简介dataDemo.rar 是一份面向 C# 开发者的数据库操作示例合集聚焦于用 C# 连接并操作 Oracle、SQL Server、SQLite 等主流数据库适合正在学习 ADO.NET 数据访问或需要跨数据库方案参考的初中级开发者。压缩包共 38 个文件约 623KB以 cs 源码为主辅以 sln 解决方案、csproj 工程文件、config 配置、resx 资源及少量 exe、dll 编译产物另含一个 SQLite 数据库文件整体结构便于直接打开运行与调试。资源围绕连接字符串配置、Command 执行、DataReader 读取、事务管理与结果集处理等核心环节展开示例代码覆盖多种数据库的访问方式可帮助读者对比不同数据库在 C# 中的实现差异理解连接建立、SQL 执行与异常处理的通用思路。目前已有 754 人学习下载适合作为数据库访问入门练习与项目参考素材。1. 一个压缩包名背后dataDemo.rar 到底在做什么第一次看到dataDemo.rar这个标题很多人会以为它只是一个随手打包的示例数据压缩包解压完就完事。但真正在一线做数据处理的人会立刻警觉一个以dataDemo命名的压缩包往往意味着它是一整套数据链路的起点——里面可能包含原始样本、标注文件、配置脚本甚至是一份能直接跑通的最小可运行工程。它解决的不是“数据在哪”的问题而是“数据怎么从一堆散文件变成可训练、可验证、可复现的输入”的问题。适合谁适合刚接手一个数据项目、需要快速判断数据质量与结构的人也适合想把零散数据整理成标准流程的工程师。这一章先把dataDemo.rar这类压缩包在真实工作流中的位置讲清楚后面再拆解怎么解、怎么验、怎么用。2. 解压前先看结构dataDemo.rar 里通常有什么拿到一个dataDemo.rar最忌讳的就是直接双击解压然后一头扎进文件夹里乱翻。我一般会先做两件事确认压缩包完整性再预览内部目录树。这样做的好处是能在不污染工作区的前提下快速判断这个包是“原始数据包”“标注结果包”还是“可运行示例包”。不同类型的包后续处理路径完全不同。2.1 用命令行预览压缩包内容在 Linux 或 macOS 上unrar和rar是常用工具Windows 上可以用 7-Zip 的命令行版本。下面这条命令只列出文件不解压# 列出 dataDemo.rar 内部文件不实际解压 unrar l dataDemo.rar如果系统没有unrar可以用7z替代# 使用 7z 列出压缩包内容 7z l dataDemo.rar逻辑说明l参数表示 list只读取压缩包中央目录不会写入磁盘。参数上unrar还支持-p指定密码如果包有加密这里会提示输入。输出里重点看三列文件路径、大小、修改时间。如果看到大量.jpg、.png和同名.txt、.json大概率是图像数据加标注如果看到.csv、.parquet和requirements.txt更偏向表格数据工程。2.2 判断目录层级与文件命名规律预览之后把输出重定向到文件里慢慢看# 将文件列表保存便于统计和筛选 unrar l dataDemo.rar demo_filelist.txt # 统计不同扩展名的数量 grep -oE \.[a-zA-Z0-9]$ demo_filelist.txt | sort | uniq -c | sort -nr逻辑说明第一条命令把列表落盘避免反复解压第二条用正则提取扩展名并计数。参数上-oE表示只输出匹配部分并启用扩展正则。如果发现.xml和.jpg数量完全一致说明是标准 VOC 风格如果.json数量远多于图片可能是每个样本对应多个标注区域。命名规律也很关键000001.jpg这种连续编号通常来自公开数据集切片而camera_20240101_120000.jpg这种时间戳命名则更接近真实采集数据后者往往需要额外做时间对齐。2.3 解压到独立工作目录并保留原始包确认结构后再解压。我习惯解压到以包名加日期的目录并且保留原始压缩包不动# 创建独立工作目录并解压 mkdir -p workspace/dataDemo_20240101 unrar x dataDemo.rar workspace/dataDemo_20240101/逻辑说明x表示保留完整路径解压。参数上如果压缩包内路径是绝对路径unrar会警告这时加-e可以忽略路径只取文件但会丢失目录结构不建议一开始就用。解压后先跑一次文件数量核对# 核对解压后文件数量与列表是否一致 find workspace/dataDemo_20240101 -type f | wc -l如果数量对不上优先怀疑压缩包损坏或解压中断而不是数据本身有问题。这一步做完才算真正把dataDemo.rar从“一个包”变成“一份可操作的数据集”。3. 把 dataDemo.rar 变成可训练数据清洗、切分与格式转换解压只是开始。真正决定dataDemo.rar能不能用的是接下来这三步清洗脏数据、按比例切分训练验证集、转换成框架能直接读的格式。很多人在这一步翻车不是因为不会写代码而是因为顺序错了——先转换再清洗结果把噪声也固化进了新格式回头再改成本翻倍。3.1 清洗先处理缺失值与重复样本假设dataDemo.rar解压后是一批图像和对应标注文件。第一步不是急着转格式而是先找出缺失和重复。下面这段 Python 脚本做两件事检查图片与标注是否一一对应以及用感知哈希找出重复图片。import os from PIL import Image import imagehash # 设定数据根目录 root workspace/dataDemo_20240101 img_dir os.path.join(root, images) ann_dir os.path.join(root, annotations) # 收集文件名不含扩展名 img_names {os.path.splitext(f)[0] for f in os.listdir(img_dir)} ann_names {os.path.splitext(f)[0] for f in os.listdir(ann_dir)} # 找出缺失标注的图片和缺失图片的标注 missing_ann img_names - ann_names missing_img ann_names - img_names print(缺失标注:, len(missing_ann), 缺失图片:, len(missing_img)) # 用感知哈希找重复图片 hashes {} for name in img_names: path os.path.join(img_dir, name .jpg) with Image.open(path) as im: h str(imagehash.phash(im)) hashes.setdefault(h, []).append(name) duplicates {h: names for h, names in hashes.items() if len(names) 1} print(重复组数:, len(duplicates))逻辑说明imagehash.phash对图像内容生成 64 位指纹相似图片指纹接近。参数上phash比average_hash更抗缩放适合数据增强后的重复检测。如果重复组很多说明数据采集时可能有连拍或增强副本混入需要按业务决定保留哪一张。缺失标注的样本要么补标要么直接剔除不要留着让训练脚本报错。3.2 切分按时间或类别分层不要随机切随机切分是新手最容易踩的坑。如果dataDemo.rar里的数据有时间属性随机切会导致同一场景的图片同时出现在训练和验证集验证指标虚高。我一般用分层切分import random from collections import defaultdict # 假设每个样本有一个类别标签 samples [(name, label) for name, label in ...] # 从标注中读取 by_label defaultdict(list) for name, label in samples: by_label[label].append(name) train, val [], [] for label, names in by_label.items(): random.shuffle(names) cut int(len(names) * 0.8) train.extend(names[:cut]) val.extend(names[cut:]) print(训练集:, len(train), 验证集:, len(val))逻辑说明按类别分组后再切保证每个类别在训练和验证中都有代表。参数上0.8是常见比例但小类别样本少于 50 时建议用 0.7 甚至 0.6避免验证集里该类样本只有一两个。如果数据有时间戳更稳妥的做法是按时间排序后取前 80% 做训练后 20% 做验证这样更接近真实上线场景。3.3 格式转换从 VOC 到 YOLO 的坐标换算如果dataDemo.rar里是 VOC 风格的 XML 标注而你要用 YOLO 系列训练就需要转换。核心是坐标归一化import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls obj.find(name).text bnd obj.find(bndbox) xmin float(bnd.find(xmin).text) ymin float(bnd.find(ymin).text) xmax float(bnd.find(xmax).text) ymax float(bnd.find(ymax).text) # 归一化中心点与宽高 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) return lines逻辑说明YOLO 格式要求类别索引从 0 开始且坐标是相对图像宽高的浮点数。参数上img_w和img_h必须来自实际图片尺寸不能硬编码。如果 XML 里坐标超出图片边界要先裁剪再归一化否则训练时会出现损失异常。转换完成后随机抽 10 张图用可视化脚本画框核对这一步不能省。4. 避坑与排查dataDemo.rar 处理中最容易翻车的 5 个点这一章不讲新东西只讲我踩过的坑。每一条都按“现象 → 原因 → 解决”写方便你对照排查。4.1 解压后文件名乱码现象解压出来的中文文件名变成????或乱码。原因压缩包在 Windows 下用 GBK 编码打包而 Linux 默认 UTF-8。解决用unrar时加-p不行得用7z的-mcp936指定代码页或者先在 Windows 下解压再拷贝。更稳妥的做法是让打包方统一用 UTF-8。4.2 图片能打开但训练时报“无法识别”现象用看图软件能正常显示但训练脚本报UnidentifiedImageError。原因图片扩展名是.jpg实际是 WebP 或 PNG 改的后缀。解决用PIL批量读取并重新保存为标准 JPEGfrom PIL import Image import os for f in os.listdir(img_dir): path os.path.join(img_dir, f) try: with Image.open(path) as im: im.convert(RGB).save(path, JPEG) except Exception as e: print(损坏文件:, path, e)4.3 标注坐标是浮点数但被当成整数现象转换后框的位置整体偏移。原因VOC XML 里坐标可能是浮点但读取时用了int()截断。解决统一用float()读取归一化后再格式化输出。这个坑很隐蔽因为偏移量小的时候肉眼看不出。4.4 训练集和验证集出现同一张图的不同增强版本现象验证集准确率异常高但上线后效果差。原因数据增强在切分之前做了导致同一原图的增强副本同时进入训练和验证。解决先切分再对训练集做增强验证集只做 resize 和归一化。4.5 压缩包内路径带空格导致脚本批量处理失败现象find或glob拿到的路径带空格后续命令拼接后报“文件不存在”。原因没有对路径做引号处理。解决在 shell 里用find -print0配合xargs -0在 Python 里直接用os.path.join和pathlib不要手动拼字符串。5. 进阶技巧把 dataDemo.rar 变成可复现的数据版本处理完一个dataDemo.rar不算本事能把它变成可复现、可追溯的数据版本才算真正落地。我一般会做三件事生成数据指纹、写一份dataset_card.md、把清洗和转换脚本固化成Makefile。这样下次拿到新的dataDemo.rar只需要改路径就能跑通全流程。5.1 用哈希清单锁定数据版本对解压后的每个文件计算 SHA256输出成清单# 生成文件哈希清单 find workspace/dataDemo_20240101 -type f -exec sha256sum {} \; data_manifest.sha256逻辑说明sha256sum对每个文件生成唯一指纹find -exec批量执行。参数上如果文件数量很大可以加-print0配合xargs -0提升效率。这份清单的作用是下次数据被改动时重新生成清单并对比就能立刻发现哪些文件变了。5.2 写一份 dataset_card.md不要小看这份文档。它至少包含数据来源虚构代称即可、样本总数、类别分布、切分比例、已知偏差、预处理步骤。我习惯用表格记录类别分布类别训练集数量验证集数量备注类别A1200300部分样本有遮挡类别B800200光照变化较大类别C15040小样本需过采样这张表能让接手的人一眼看出数据是否均衡需不需要补采。5.3 用 Makefile 固化流程把解压、清洗、切分、转换串成一条命令DATA_DIR workspace/dataDemo_20240101 all: extract clean split convert extract: unrar x dataDemo.rar $(DATA_DIR)/ clean: python scripts/clean.py --root $(DATA_DIR) split: python scripts/split.py --root $(DATA_DIR) --ratio 0.8 convert: python scripts/convert.py --root $(DATA_DIR) --format yolo逻辑说明每个目标对应一个步骤make all一键跑通。参数上--ratio控制切分比例--format控制输出格式。这样做的最大好处是流程可复现换一台机器、换一个人只要make all就能得到一致结果。我自己的习惯是每次拿到新的dataDemo.rar先跑make extract看结构再跑make clean看清洗报告确认无误后才继续。这个习惯帮我省下了至少三次“训练到一半发现数据有问题”的后悔药。希望帮到你。本文还有配套的精品资源点击获取 dataDemo.rar数据处理全流程：从解压到可训练数据集
简介dataDemo.rar 是一份面向 C# 开发者的数据库操作示例合集聚焦于用 C# 连接并操作 Oracle、SQL Server、SQLite 等主流数据库适合正在学习 ADO.NET 数据访问或需要跨数据库方案参考的初中级开发者。压缩包共 38 个文件约 623KB以 cs 源码为主辅以 sln 解决方案、csproj 工程文件、config 配置、resx 资源及少量 exe、dll 编译产物另含一个 SQLite 数据库文件整体结构便于直接打开运行与调试。资源围绕连接字符串配置、Command 执行、DataReader 读取、事务管理与结果集处理等核心环节展开示例代码覆盖多种数据库的访问方式可帮助读者对比不同数据库在 C# 中的实现差异理解连接建立、SQL 执行与异常处理的通用思路。目前已有 754 人学习下载适合作为数据库访问入门练习与项目参考素材。1. 一个压缩包名背后dataDemo.rar 到底在做什么第一次看到dataDemo.rar这个标题很多人会以为它只是一个随手打包的示例数据压缩包解压完就完事。但真正在一线做数据处理的人会立刻警觉一个以dataDemo命名的压缩包往往意味着它是一整套数据链路的起点——里面可能包含原始样本、标注文件、配置脚本甚至是一份能直接跑通的最小可运行工程。它解决的不是“数据在哪”的问题而是“数据怎么从一堆散文件变成可训练、可验证、可复现的输入”的问题。适合谁适合刚接手一个数据项目、需要快速判断数据质量与结构的人也适合想把零散数据整理成标准流程的工程师。这一章先把dataDemo.rar这类压缩包在真实工作流中的位置讲清楚后面再拆解怎么解、怎么验、怎么用。2. 解压前先看结构dataDemo.rar 里通常有什么拿到一个dataDemo.rar最忌讳的就是直接双击解压然后一头扎进文件夹里乱翻。我一般会先做两件事确认压缩包完整性再预览内部目录树。这样做的好处是能在不污染工作区的前提下快速判断这个包是“原始数据包”“标注结果包”还是“可运行示例包”。不同类型的包后续处理路径完全不同。2.1 用命令行预览压缩包内容在 Linux 或 macOS 上unrar和rar是常用工具Windows 上可以用 7-Zip 的命令行版本。下面这条命令只列出文件不解压# 列出 dataDemo.rar 内部文件不实际解压 unrar l dataDemo.rar如果系统没有unrar可以用7z替代# 使用 7z 列出压缩包内容 7z l dataDemo.rar逻辑说明l参数表示 list只读取压缩包中央目录不会写入磁盘。参数上unrar还支持-p指定密码如果包有加密这里会提示输入。输出里重点看三列文件路径、大小、修改时间。如果看到大量.jpg、.png和同名.txt、.json大概率是图像数据加标注如果看到.csv、.parquet和requirements.txt更偏向表格数据工程。2.2 判断目录层级与文件命名规律预览之后把输出重定向到文件里慢慢看# 将文件列表保存便于统计和筛选 unrar l dataDemo.rar demo_filelist.txt # 统计不同扩展名的数量 grep -oE \.[a-zA-Z0-9]$ demo_filelist.txt | sort | uniq -c | sort -nr逻辑说明第一条命令把列表落盘避免反复解压第二条用正则提取扩展名并计数。参数上-oE表示只输出匹配部分并启用扩展正则。如果发现.xml和.jpg数量完全一致说明是标准 VOC 风格如果.json数量远多于图片可能是每个样本对应多个标注区域。命名规律也很关键000001.jpg这种连续编号通常来自公开数据集切片而camera_20240101_120000.jpg这种时间戳命名则更接近真实采集数据后者往往需要额外做时间对齐。2.3 解压到独立工作目录并保留原始包确认结构后再解压。我习惯解压到以包名加日期的目录并且保留原始压缩包不动# 创建独立工作目录并解压 mkdir -p workspace/dataDemo_20240101 unrar x dataDemo.rar workspace/dataDemo_20240101/逻辑说明x表示保留完整路径解压。参数上如果压缩包内路径是绝对路径unrar会警告这时加-e可以忽略路径只取文件但会丢失目录结构不建议一开始就用。解压后先跑一次文件数量核对# 核对解压后文件数量与列表是否一致 find workspace/dataDemo_20240101 -type f | wc -l如果数量对不上优先怀疑压缩包损坏或解压中断而不是数据本身有问题。这一步做完才算真正把dataDemo.rar从“一个包”变成“一份可操作的数据集”。3. 把 dataDemo.rar 变成可训练数据清洗、切分与格式转换解压只是开始。真正决定dataDemo.rar能不能用的是接下来这三步清洗脏数据、按比例切分训练验证集、转换成框架能直接读的格式。很多人在这一步翻车不是因为不会写代码而是因为顺序错了——先转换再清洗结果把噪声也固化进了新格式回头再改成本翻倍。3.1 清洗先处理缺失值与重复样本假设dataDemo.rar解压后是一批图像和对应标注文件。第一步不是急着转格式而是先找出缺失和重复。下面这段 Python 脚本做两件事检查图片与标注是否一一对应以及用感知哈希找出重复图片。import os from PIL import Image import imagehash # 设定数据根目录 root workspace/dataDemo_20240101 img_dir os.path.join(root, images) ann_dir os.path.join(root, annotations) # 收集文件名不含扩展名 img_names {os.path.splitext(f)[0] for f in os.listdir(img_dir)} ann_names {os.path.splitext(f)[0] for f in os.listdir(ann_dir)} # 找出缺失标注的图片和缺失图片的标注 missing_ann img_names - ann_names missing_img ann_names - img_names print(缺失标注:, len(missing_ann), 缺失图片:, len(missing_img)) # 用感知哈希找重复图片 hashes {} for name in img_names: path os.path.join(img_dir, name .jpg) with Image.open(path) as im: h str(imagehash.phash(im)) hashes.setdefault(h, []).append(name) duplicates {h: names for h, names in hashes.items() if len(names) 1} print(重复组数:, len(duplicates))逻辑说明imagehash.phash对图像内容生成 64 位指纹相似图片指纹接近。参数上phash比average_hash更抗缩放适合数据增强后的重复检测。如果重复组很多说明数据采集时可能有连拍或增强副本混入需要按业务决定保留哪一张。缺失标注的样本要么补标要么直接剔除不要留着让训练脚本报错。3.2 切分按时间或类别分层不要随机切随机切分是新手最容易踩的坑。如果dataDemo.rar里的数据有时间属性随机切会导致同一场景的图片同时出现在训练和验证集验证指标虚高。我一般用分层切分import random from collections import defaultdict # 假设每个样本有一个类别标签 samples [(name, label) for name, label in ...] # 从标注中读取 by_label defaultdict(list) for name, label in samples: by_label[label].append(name) train, val [], [] for label, names in by_label.items(): random.shuffle(names) cut int(len(names) * 0.8) train.extend(names[:cut]) val.extend(names[cut:]) print(训练集:, len(train), 验证集:, len(val))逻辑说明按类别分组后再切保证每个类别在训练和验证中都有代表。参数上0.8是常见比例但小类别样本少于 50 时建议用 0.7 甚至 0.6避免验证集里该类样本只有一两个。如果数据有时间戳更稳妥的做法是按时间排序后取前 80% 做训练后 20% 做验证这样更接近真实上线场景。3.3 格式转换从 VOC 到 YOLO 的坐标换算如果dataDemo.rar里是 VOC 风格的 XML 标注而你要用 YOLO 系列训练就需要转换。核心是坐标归一化import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, img_w, img_h): tree ET.parse(xml_path) root tree.getroot() lines [] for obj in root.findall(object): cls obj.find(name).text bnd obj.find(bndbox) xmin float(bnd.find(xmin).text) ymin float(bnd.find(ymin).text) xmax float(bnd.find(xmax).text) ymax float(bnd.find(ymax).text) # 归一化中心点与宽高 cx (xmin xmax) / 2.0 / img_w cy (ymin ymax) / 2.0 / img_h w (xmax - xmin) / img_w h (ymax - ymin) / img_h lines.append(f{cls} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}) return lines逻辑说明YOLO 格式要求类别索引从 0 开始且坐标是相对图像宽高的浮点数。参数上img_w和img_h必须来自实际图片尺寸不能硬编码。如果 XML 里坐标超出图片边界要先裁剪再归一化否则训练时会出现损失异常。转换完成后随机抽 10 张图用可视化脚本画框核对这一步不能省。4. 避坑与排查dataDemo.rar 处理中最容易翻车的 5 个点这一章不讲新东西只讲我踩过的坑。每一条都按“现象 → 原因 → 解决”写方便你对照排查。4.1 解压后文件名乱码现象解压出来的中文文件名变成????或乱码。原因压缩包在 Windows 下用 GBK 编码打包而 Linux 默认 UTF-8。解决用unrar时加-p不行得用7z的-mcp936指定代码页或者先在 Windows 下解压再拷贝。更稳妥的做法是让打包方统一用 UTF-8。4.2 图片能打开但训练时报“无法识别”现象用看图软件能正常显示但训练脚本报UnidentifiedImageError。原因图片扩展名是.jpg实际是 WebP 或 PNG 改的后缀。解决用PIL批量读取并重新保存为标准 JPEGfrom PIL import Image import os for f in os.listdir(img_dir): path os.path.join(img_dir, f) try: with Image.open(path) as im: im.convert(RGB).save(path, JPEG) except Exception as e: print(损坏文件:, path, e)4.3 标注坐标是浮点数但被当成整数现象转换后框的位置整体偏移。原因VOC XML 里坐标可能是浮点但读取时用了int()截断。解决统一用float()读取归一化后再格式化输出。这个坑很隐蔽因为偏移量小的时候肉眼看不出。4.4 训练集和验证集出现同一张图的不同增强版本现象验证集准确率异常高但上线后效果差。原因数据增强在切分之前做了导致同一原图的增强副本同时进入训练和验证。解决先切分再对训练集做增强验证集只做 resize 和归一化。4.5 压缩包内路径带空格导致脚本批量处理失败现象find或glob拿到的路径带空格后续命令拼接后报“文件不存在”。原因没有对路径做引号处理。解决在 shell 里用find -print0配合xargs -0在 Python 里直接用os.path.join和pathlib不要手动拼字符串。5. 进阶技巧把 dataDemo.rar 变成可复现的数据版本处理完一个dataDemo.rar不算本事能把它变成可复现、可追溯的数据版本才算真正落地。我一般会做三件事生成数据指纹、写一份dataset_card.md、把清洗和转换脚本固化成Makefile。这样下次拿到新的dataDemo.rar只需要改路径就能跑通全流程。5.1 用哈希清单锁定数据版本对解压后的每个文件计算 SHA256输出成清单# 生成文件哈希清单 find workspace/dataDemo_20240101 -type f -exec sha256sum {} \; data_manifest.sha256逻辑说明sha256sum对每个文件生成唯一指纹find -exec批量执行。参数上如果文件数量很大可以加-print0配合xargs -0提升效率。这份清单的作用是下次数据被改动时重新生成清单并对比就能立刻发现哪些文件变了。5.2 写一份 dataset_card.md不要小看这份文档。它至少包含数据来源虚构代称即可、样本总数、类别分布、切分比例、已知偏差、预处理步骤。我习惯用表格记录类别分布类别训练集数量验证集数量备注类别A1200300部分样本有遮挡类别B800200光照变化较大类别C15040小样本需过采样这张表能让接手的人一眼看出数据是否均衡需不需要补采。5.3 用 Makefile 固化流程把解压、清洗、切分、转换串成一条命令DATA_DIR workspace/dataDemo_20240101 all: extract clean split convert extract: unrar x dataDemo.rar $(DATA_DIR)/ clean: python scripts/clean.py --root $(DATA_DIR) split: python scripts/split.py --root $(DATA_DIR) --ratio 0.8 convert: python scripts/convert.py --root $(DATA_DIR) --format yolo逻辑说明每个目标对应一个步骤make all一键跑通。参数上--ratio控制切分比例--format控制输出格式。这样做的最大好处是流程可复现换一台机器、换一个人只要make all就能得到一致结果。我自己的习惯是每次拿到新的dataDemo.rar先跑make extract看结构再跑make clean看清洗报告确认无误后才继续。这个习惯帮我省下了至少三次“训练到一半发现数据有问题”的后悔药。希望帮到你。本文还有配套的精品资源点击获取