻度会错位，稳妥做法是按df["dt"].dt.strftime("%H:%M")反查索引，硬编码只适合数据完整的场景。

matplotlib.use("Agg")这行在服务器上跑是必须的，不指定后端，matplotlib 会尝试连图形界面，容器里直接抛错。本地开发看着没问题，一上服务器就翻车，很典型。

4.2 K 线图：mplfinance 叠加均线与成交量面板

K 线用mplfinance比手工画矩形省事太多。它的plot()一个调用能出蜡烛、成交量副图、均线叠加，还能直接存文件。唯一要改的是配色，默认是欧美那套绿涨红跌，A 股用户看着别扭。

import mplfinance as mpf import pandas as pd def plot_kline(bars: pd.DataFrame, n: int = 60, out: str = "output/kline.png") -> str: df = bars.tail(n).copy() df = df.set_index("dt")[["open", "high", "low", "close", "volume"]] df.index.name = "Date" ma5 = df["close"].rolling(5).mean() ma10 = df["close"].rolling(10).mean() # 不指定 panel 就叠加在主图，指定 panel=1 才会画到副图 apds = [ mpf.make_addplot(ma5, color="#e4572e", width=0.9), mpf.make_addplot(ma10, color="#4b7bec", width=0.9), ] mc = mpf.make_marketcolors( up="#e4572e", down="#26a69a", # 红涨绿跌，反着来会被同事吐槽 edge="inherit", wick="inherit", volume="in", ) style = mpf.make_mpf_style( marketcolors=mc, gridstyle="--", rc={"font.family": "SimHei", "axes.unicode_minus": False}, ) mpf.plot(df, type="candle", style=style, addplot=apds, volume=True, panel_ratios=(4, 1), figratio=(14, 8), savefig=dict(fname=out, dpi=120, bbox_inches="tight")) return out

panel_ratios=(4, 1)控制主图和成交量副图的高度比，4:1 是比较舒服的比例，成交量再高就喧宾夺主。volume=True会自动开第二个 panel，不用自己make_addplot。make_marketcolors里volume="in"表示量柱颜色跟随当根 K 线的涨跌，而不是固定色，视觉上更连贯。

rc里那两个参数是给中文和负号用的。不设font.family，标题里的股票名会变成方框；不设axes.unicode_minus=False，纵轴负号显示成方块。这两个问题在本地 Windows 上可能正常，换到 Linux 服务器上必现，属于跨平台必踩的一脚。

4.3 交互式输出：pyecharts 出 HTML，适合发给不看代码的人

静态 PNG 适合存档和批量生成，但要给别人看、要缩放看细节，HTML 更合适。pyecharts的 K 线组件直接用，配一个Grid把成交量和 K 线上下拼起来。

from pyecharts import options as opts from pyecharts.charts import Grid, Kline, Line def kline_html(bars, out: str = "output/kline.html") -> str: df = bars.tail(120) dates = df["dt"].dt.strftime("%Y-%m-%d").tolist() # 顺序是 [open, close, low, high]，跟直觉不一样，写反了图会乱 data = df[["open", "close", "low", "high"]].round(2).values.tolist() k = (Kline() .add_xaxis(dates) .add_yaxis("K", data, itemstyle_opts=opts.ItemStyleOpts( color="#e4572e", color0="#26a69a")) .set_global_opts( xaxis_opts=opts.AxisOpts(is_scale=True), yaxis_opts=opts.AxisOpts(is_scale=True, splitarea_opts=opts.SplitAreaOpts()), datazoom_opts=[opts.DataZoomOpts(range_start=60, range_end=100)], )) vol = (Line() .add_xaxis(dates) .add_yaxis("volume", df["volume"].tolist(), yaxis_index=1, linestyle_opts=opts.LineStyleOpts(width=0))) grid = (Grid(init_opts=opts.InitOpts(width="1200px", height="620px")) .add(k, grid_opts=opts.GridOpts(pos_bottom="55%")) .add(vol, grid_opts=opts.GridOpts(pos_top="55%"))) grid.render(out) return out

[open, close, low, high]这个顺序是pyecharts的硬要求，跟mplfinance的列顺序不同，从这边切过去时最容易写反，写反的表现是影线戳到错误方向，图能出来但完全不对。datazoom_opts的range_start=60让 HTML 打开时默认显示后 40% 的数据，不用手动拖。成交量用Line加零宽度线型来模拟柱状，是Grid组合里的常见凑法，比再造一个 Bar 再对齐双轴省事。

5. 排查清单：这套脚本跑不起来时先看这五处

下面五条是我照着原项目复现时真踩过的，按「现象 → 原因 → 解决」记下来，遇到问题对照着看，比自己盯代码快。

5.1 取数链路的三次翻车

现象一：请求返回 200，json()解析出来是空的或者是一段 HTML。原因基本可以锁定在请求头。公开行情接口对User-Agent和Referer的校验比参数严格，缺了就直接给你一个空壳响应，状态码还是 200，raise_for_status()拦不住。另一种情况是短时间内连续请求同一只票，接口没报错但返回空数组，属于软限频。 解决：把UA和Referer落实到 Session 的默认 headers，所有请求走同一个 Session；在get_json末尾加 50 到 150 毫秒的随机 sleep；第一次接到空响应时先打印resp.text[:200]看看返回的到底是什么，别急着改解析逻辑。

现象二：成交量比行情客户端大整整 100 倍。原因是接口字段单位是「股」，客户端显示「手」。这在分笔和盘口两处都会出现，而且两处的字段名还不一样，一个叫volume一个叫vol。 解决：在normalize_bar里统一做// 100，盘口解析里单独处理一次。别在下游画图时再除，除以 100 的取整在哪一层做，决定了你会不会在分钟线聚合时把零头丢掉——正确做法是原始层保留股，落库前一次性转换。

现象三：分时图纵轴被拉到地板，曲线贴在最顶上。这是集合竞价的 0 价成交混进了 tick 数据，low被拉成 0。也可能是个别记录的price是空字符串，转成 NaN 之后min()忽略了它但fillna(0)又把它补成了 0。 解决：聚合前统一过滤price > 0，同时对volume和amount做非负校验。过滤条件写在resample之前，写之后再过滤会把整根 bar 丢掉。

5.2 绘图与落库的两处暗坑

现象四：K 线颜色反了，涨的是绿色。mplfinance默认配色是欧美习惯，跟 A 股的阅读习惯相反。这个问题不影响功能，但发出去的图别人第一眼会觉得数据错了。 解决：用make_marketcolors(up="#e4572e", down="#26a69a", edge="inherit", wick="inherit", volume="in")显式覆盖，edge和wick都用"inherit"让边框和影线跟随实体颜色。配色定好之后塞进theme.py，两个绘图文件统一引用，避免改一处漏一处。

现象五：pyecharts的图打开是空白，或者报TypeError。八成是 1.x 和 2.x 的 API 混用了。1.x 里Grid().add()的参数位置和 2.x 不同，Kline的数据初始化方式也变了。另一个高频原因是 K 线数据顺序写成了[open, high, low, close]，图能渲染但影线和实体全部错位。 解决：requirements.txt里锁死pyecharts==2.0.4，从旧教程抄代码时先看版本；数据构造处加一行assert data[0][2] <= min(data[0][0], data[0][1])之类的校验，low必须不大于开收盘价，跑不通当场就能发现。

提示：这套排查顺序建议固定下来——先看原始响应、再看标准化后的 DataFrame、最后看图。跳过前两步直接调绘图参数，往往在错误的数据上改样式，越改越乱。

6. 二次开发：把单机脚本改成能定时跑的行情面板

原项目跑一次出一次图，实际用起来肯定不满足。我一般第一步是把它改成收盘后自动拉全天数据、落 parquet、出图三步走，用APScheduler挂一个cron任务就够了。

from apscheduler.schedulers.blocking import BlockingScheduler from datetime import datetime def daily_job(codes): for code in codes: bars = fetch_and_normalize(code) # 取数 + 标准化 store.to_parquet(bars, code) # 按 code/日期 落到 data/parquet plot_intraday(bars, bars["prev_close"].iloc[-1], code) plot_kline(bars, n=60) if __name__ == "__main__": sched = BlockingScheduler(timezone="Asia/Shanghai") # 15:10 跑，给行情接口留出收盘数据落定的时间 sched.add_job(daily_job, "cron", hour=15, minute=10, args=[["000001", "600000"]], misfire_grace_time=600) sched.start()

misfire_grace_time=600这句别省。机器重启或者任务卡住时，APScheduler 默认会直接放弃错过的任务，加了宽限时间才会补跑。hour=15, minute=10而不是 15:00，是因为收盘瞬间的接口数据还在刷新，早跑十分钟经常拿到不完整的最后一根 bar。

第二步是增量。分笔数据一天一存，历史越攒越多，全量重算越来越慢。我的做法是按code分目录、按trade_date分文件，每次只补缺失的日期，读的时候用pd.read_parquet(..., filters=[("dt", ">=", start)])只捞需要的区间。验证方式很土但有效：拿同一只票，用增量拼出来的日线和一次性全量算出来的做一次assert_frame_equal，对得上才算改对了。

再往上就是把这些函数包成 Flask 或者 FastAPI 的接口，前端挂个页面按代码查图，但这属于另一个话题了。我自己的习惯是：任何跟行情数据打交道的脚本，在接定时任务之前，先用三个不同交易日的数据各跑一遍，把输出图的横轴刻度、成交量量级、昨收基准线位置逐一看过。这三处不出问题，后面加指标加品种基本不会翻车。希望帮到你。

本文还有配套的精品资源，点击获取