企业官网建设流程全解析

简介：面向STM32嵌入式开发者的FFT+THD计算与频谱图显示完整工程包，基于正点原子精英版（STM32ZET6），实现模拟信号采集、快速傅里叶变换、总谐波失真计算及LCD频谱显示的完整流程。资源共229个文件，约5.28MB，以C/H源码和Keil工程配置（uvprojx/uvoptx）为主，另有hex/axf固件、编译中间文件与调试映射，可直接在Keil中打开工程编译、烧录验证。已有3971人学习下载，适用于单片机及数字信号处理方向的学生和工程师。工程包含STM32F10x定时器、LCD等外设驱动，并演示了FFT结果如何转换为频谱波形，以及THD值如何通过与基波幅度比较得出。通过学习源码，可掌握嵌入式平台上FFT算法落地、信号失真评估和LCD实时绘图方法，适合作为课程设计或项目移植基础。

1. 一个 .rar 里装的不只是代码：单片机做 FFT 与 THD 这件事

先给结论：用 STM32 做 FFT（快速傅里叶变换）和 THD（总谐波失真）计算，不是把算法库调通就完事了。很多开发者第一次在单片机上跑 FFT 时，都会在采样链路、频谱泄漏和基波定位上栽跟头——算出来的 THD 数值跟信号发生器显示的差得离谱，频谱图看起来像锯齿，却不知道问题出在 ADC 采样参数、DMA 缓冲策略还是窗函数补偿上。这套资源包的价值就在于此：它把从 ADC 采样到频谱图绘制的完整流程串起来了，包括采样参数怎么定、FFT 点数怎么选、THD 怎么从频谱里算出来、结果怎么在屏幕上显示，以及那些藏在细节里的坑。适合正在做音频分析、电力谐波检测、振动监测或电机驱动调试的嵌入式工程师，也适合用 STM32 做毕业设计信号处理模块的同学。下面我把拆包过程、关键代码逻辑和实测排错思路都过一遍。

2. 选型与原理：为什么 STM32 适合做 FFT，以及 CMSIS-DSP 的边界

2.1 在 MCU 上跑 FFT 的硬件前提：FPU、时钟与内存

STM32 能跑 FFT，不是因为它运算有多快，而是因为它的硬件架构里给了三个关键支持：FPU（浮点运算单元）、足够的主频、以及 DMA 数据搬运能力。FPU 是做浮点 FFT 的基础，如果用的是不带 FPU 的 M0 内核芯片，算一次 1024 点 FFT 可能要几十毫秒，MCU 基本就干不了别的了；而带 FPU 的 M4 或 M7 内核，用 CMSIS-DSP 库里的实浮点 FFT 函数，1024 点运算时间通常在 100 微秒到几百微秒级别，这在音频分析、电力监测这类场景里是完全够用的。

另一个容易忽略的前提是时钟树的配置。FFT 计算时间和主频直接挂钩，但这个项目里 FFT 本身只占很小一部分，真正的瓶颈在 ADC 采样率。如果 ADC 时钟配置不对，采样率就和你预期的不一致，后面所有频率轴坐标全部偏移，频谱图上的峰值会出现在错误的位置。常见做法是先把系统时钟切到最高主频，再让 ADC 时钟从 APB2 分频出来，确保 ADC 采样时钟稳定。

内存方面，FFT 运算需要的缓存区大小和点数直接相关。CMSIS-DSP 库的arm_rfft_fast_f32需要两个数组：一个 FFT 实例结构体 + 一个fftSize * 2的浮点缓冲区。1024 点 FFT 大约需要 8KB 以上的 RAM（包含输入输出缓冲和中间变量），这在 STM32F1 系列的低配型号上可能有点紧，但 F4 系列完全没压力。资源包里给的工程默认是 1024 点，用的是动态分配还是静态数组，我看过之后确认是静态数组——这是好习惯，在单片机里尽量不用malloc，避免堆碎片化。

2.2 从 ADC 采样到频率轴的完整链路

这套资源的核心流程是一条完整信号链：信号输入 → ADC 采样 → DMA 搬运 → FFT 变换 → 幅值计算 → THD 计算 → 屏幕显示。每一条链路都有它的坑，但先把链路走通，再逐一优化，是更高效的路径。

ADC 采样的关键是把连续信号变成离散序列，这个过程由三个参数控制：采样率（决定最高可分析频率）、采样点数 N（决定频率分辨率）、转换模式（决定数据是否连续）。STM32 的 ADC 支持扫描模式、连续转换模式，再加上 DMA 的循环传输，可以实现几乎不占 CPU 的连续采样。数据从 ADC 的数据寄存器通过 DMA 自动搬运到内存缓冲区，当 DMA 传输完一轮后，触发中断或半传输中断，CPU 才介入处理这块数据。

从采样到频率轴的对应关系是：频率分辨率 = 采样率 / N。如果采样率是 20480Hz，FFT 点数是 1024，那么每个频率 bin 的宽度是 20Hz。这意味着频谱图上横轴的每一条谱线代表 20Hz 的频率范围。做 THD 计算时，如果一个谐波成分落在两个 bin 之间，频谱图的峰值会泄漏到相邻几条谱线上，导致幅值读不准。所以采样率的选择不是随意的，要尽量让感兴趣频率落在整数个 bin 上。

2.3 为什么选 1024 点而不是 256 点或 4096 点

点数的选择是 FFT 算法里最需要权衡的参数，没有绝对的正确答案，只有适合当前场景的折中。资源包里默认用 1024 点，我拆包的时候也想了下为什么不是 256 或 4096，从工程角度分析了三个原因。

第一是频率分辨率和计算量的平衡。1024 点 FFT 在 STM32F4 上的运算时间大约是几百微秒量级，如果你在做一个实时频谱分析仪，还想保持屏幕刷新率在 10Hz 以上，那 4096 点 FFT 一帧可能就要几毫秒，留给显示刷新的时间就很紧张了。第二是 RAM 占用的限制。1024 点浮点 FFT 需要 8KB 级 RAM，256 点只需要 2KB，但频率分辨率如果只有 80Hz，谐波分析的精度又不够。第三是工程误差的可控性。点数越大对 ADC 采样时钟的抖动越敏感，如果采样率设置不够精确，4096 点 FFT 之后频率轴上的误差会被放大。所以 1024 点在这个场景里确实是比较平衡的选择。

提示：如果你需要分析的是 50Hz 市电的谐波，采样率 12800Hz + 1024 点 FFT 得到的频率分辨率是 12.5Hz，基波 50Hz 落在第 4 个 bin 上，整数 4 倍关系意味着基波能量不会泄漏，实测效果会非常干净。这个参数组合值得记一下。

3. FFT 工程化落地：采样参数、ADC 配置与 DMA 双缓冲

3.1 计算采样率与频率分辨率的底层逻辑

先明确一个公式体系：采样率fs除以 FFT 点数N就是频率分辨率df = fs / N；奈奎斯特定理决定最高可分析频率是fs / 2。你能看到的频谱横轴范围是0 ~ fs/2，一共N/2条有效谱线。

实际项目中怎么定采样率？我的习惯是：先确定待分析信号的最高次谐波频率。比如你要分析 50Hz 基波的 20 次谐波，那最高频率是 1000Hz，按照奈奎斯特定理，采样率至少要 2000Hz，但实际应用中我会留 2 到 4 倍裕量，采样率取 8kHz 或 10kHz。取高了的好处是抗混叠裕量更大，坏处是同样 N 点数下频率分辨率变差。所以采样率不是越大越好，而是够用就好。

STM32 的 ADC 采样率由 ADC 时钟和采样周期共同决定：fs_adc = ADC_Clk / (采样周期 + 12.5)。如果 ADC 时钟是 72MHz（F1 系列典型值），采样周期配 239.5 周期，那么采样率就是 72MHz / (239.5 + 12.5) = 285.7kHz。这个数字看起来很奇怪，不是我们想要的 20kHz。所以在配置采样率时要倒过来算：先确定目标采样率，再反推采样周期。常见的做法是用定时器触发 ADC 采样，定时器的周期完全由你来定，这样想采多少都采多少，不受 ADC 时钟分频的约束。

3.2 ADC+DMA 双缓冲配置代码与参数说明

这套资源包里最值得参考的是 ADC 连续采样 + DMA 循环模式 + 半传输中断的配置方式。半传输中断的意义在于：DMA 正在搬运后半段数据时，CPU 可以处理前半段数据，两段交替，保证数据流不中断。以下是一个典型配置：

// ADC 配置 ADC_InitTypeDef ADC_InitStructure; DMA_InitTypeDef DMA_InitStructure; // 假设使用 ADC1 的通道 5（PA5），连续转换模式 RCC_APB2PeriphClockCmd(RCC_APB2Periph_ADC1, ENABLE); RCC_AHB1PeriphClockCmd(RCC_AHB1Periph_DMA2, ENABLE); DMA_InitStructure.DMA_PeripheralBaseAddr = (uint32_t)&ADC1->DR; // ADC 数据寄存器 DMA_InitStructure.DMA_MemoryBaseAddr = (uint32_t)adc_buffer; // 采样缓冲区 DMA_InitStructure.DMA_DIR = DMA_DIR_PeripheralToMemory; DMA_InitStructure.DMA_BufferSize = FFT_SIZE * 2; // 双缓冲总长度 DMA_InitStructure.DMA_PeripheralInc = DMA_PeripheralInc_Disable; DMA_InitStructure.DMA_MemoryInc = DMA_MemoryInc_Enable; DMA_InitStructure.DMA_PeripheralDataSize = DMA_PeripheralDataSize_HalfWord; DMA_InitStructure.DMA_MemoryDataSize = DMA_MemoryDataSize_HalfWord; DMA_InitStructure.DMA_Mode = DMA_Mode_Circular; // 循环模式 DMA_InitStructure.DMA_Priority = DMA_Priority_High; DMA_InitStructure.DMA_FIFOMode = DMA_FIFOMode_Disable; DMA_Init(DMA2_Stream0, &DMA_InitStructure);

这段配置里有三个点需要特别说明。DMA_BufferSize设置为FFT_SIZE * 2，配合半传输中断，DMA 把缓冲区填满一半就触发一次中断，CPU 立刻处理这半段数据，DMA 继续填后半段。数据宽度选择HalfWord（16 位），因为 STM32 的 ADC 分辨率是 12 位，高 16 位的半字刚好容纳。循环模式是必须的，否则 DMA 传完一轮就停了，采样就断流了。

定时器触发 ADC 的配置也是一个常规操作，但我看到资源包里有不少开发者直接用软件启动转换，这在低频采样时够用，一旦采样率超过 10kHz，中断开销会占掉大量 CPU，所以定时器触发 + DMA 搬运才是正规做法。

3.3 窗函数怎么选，以及加窗后幅值怎么补偿

FFT 有个前提假设：你输入的数据是周期性的。但 ADC 采样的数据基本不可能正好截断在信号周期的整数倍上，于是频谱泄漏就来了——一个单频信号的能量会散布到所有谱线上，看起来像频谱底部长了毛刺。解决频谱泄漏的方法是加窗函数：把采样序列逐点乘以一个窗函数，让序列两端平滑过渡到零。

资源包里用的是汉宁窗，这是谐波分析场景最常用的窗。汉宁窗的主瓣宽度是矩形窗的两倍，但旁瓣衰减非常大，能有效抑制频谱泄漏对谐波幅值的影响。它的时域形式是w[n] = 0.5 * (1 - cos(2πn / (N-1)))。

// 汉宁窗预计算并缓存，避免每次FFT前都算一遍 static float window[FFT_SIZE]; static uint8_t window_ready = 0; void window_init(void) { for (uint16_t i = 0; i < FFT_SIZE; i++) { window[i] = 0.5f * (1.0f - arm_cos_f32(2.0f * PI * i / (FFT_SIZE - 1))); } window_ready = 1; } // ADC采样数据经DMA搬入adc_buffer后，在FFT前逐点加窗 void apply_window(uint16_t *adc_buf, float *fft_buf) { for (uint16_t i = 0; i < FFT_SIZE; i++) { // 把12位ADC值转成浮点幅度，再乘窗函数 fft_buf[i] = ((float)adc_buf[i] - 2048.0f) * window[i]; } }

注意代码里为什么要先把 ADC 值减去 2048。STM32 的 ADC 是单极性输入，输入范围 0~3.3V 映射到 0~4095，而 FFT 期望的输入是交流信号。减去 2048 相当于把信号中心搬移到零附近，把直流偏置去掉，否则直流分量会占据第 0 个 bin，而且它的能量会泄漏到附近几个低频 bin，直接影响 THD 基波定位。

加窗带来一个问题：窗函数会降低信号总能量，算出来的幅值比真实值小。所以必须做幅值补偿。对于汉宁窗，对应的幅值恢复系数通常取 1.63（相干增益的倒数）。在 THD 计算里，最稳妥的做法是拿各谐波的 FFT 幅值乘以2 / N * 1.63来还原真实幅度。这个系数不写对，THD 数值会比真实值低很多。

注意：加窗只对非整数周期采样的泄漏有效。如果你的采样率和被分析信号已经满足整数周期采样条件（50Hz 信号，采样率 12800Hz，采样点数 1024 时正好采 4 个周期），那泄漏本身就是零，窗口加不加效果一样。所以不要一刀切地认为所有 FFT 都必须加窗，要在频率分辨率和加窗副作用之间做取舍。

4. THD 计算：谱峰搜索、基波定位与结果标定

4.1 THD 的数学定义和单片机实现路径

THD（总谐波失真）衡量的是信号中谐波分量相对于基波的占比，最常用的计算方式是电压谐波畸变率（THD-F）：把基波有效值作为分母，各次谐波有效值的平方和开根号作为分子。数学形式是：

THD = sqrt(U2² + U3² + U4² + ... + Un²) / U1 × 100%

这里的 U1 是基波的有效值，U2、U3 等是各次谐波的有效值。单片机里算 THD，不能像 MATLAB 那样直接用官方的 thd 函数，要按这个公式逐步实现。在 FFT 结果中，第 k 个 bin 对应的频率是k * df，第 k 个 bin 的幅值对应频率k * df的信号分量。

注意区分 THD-F 和 THD-R（总畸变率，以总有效值为分母）。在音频和电力行业，THD-F 最常用，电力行业 IEC 标准也明确 THD 指 THD-F。

4.2 基波定位与谐波幅值提取的代码思路

基波定位是 THD 计算里最容易出问题的环节。一个常见做法是：在 FFT 结果的前若干个 bin 里找到幅度最大的那条谱线，作为基波频率。但如果信号里含有直流分量，而且直流没有完全滤干净，基波定位就会错误地把第 0 个 bin（直流）当成基波。

// 输入: fft_mag[] 是已做幅值恢复的各bin幅度 // 输出: fundamental_bin, thd_value float calculate_thd(float *fft_mag, uint16_t fft_size) { uint16_t half_size = fft_size / 2; uint16_t fundamental_bin = 0; float max_mag = 0.0f; // 1. 跳过DC分量，从第1个bin开始搜索基波 // 如果知道信号频率范围，可以限定搜索区间（比如20Hz~2000Hz） for (uint16_t i = 1; i < half_size; i++) { if (fft_mag[i] > max_mag) { max_mag = fft_mag[i]; fundamental_bin = i; } } if (fundamental_bin == 0) { return -1.0f; // 未找到有效基波，返回错误码 } // 2. 防止把邻近谐波当成基波，检查基波bin前后是否存在更高的谱峰 // 实际工程中可以用抛物线插值提高基波频率精度 // 3. 按基波bin整数倍搜索各次谐波 float harmonic_sum_sq = 0.0f; for (uint16_t h = 2; h <= 20; h++) { // 最多计算到20次谐波 uint16_t bin = fundamental_bin * h; if (bin < half_size) { float h_mag = fft_mag[bin]; // 可选: 把相邻bin的能量算进来做能量聚合 harmonic_sum_sq += h_mag * h_mag; } } float fundamental_mag = fft_mag[fundamental_bin]; float thd = 100.0f * sqrtf(harmonic_sum_sq) / fundamental_mag; return thd; }

这里有几个边界情况要说明。基波搜索从i = 1开始是为了避开直流分量，但实际中如果采样率很低（比如 2kHz），信号频率又很低（比如 20Hz），基波可能就落在第 1 或第 2 个 bin 上，搜索区间应该更灵活。另外一个经验是：基波确定后，寻找各次谐波时不能只看k * fundamental_bin这一个 bin，因为频谱泄漏和频率偏移会让谐波能量分散到附近几个 bin 上，更稳的做法是把该谐波附近 3~5 个 bin 的幅度做能量聚合。资源包里给的代码相比我见过的一些简化版实现已经完整不少，但聚合逻辑这一块我没有在这个版本里看到，如果你要拿来做电力谐波检测，建议自己补上。

4.3 用信号发生器做端到端校准

软件算完 THD 只是第一步，设备端校准才是决定结果可信度的关键。我在拆这个资源包时，特别注意看它有没有提供校准流程——很遗憾，包里没有，但我把这类项目通用的校准方法说一下，因为这是做 THD 必走的一步。

校准思路很简单：用信号发生器输出一个已知 THD 的信号，比如一个 50Hz 基波加 3% 的 150Hz 三次谐波，然后用这套系统去测，看测得的结果和信号发生器的设定值差多少。如果差异超过允许误差（通常是 0.1% 到 0.5%），就要回头查这几个地方：ADC 的零偏是否校准（减去 2048 之前有没有硬件偏移）、窗函数的幅值恢复系数是否正确、采样率是否准确（直接影响基波 bin 的定位）。

实际测量中有一个很隐蔽的问题：信号发生器本身也有 THD。很多普通信号发生器的正弦波输出并不是纯正的，可能自带 0.5% 到 1% 的失真。你以为你在校准一个 0.1% THD 的仪器，实际上其 THD 是被信号源自身的失真主导的。所以我一般建议用已知性能的音频分析仪作为参考源，或者干脆看系统测出来的本底噪声等级，来判断系统自身性能是否可信。

5. 避坑清单：信号链路上的五个典型翻车点

5.1 频谱泄漏：加窗后幅值仍然不准

现象：FFT 谱峰显示正常，但峰值幅度比信号发生器设定的值明显偏低，而且左右相邻几条谱线都有可观的幅度。原因：窗函数把能量分散了，但幅值补偿系数没有对应调整。加了汉宁窗后，如果不乘约 1.63 的恢复系数，幅度只有真实值的约 0.5~0.6 倍。解决：确认 FFT 结果乘以恢复系数2 / N × 1.63。另一个办法是改用平顶窗，它的幅值误差很小，但主瓣更宽，频率分辨率会差一些。在谐波分析场景，频率分辨率比单点幅值精度更重要，优先用汉宁加补偿，而不是平顶窗。

5.2 THD 虚高：直流分量没剥干净

现象：输入一个纯正弦波（理论上 THD 应该是 0.1% 以下），系统算出来的 THD 却是 2% 到 5%。原因：ADC 的单极性偏置没有去掉。STM32 的 ADC 输入范围是 0~3.3V，如果信号本身是 ±1V 的交流，叠加在 1.65V 的直流偏置上，FFT 后的第 0 个 bin 会有一个巨大峰值。如果信号频率和采样率不是整数倍关系，直流的泄漏会让第 1 到第 3 个 bin 出现明显的假谐波，从而虚高。解决：FFT 前把 ADC 值减去中间值（12 位 ADC 就是减去 2048），并且在基波搜索时从第 1 个 bin 开始，跳过直流。减法这个操作要在加窗之前做，否则窗函数的对称性会被破坏，可能引入新的低频毛刺。

5.3 采样不连续：DMA 传输模式选错

现象：频谱图看起来有大量杂散的噪声峰值，或者谱峰宽度异常，明显不是单频谱线。原因：DMA 用的是DMA_Mode_Normal，只能搬运一轮就停了。ADC 还在继续转换，但没有 DMA 搬运，缓冲区里的数据不会被更新，下一次 FFT 处理的是陈旧数据。如果缓冲区尺寸和 FFT 尺寸一样，没有双缓冲，采样数据会出现断点，频率轴的相位不连续。解决：DMA 必须配置为循环模式，缓冲区大小设为N × 2，配合半传输中断切半处理。另外检查 DMA 的 FIFO 是否关闭——工程上如果开了 FIFO 且数据宽度不匹配，数据顺序可能会错位，导致 FFT 出来的频谱是乱的。

5.4 显示刷新卡顿：FFT 占用了太多 CPU 时间

现象：屏幕上频谱图刷新很慢，或者刷新时 ADC 采样中断了，频谱时不时跳动一次。原因：FFT 计算时间太长，或者显示刷屏用了while等待的方式，阻塞了主循环。在许多 LCD 驱动库中，画一条竖线都要循环刷新几千个像素，如果每个像素用GPIO_WriteBit去写，时间消耗非常大，FFT 还没算完，一大段采样就被漏掉了。解决：显示用 DMA2D（如果芯片支持），或者用 SPI DMA 把帧缓冲批量刷到屏幕；FFT 使用 CMSIS-DSP 库，不要自己写三层嵌套循环去算蝶形运算。对于频谱显示，更推荐每根柱子用水平填充线画，减少和 LCD 控制器的通信次数。

5.5 编译器优化等级导致计算结果偶尔漂移

现象：FFT 和 THD 计算结果在 Debug 下是正常的，Release 或更高优化等级下（-O2/-O3），结果偶尔和预期不符，有时是 NaN，有时是错误的大值。原因：优化器认为某些变量不会变化，把 FFT 查找表的指针缓存了，或者 DMA 中断和主循环之间出现数据一致性问题。有些开发者没有把 FFT 输入输出数组声明为volatile，主循环读到的是被优化器缓存到寄存器里的旧值。解决：在中断和主循环都会访问的缓冲区变量上，使用volatile修饰；同时检查优化后是否存在浮点异常。CMSIS 的浮点 FFT 对对齐有要求，缓冲区指针如果不按 4 字节对齐，Release 下会触发 hardfault，Debug 下反而不一定。

提示：最后这个坑在 STM32F4 上特别常见，因为 M4 内核的 FPU 对未对齐内存访问更敏感。如果你发现程序在 Release 下崩溃，优先检查所有存储 FFT 缓冲区的数组，确认它们的对齐属性（给数组加__ALIGNED(4)或alignas(4)声明）。

6. 进阶验证与扩展：从“能跑”到“能信”

6.1 用标准信号源做闭环校验

资源包里的代码能出图，能算 THD，但它到底准不准，需要你自己去做闭环验证。我的验证流程是：准备一个低失真信号发生器（失真最好低于 0.1%），设置输出频率 1kHz、幅度 0.5Vrms，然后分别测这几个点：系统算出的基波频率是否在 1000Hz 附近（允许偏差 1 个 bin）；基波幅值是否接近设定值（允许误差 ±5%）；THD 读数是否低于信号源自身的失真上限。

如果基波频率偏差了，优先检查采样率配置。STM32 的定时器触发采样如果用内部时钟源，实际频率和理论值会有微小的偏差（通常小于 0.5%），CPP 的定时器校准可以把这个误差纠正过来。如果基波幅值不对，检查窗函数补偿系数；如果 THD 值在信号源已经非常干净的情况下仍然偏高，去查 ADC 采样环节是否引入了噪声——供电纹波和参考电压不稳定是常见的罪魁祸首。

6.2 扩展方向：定点 FFT、多通道切换与离线批处理

如果对这套资源包做一个功能延伸，我会先做三件事。

第一是换定点 FFT。arm_rfft_q15是 16 位定点实现，不需要 FPU，运算速度更快，适合在 F1 这类没有浮点单元的芯片上跑。代价是精度低一些，在 12 位 ADC 输入下完全够用。定点 FFT 配合合适的缩放因子，输出结果仍是 Q15 格式，需要自己做定点转浮点的缩放才显示。

第二是支持多通道。现在资源里只做单通道采样，但很多场景需要同时分析多路信号。最省事的做法是用 ADC 扫描模式在多个通道间轮询，DMA 缓冲区按「每通道各占一段」来排列，FFT 计算时按通道切分数据。这种方式要注意通道切换时 ADC 的采样保持时间，如果相邻通道的输入阻抗差异大，串扰会直接影响频谱底噪。

第三是离线批处理。把 DMS 搬出来的原始 ADC 数据通过串口或 SD 卡导出到上位机，用 Python 的scipy.fft做离线分析，对比单片机上的 FFT 结果。这个办法能快速定位到底是单片机计算问题还是采样链路问题，在调试谐波分析系统时效率非常高，我每次调试都会用这个方式相互验证。

从那以后，我每次做 FFT 相关项目都会先强制自己走一遍空采校准：干活之前先短接输入到 GND，确认 FFT 底噪低于设定阈值，再做正式信号分析。这套习惯帮我排除掉了很多「明明是电源噪声却在怀疑算法」的时间浪费。这套资源包虽然代码风格不一定最优，但链路完整、逻辑直接，作为改造成自己项目的基础是完全可以信的——希望你用的时候少走几个坑，也希望这篇拆解笔记能帮到你。

本文还有配套的精品资源，点击获取