简介：面向凝聚态物理与量子输运研究者的Python语言数据处理工具，专门用于分析在脉冲磁场和直流磁场条件下测量得到的舒勃尼科夫-德哈斯（SdH）振荡数据。这套工具以SdHDataSet数据类为核心，内置原始数据清洗、磁场反向后的样条插值、多项式磁阻背景扣除、FFT变换峰识别、振荡信号滤波与分离、振幅计算等步骤，并可结合Lifshitz-Kosevich公式进一步拟合有效质量、g因子、Dingle温度及磁断裂场等材料参数。示例文档会完整演示从原始扫描到参数拟合的全流程，包含逆磁场转换、背景扣除、频谱分析等关键可视化环节，便于读者理解每一步处理逻辑，并将方法迁移到自己的数据上。压缩包共4个文件，包含两个Python脚本、一个Jupyter笔记本文档和一份Markdown说明文件；其中核心脚本负责整体数据处理流程，辅助脚本用于自动识别FFT峰位，示例文档展示可复现的分析过程，说明文件则介绍使用方式。整个压缩包约367KB，结构紧凑。目前已有175人学习，适合研究生和科研人员快速搭建SdH振荡分析流程，省去从零编写繁复的预处理与拟合代码。
1. 量子振荡数据处理：从噪声里把费米面“捞”出来的完整链路
低温强磁场下测完一组磁阻曲线，屏幕上呈现的往往是一条总体单调的背景，量子振荡那一丁点周期性涨落被淹没在背景里，肉眼几乎分辨不出来。想从中读出费米面极值面积、有效质量、散射率这些关键物理量，靠的不是更高分辨率的测量仪器，而是一条严谨的数据处理流程：本底扣除、1/B域重采样、频谱分析、温度依赖拟合。标题里说的“分析量子振荡的数据处理流程代码应用”，本质就是把这套物理分析固化成可复现的 Python 流程，让每个人在自己的数据上都能跑通并拿到可信参数。这篇笔记按真实测量数据最常见的形态来讲，适合做低温输运、dHvA 以及各类量子材料磁化率测量的从业者。现在我们从最原始的测量文件开始，一步步把这套流程拆开。
2. 数据预读与1/B变换：把非均匀扫描变成均匀振荡序列
量子振荡数据处理的第一道坎，不是算法，而是数据形态。测量仪器输出的原始文件通常是多列文本，包含磁场、角度、电压、电流。磁场扫描又是匀速扫B，所以数据点在B域等间距，但在1/B域完全不等距。后续所有频谱分析都要求输入序列在1/B域等间隔，因此拿到数据后先别着急画图，第一步是把文件读懂、把物理量统一、把坐标变换做对。
2.1 原始数据里的关键列与单位统一
常见的原始数据第一列是磁场 B，单位特斯拉；第二列是角度 θ，只在转角测量时有效；后面几列是纵向电压 Vxx、横向电压 Vxy，有时直接给电阻值。我习惯先写一个独立的数据预览函数，打印列名、量纲范围和数据点密度，而不是直接把文件丢进分析脚本。单位没统一，后面所有公式都会跟着错。
import numpy as np import pandas as pd def load_raw_data(filepath): df = pd.read_csv(filepath, delimiter="\t", comment="#") print("列名:", df.columns.tolist()) print("行数:", len(df)) # 常见列名映射：B_field / Field，电压与电流分开给 B = df["B_field"].to_numpy(dtype=float) Vxx = df["Vxx"].to_numpy(dtype=float) I = df["current"].to_numpy(dtype=float) Rxx = Vxx / I # 四探针测量电阻，单位欧姆 print("磁场范围: %.3f ~ %.3f T" % (B.min(), B.max())) return B, Rxx, df这段代码的重点是单位统一。测量原始数据里电压的单位可能是微伏而不是伏，电流可能是毫安而不是安，直接相除得到的电阻会差十个数量级。我一般会在读数据后加一步显式换算，把所有数值统一到国际单位，再用电阻率公式把 Rxx 转成电阻率。如果样品厚度和几何因子已知，这一步不要跳过，因为后续分析要跟理论公式里的物理量对比。
参数说明：delimiter要根据文件实际格式调整，常见是制表符\t或逗号；comment="#"用来跳过测量软件自动生成的元信息行。打印行数是为了快速判断磁场扫描密度是否足够——如果一整条扫描只有几百点，后面的重采样和 FFT 分辨率都会受限制。
2.2 1/B插值重采样：网格点数与插值方式
为什么必须换到 1/B 域？因为量子振荡的相位是 2πF/B，其中 F 是振荡频率，单位为特斯拉。换元后振荡在 1/B 方向严格等周期，频谱分析才有意义。直接拿 B 域原始数据做 FFT 的后果是峰位严重展宽，甚至完全看不出周期。更麻烦的是，B 域等间距点映射到 1/B 域后，低场端点距小、高场端点距大，必须插值到均匀网格。
from scipy.interpolate import PchipInterpolator def resample_1_over_B(B, signal): x = 1.0 / B # 自变量变为 1/B，单位 T^-1 order = np.argsort(x) # 磁场扫描可能下降，先按 x 升序排列 x, signal = x[order], signal[order] x_min, x_max = x.min(), x.max() # 原始点在 1/B 域的最小间距，决定不丢失信息的最大网格点数 dx_min = np.min(np.abs(np.diff(x))) n_grid = int(np.ceil((x_max - x_min) / dx_min)) n_grid = min(n_grid, 3000) # 防止过度插值，注：原始信息量有限 x_grid = np.linspace(x_min, x_max, n_grid) interp = PchipInterpolator(x, signal) return x_grid, interp(x_grid), dx_min逻辑说明：先用argsort处理反向扫描的数据，避免插值在转折点附近产生突变。PchipInterpolator是保单调的三次插值，比线性插值平滑，也比普通三次样条更少出现过冲振荡——过冲会在后续 FFT 里变成伪峰。
参数说明：n_grid取决于原始点在 1/B 域的最小间距。若原始扫描点在低场端极密，这个数会非常大，所以我加了 3000 的上限。实验上常见的数据量是 1000～3000 点，取上限基本不会丢失振荡信息。值得注意的是，dx_min反映的是最高场区域的数据密度，如果高场端点距偏大，网格点数量会被它抬高，导致低场端被过度插值。过度插值不会增加真实信息，反而引入相邻点相关的平滑噪声，这一点在避坑章节还会专门提。
2.3 坏点剔除与跳变处理
接触电阻抖动、仪器触发噪声、液氦沸腾引起的机械振动，都会在数据里留下尖峰。尖峰对频率分析的影响比想象中大：一个孤立坏点在 FFT 里会产生一个覆盖全频段的平坦背景，把弱振荡峰盖住。所以重采样前后都要做一次坏点检查。
def remove_spikes(x, y, z_thresh=8): y_smooth = np.median(y) # 简易基准，适合斜率较小的段 mad = np.median(np.abs(y - y_smooth)) if mad == 0: return y, np.zeros_like(y, dtype=bool) diff = np.abs(y - y_smooth) / (1.4826 * mad) bad = diff > z_thresh y_clean = y.copy() y_clean[bad] = np.interp(x[bad], x[~bad], y[~bad]) return y_clean, bad这段代码用的是中位数绝对偏差 MAD，比均值标准差更抗差——因为坏点本身就是离群值，再用均值估基准会被坏点带跑。z_thresh=8意味着偏离中位数超过 8 倍 MAD 的点才判成坏点，这个阈值在噪声平稳时足够保守，不会误删物理上的快速振荡。插值补齐时用np.interp做线性补齐就够了，因为坏点通常只有几个，不会影响整体频谱。坏点数量如果超过总点数 1%，就要回到测量端找原因，而不是依赖后处理硬补。
3. 本底扣除与振荡分离：参数怎么设才不会扣掉物理
量子振荡幅度通常只有本底信号的 0.1%～5%，要想在频谱里看到清晰的振荡峰，必须先把非振荡本底去掉。看似简单的“扣本底”其实是整个流程里最容易翻车的环节——参数选得不对，要么把振荡一起扣掉，要么留下让人误判的伪低频成分。关键是要理解本底的物理来源，以及本底与振荡在频率域上的位置关系。
3.1 本底的物理来源与“慢变”假设
非振荡本底主要来自经典洛伦兹磁阻、温度激活的载流子迁移率变化、以及接触电阻的温度依赖。这些机制共同的特点是随磁场缓慢变化，在 1/B 域表现为低频分量，而量子振荡频率通常在 50 T 到 1000 T 以上。两者在频率域距离很远，理论上用高通滤波或拟合慢变函数都能分开。
但“慢变”是有条件的。如果使用的拟合函数过于灵活，比如高阶多项式，它会主动去拟合振荡本身，因为振荡在局部看起来也像一条弯曲的线。这个矛盾是扣本底所有坑的根源。我习惯先做一版不加滤波的快速 FFT，估计出最低振荡频率 F_min，然后根据 F_min 反过来限制本底拟合的平滑程度。这样不会凭感觉拍脑袋选参数。
3.2 Savitzky-Golay与样条本底：窗口和阶数的选择
扣本底最常见做法是 Savitzky-Golay 平滑，它等价于对局部窗口内的数据做多项式拟合，再取拟合值作为本底。参数只有两个：窗口长度和多项式阶数。窗口长度是最容易出错的地方，它必须至少覆盖几个振荡周期，否则平滑器会把振荡本身识别为本底趋势。
from scipy.signal import savgol_filter def subtract_bg_savgol(x_grid, y_resampled, f_min=100.0): # x_grid 是 1/B 网格，单位 T^-1 dx = x_grid[1] - x_grid[0] points_per_period = 1.0 / (f_min * dx) # 一个振荡周期占据的网格点数 window = int(3 * points_per_period) if window % 2 == 0: window += 1 window = max(window, 25) # 窗口太小时平滑器失去意义 # 多项式阶数：窗口越大可以适当提高，但 3 阶以下更稳 bg = savgol_filter(y_resampled, window_length=window, polyorder=3) oscill = y_resampled - bg return oscill, bg, window逻辑说明：points_per_period是 1/B 域中一个完整振荡周期占用的网格点数。窗口宽度取 3 个周期，意味着本底提取器“看不到”单个振荡周期的细节，只会追踪跨越多个周期的慢变趋势。polyorder=3是稳妥选择，窗口较小时用 2 阶甚至 1 阶更安全。
参数说明：f_min从哪来？先拿重采样后的数据直接做一版 FFT，找最低频峰的粗略位置。如果数据里存在两个频率 80 T 和 350 T，f_min=80会让窗口覆盖 3 个最低频周期。窗口长度算出后如果超过数据长度的一半，说明扫描磁场范围太窄，平滑器无法有效区分本底和振荡，这时建议改用样条拟合指定节点，而不是扩大窗口。
3.3 多频段振荡的带通分离与边界处理
单次测量里可能同时存在多个费米面极值轨道，频谱会出现多个峰。如果只想分析其中某一个频率附近的信息，可以先用带通滤波器把目标频段提取出来再做振幅拟合。但滤波器有边缘效应，二阶以上滤波器会明显扭曲前后 10% 的数据点。
from scipy.signal import butter, sosfiltfilt def bandpass_isolate(x_grid, oscill, f_low, f_high): dx = x_grid[1] - x_grid[0] fs = 1.0 / dx # 1/B 域的“采样频率”，单位 T sos = butter(4, [f_low, f_high], btype="bandpass", fs=fs, output="sos") filtered = sosfiltfilt(sos, oscill) # 裁掉边缘各 10%，避免滤波瞬态进入后续拟合 cut = int(0.1 * len(x_grid)) return x_grid[cut:-cut], filtered[cut:-cut]sosfiltfilt做零相位滤波，对振荡峰的位置偏移影响最小，这是分析量子振荡必须用它的原因——普通lfilter会带来与频率相关的相位延迟，导致后续相位拟合全部错掉。fs=1/dx的单位是 T，对应振荡频率的直接量纲。[f_low, f_high]的边界要根据 FFT 峰值位置来定，通常取峰宽左右各加 20% 余量。边缘裁掉 10% 会造成有效数据损失，但如果原始磁场范围足够宽，损失是值得的。要是原始数据本身很短，边缘裁切后有效点数不够做 FFT，就别用滤波，直接用原始带宽信号做拟合。
4. 频谱分析：从FFT到Yule-Walker谱估计
振荡信号提取干净之后，频谱分析就是整个流程的核心环节。FFT 的使用门槛不高，但输入条件非常苛刻：等间距、去直流、加窗、考虑分辨率极限。每一条没做到都会让峰位读数偏掉几十特斯拉，甚至直接出伪峰。本部分先讲清 FFT 的输入纪律，再给出从频谱峰换算费米面极值面积的标准做法，最后补一个短数据段场景下的替代方案。
4.1 FFT输入纪律：等间距、去直流、加窗、补零
直接对残差序列做np.fft.rfft可以得到频谱，但在这之前有四件事必须做：确认 1/B 网格严格等间距；减去序列均值防止零频大峰泄漏；乘一个窗函数抑制频谱泄漏；决定是否补零。
def spectrum_fft(x_grid, oscill): dx = x_grid[1] - x_grid[0] y = oscill - np.mean(oscill) # 去直流 n = len(y) win = np.hanning(n) # 汉宁窗 y_win = y * win # 可选补零到下一个 2^k，便于后续峰值定位 n_fft = 1 << int(np.ceil(np.log2(n))) spec = np.fft.rfft(y_win, n=n_fft) freq = np.fft.rfftfreq(n_fft, d=dx) ampl = 2.0 * np.abs(spec) / n # 幅度归一化，补偿窗函数损失 return freq, ampl逻辑说明：汉宁窗把数据两端压到接近零，避免序列起始和结束处的突变在频谱里产生旁瓣。补零到 2 的幂长度不会提高真实分辨率，但能让 FFT 峰位读数更平滑，配合峰值拟合时效果更好。幅度归一化用2/n是因为实数信号的频谱是双边的，取单边时要乘 2 补偿负频率部分；加了汉宁窗后总能量有约一半的损失，严格的定量振幅还原需要额外补偿因子，但做变温拟合时只要振幅比例关系一致，常数因子可以吸收到拟合系数里。
参数说明：d=dx的单位是 T⁻¹，得到的频率轴单位是 T，也就是量子振荡频率 F 的直接量纲。分辨率极限公式为 ΔF = 1 / (x_max - x_min)，比如磁场从 2 T 扫到 20 T，x_max - x_min = 0.45，分辨率约 2.2 T。这也意味着两个频率差小于 2.2 T 的峰在 FFT 里是分不开的，想提高分辨率只能拓宽磁场窗口，没有别的办法。
4.2 从频率峰到费米面极值面积：读数与高斯拟合
FFT 离散峰顶处的读数误差约为 0.5 个频率分辨率，在 200 T 量级大约 1 T，看起来不大，但对有效质量拟合来说已经足够造成明显偏差。更可靠的做法是取峰附近的几十个点做高斯拟合，用拟合中心位置作为峰位。然后按 Onsager 关系把频率 F 换算成费米面极值轨道面积 A。
from scipy.optimize import curve_fit def fit_peak(freq, ampl, f_guess, half_width=20): mask = (freq > f_guess - half_width) & (freq < f_guess + half_width) x, y = freq[mask], ampl[mask] def gauss(x, a, x0, sigma, c): return a * np.exp(-(x - x0)**2 / (2 * sigma**2)) + c p0 = [y.max(), f_guess, 3.0, y.min()] popt, _ = curve_fit(gauss, x, y, p0=p0, maxfev=20000) return popt # [a, x0, sigma, c] # Onsager 关系：F[T] = 1.048e-16 * A[m^-2] def area_from_frequency(F_T): return F_T / 1.048e-16 # 结果单位 m^-2，换算到 Å^-2 再除以 1e20高斯峰形只是一个近似。真实量子振荡峰的宽度与 Dingle 因子、温度因子和磁场窗口相关，峰形并不严格是高斯，但在峰中心附近高斯近似足以准确锁定峰位。half_width=20表示拟合区间覆盖峰两侧约 20 T，过大会把相邻峰拉进来，过小则拟合不稳定。area_from_frequency给出的是实空间 k 空间面积，若已知其他手段给出的费米波矢 k_F，可以用 A = πk_F² 交叉验证峰位判读是否正确。
4.3 短数据段的替代方案：Yule-Walker谱估计
磁场扫描范围受限时，比如脉冲强磁场下可用窗口只有 5 T，FFT 的频率分辨率可能高达 50 T，两个峰直接糊在一起。这时可以用自回归模型做谱估计，也就是 Yule-Walker 方案。它的核心假设是信号可以用有限阶 AR 模型描述，谱峰比 FFT 尖锐得多，代价是对阶数 p 非常敏感。
def yule_walker_spectrum(x, p=40, n_freq=4000): # 输入 x 为等间隔 1/B 域的振荡信号 n = len(x) x = x - np.mean(x) # 用自相关法估计 AR 系数 r = np.empty(p + 1) for k in range(p + 1): r[k] = np.sum(x[:n-k] * x[k:]) / n R = np.zeros((p, p)) for i in range(p): for j in range(p): R[i, j] = r[abs(i - j)] a = np.linalg.solve(R, r[1:]) noise_var = r[0] - np.dot(a, r[1:]) # 计算频段内的谱 f = np.linspace(0, 0.5 * (1 / (x[1] - x[0])), n_freq) spec = np.empty(n_freq) for i, fi in enumerate(f): denom = 1.0 for k in range(p): denom -= a[k] * np.exp(-2j * np.pi * fi * (k + 1)) spec[i] = noise_var / (np.abs(denom)**2) return f, spec这段代码是一个紧凑的 Yule-Walker 实现，自相关函数r用偏估计，求解的是 Levinson 方程组的直接矩阵版本。p是 AR 模型阶数，太小会平滑掉两个靠近的峰，太大会分裂出虚假峰。我通常取 p 为数据点数的 10%～20%，然后在 p 的两个相邻值上分别计算，只有两个 p 值下都稳定的峰才认定是真实信号。这个方法不能替代 FFT，它应该和 FFT 相互验证——先用 FFT 看全局峰结构，再用 AR 谱在短数据段内锁定精确峰位。
5. 量子振荡分析的五类翻车现场与排查
这个流程看起来步骤清晰，但每个环节都有隐蔽的坑。下面五条是我在分析实际数据时踩过或看别人踩过的典型问题，每条给出现象、原因和解决办法。排查顺序建议从后往前：先看频谱峰是否合理，再看本底扣得干不干净，最后回溯原始数据质量。
5.1 低频“鬼峰”：1/B网格点数和窗函数的联合翻车
现象：振荡信号做完 FFT，在 0～40 T 低频区出现一串宽峰或整体抬升，预期的高频峰变得不明显。 原因：网格点数设置过多，PCHIP 插值把原始噪声也平滑成貌似真实的低频成分；或是去直流后没有加窗，信号首尾不连续造成的频谱泄漏漫延到低频区。 解决：把重采样网格点数降到原始有效独立点数的 0.5 倍以下，先用不加窗的频谱检查泄漏基线，再加汉宁窗对比。如果低频抬升随窗口变化，就是泄漏而不是真实峰。一个检查技巧是改变网格点数重新跑一遍，真实峰位置纹丝不动，伪峰位置会漂移。
5.2 本底扣过劲：Savitzky-Golay窗口把振荡一起吃掉
现象：扣除本底后的残差振幅骤降，FFT 里原本可见的峰消失，或 0～50 T 出现“馒头状”平台。 原因：窗口长度小于一个振荡周期，平滑器把振荡当成局部趋势拟合掉了。 解决：先做粗 FFT 估算最低频率 f_min，按“窗口不小于 3 个最低频周期”的原则重新设定窗口。扣完本底后看一眼残差均方根，它应该只有原始信号的 0.1%～5%，超过这个范围就要怀疑本底把信号扣了。还有一个简单判据：把残差信号重新叠回本底，还原出来的曲线应与原始曲线重合，误差小于噪声幅度。
5.3 正反向扫描数据混用：磁带回滞让峰位漂移展宽
现象：频谱峰比理论预期宽很多，峰位在两个不同批次处理中来回跳，且无法稳定拟合相位。 原因：磁场正扫和反扫时，超导磁体的剩余场效应或样品的磁滞导致同一标的实际磁感应强度不同，振荡相位在两个方向有偏移。把正反两条曲线接起来做 FFT，相当于把两段相位不连续的信号强行拼接。 解决：按扫描方向把数据切分成独立段，分别做 1/B 变换和 FFT，对比两段的峰位。如果峰位差异小于频率分辨率，可以拼在一起；如果明显超出，只取一个方向的数据，或者将反向扫描的 B 坐标做对称修正后再拼接。涉及磁性样品时，正反方向本来就对应不同的费米面极值，必须分开展示，不能合并。
5.4 有效质量拟合值翻倍：取错中心磁场和温度点数太少
现象：用变温振幅拟合出的 m* 比理论预估值大两倍，而且不同温度组合下结果漂移明显。 原因：L-K 公式里的回旋频率依赖磁场大小，很多人在做 FFT 前用 (B_min + B_max)/2 作为中心磁场，但实际上 1/B 窗口的中心对应的磁场是 1 / mean(1/B)，两者在宽窗口里差异可达 10%～20%。另外温度点数少于 3 个时，双参数拟合自由度过高，m* 与比例常数相互吸收。 解决：中心磁场统一用B_center = 1 / np.mean(1 / B_window)计算。拟合温度点至少 4 个且覆盖 2 K～15 K，让 RT 因子的衰减在这个区间内明显变化。拟合完成后将最优参数代回公式画一条曲线，如果曲线与数据点的偏离超过 5%，就不要相信这个拟合结果。
5.5 结果复现不一致：没有保存处理全流程参数
现象：同一批数据隔两周重新处理，换了一台机器或改了某一行参数，FFT 峰位对不上，结果无法在论文里复现。 原因：窗口长度、网格点数、滤波边界这些参数都写在交互式脚本里，没有随数据一起归档。量子振荡对参数敏感，口头记录根本不可靠。 解决：每次分析建立独立目录，包含原始数据文件、一个 config.yaml 记录所有参数、一个 Python 脚本保存完整流程。参数包括：磁场范围、重采样网格数、savgol窗口和阶数、FFT点数、峰拟合区间、温度列表、中心磁场。换机器后只要 config 没变，结果必须能逐位复现。这不是可选项，是分析类工作的基本素养。
6. 从频率峰到有效质量：变温拟合与模拟数据验证
频谱峰只给出费米面极值面积，要继续提取准粒子的有效质量 m*，需要变温测量多条磁阻曲线，对每个温度做同一套流程得到振荡振幅，再用 L-K 公式拟合。这个环节的常见错误在前面避坑章节提过，这里给出可直接套用的代码。
from scipy.optimize import curve_fit def lk_rt(T, m_eff, B_center): lam = 14.69 * m_eff / B_center # m_eff 单位：电子质量倍率 return lam * T / np.sinh(lam * T) def fit_effective_mass(T_list, amp_list, B_window): B_center = 1.0 / np.mean(1.0 / np.array(B_window)) model = lambda T, m, scale: scale * lk_rt(T, m, B_center) # 初始猜测 m=0.1，注意温度必须是开尔文 popt, pcov = curve_fit(model, T_list, amp_list, p0=[0.1, 1.0]) return B_center, popt, pcov逻辑说明：lk_rt里的常数 14.69 来自 λ = 2π²k_B m*/(ħeB)，代入单位后只需把 m* 写为电子质量倍率、B 写为特斯拉、T 写为开尔文。振幅amp_list不需要绝对标定，因为比例常数scale会吸收所有与温度无关的因子，包括样品几何、FFT 窗函数损失、Dingle 因子。前提是这些因子在不同温度下不变，所以变温测量时必须保持同一测量条件。
在跑真实数据前，我的固定习惯是用模拟数据先验证流程本身没有 bug。构造一个已知频率、已知有效质量的人工信号，叠加噪声和多项式本底，跑完整套流程，看能不能把输入的参数还原出来。这个习惯省了我无数次对着未知数据瞎调参数的痛苦：先确认工具链没问题，再让工具链去面对真实物理。
def simulate_sdH(B, F1=120, F2=450, m=0.25): x = 1.0 / B osc = (np.sin(2*np.pi*F1*x + 0.5) + 0.4*np.sin(2*np.pi*F2*x + 1.0)) bg = 100 + 0.05*B**2 noise = np.random.normal(0, 0.03, size=len(B)) return bg + osc + noise理想情况下，模拟数据还原出的 F1、F2 偏差应在 1% 以内，m* 偏差应在 5% 以内。如果这套通不过，先修流程再碰真实数据。每次拿到新样品，我也会先用一套已知费米面的材料跑一下标定实验，确认整个分析链路没有问题，再开始批量处理。这样处理完后黑暗数据里的每个峰都经得起追问。希望这些踩坑记录和流程习惯能帮到你，至少让你少熬几个调参的深夜。
本文还有配套的精品资源，点击获取
