2. SQL窗口函数使用

背景

窗口函数也叫分析函数，主要用于处理相对复杂的报表统计分析场景，这个功能在大多商业数据库和部分开源数据库中已经支持，mysql从8.0开始支持窗口函数。经典使用场景是数据错位相减的场景，比如求查询每年支付时间间隔最长的用户，此时如果不使用窗口函数的话，计算过程比较复杂，使用窗口函数会大大简化开发。本文以mysql8.0为演示环境，运行测试相关案例数据。

1. 窗口函数概念

窗口函数可以从名字理解为应用在窗口的函数。即限定一个空间范围（窗口），执行指定的函数。通俗理解，有点像老式的电影播放机，相片（窗口）一帧一帧的滑过，投在上面的光（函数）是固定的。
窗口的概念非常重要，它可以理解为记录集合，窗口函数也就是在满足某种条件的记录集合上执行的特殊函数。对于每条记录都要在此窗口内执行函数，窗口大小都是固定的，这种属于静态窗口；不同的记录对应着不同的窗口，这种动态变化的窗口叫滑动窗口。

1.2 基本用法

窗口函数的基本用法如下：

函数名（[expr]） over子句
函数()   over()

其中，over是关键字，用来指定函数执行的窗口范围，包含三个分析子句：分组(partition by)子句，排序(order by)子句，窗口(rows)子句，如果后面括号中什么都不写，则意味着窗口包含满足where条件的所有行，窗口函数基于所有行进行计算；如果不为空，则支持以下语法来设置窗口：

函数名（[expr]） over(partition by <要分列的组> order by <要排序的列> rows between <数据范围>)

1.3 使用举例

sum(...A...)  over(partition by ...B... order by ...C... rows between ...D1... and ...D2...)
avg(...A...)  over(partition by ...B... order by ...C... rows between ...D1... and ...D2...)

其中：
A: 需要被加工的字段名称
B: 分组的字段名称
C: 排序的字段名称
D: 计算的行数范围

rows between 2 preceding and current row; # 取当前行和前面两行
rows between unbounded preceding and current row;  #包括本行和之前所有的行
rows between current row and unbounded following; # 包括本行和之后所有的行
rows between 3 preceding and current row; #包括本行和前面三行
rows between 3 preceding and 1 following;  # 从前面三行和下面一行，总共五行
# 当order by后面缺少窗口从句条件，窗口规范默认是rows between unbounded preceding and current row;
# 当order by和窗口从句都缺失，窗口规范默认是 rows between unbounded precedingand unbounded following

2. 窗口函数应用

一般窗口函数可以分为两类：专有窗口函数和聚合类窗口函数。
专业窗口函数：

rank()
dense_rank()
row_number()

聚合类窗口函数：
普通场景下，聚合函数往往和group by一起使用，但是窗口环境下，聚合函数也可以应用进来，那么此时它们就被称之为聚合类窗口函数，属于窗口函数的一种

sum()
count()
avg()
max()
min()

窗口函数（专有窗口函数+聚合类窗口函数）和普通场景下的聚合函数也很容易混淆，二者区别如下：

  1. 普通场景下的聚合函数是将多条记录聚合为一条（多到一）；窗口函数是每条记录都会执行，有几条记录执行完还是几条（多到多）。
  2. 分组(partition by)：记录按照字段进行分组，窗口函数在不同的分组上分别执行
  3. 排序(order by)：按照哪些字段进行排序，窗口函数将按照排序后的记录顺序进行编号，可以和partition子句配合使用，也可以单独使用。如果没有partition子句，数据范围则是整个表的数据行。
  4. 窗口(rows)：就是进行函数分析时要处理的数据范围，属于当前分区的一个子集，通常用来作为滑动窗口使用。比如要根据每个订单动态计算包括本订单和按时间顺序前后两个订单的移动平均支付金额，则可以设置rows子句来创建滑动窗口(rows)。

2.1 数据准备

create table user_trade
(user_name      varchar(20) comment '用户名',piece          int comment '购买数量',price          double comment '价格',pay_amount     double comment '支付金额',goods_category varchar(20) comment '商品品类',pay_time       date comment '支付时间'
);#  插入语句详见脚本 
# https://gitee.com/wlyang666/csdn-resource-summary/blob/master/csdn/SQL/144698094/%E7%AA%97%E5%8F%A3%E5%87%BD%E6%95%B0%E6%BC%94%E7%A4%BA%E5%88%9D%E5%A7%8B%E5%8C%96%E6%95%B0%E6%8D%AE.sql

2.2 累计计算函数

2.2.1 累计求和：sum() over()

2.2.1.1 查询出2019年每月的支付总额和当年累积支付总额
select * from user_trade where year(pay_time)='2019';
-- 2019年 每月支付总额
select month(pay_time), sum(pay_amount)
from user_trade
where year(pay_time) = '2019'
group by month(pay_time);
-- 当年累计支付总额
select sum(pay_amount)
from user_trade
where year(pay_time) = '2019';
-- 高阶函数实现
select a.month, a.sump, sum(a.sump) over (order by a.month)
from (select month(pay_time) as month, sum(pay_amount) sumpfrom user_tradewhere year(pay_time) = '2019'group by month(pay_time)) a;

在这里插入图片描述

2.2.1.2 查询出2018-2019年每月的支付总额和当年累积支付总额
-- 计算 每年的累计支付金额
select sum(pay_amount)
from user_trade
where year(pay_time) in ('2018', '2019')
group by year(pay_time);-- 计算每月支付总额
select year(pay_time), month(pay_time), sum(pay_amount)
from user_trade
where year(pay_time) in ('2018', '2019')
group by year(pay_time), month(pay_time);-- 使用高阶函数统计按年汇总的支付总额
select t.year, t.month,sump, sum(t.sump) over (partition by year order by month)
from (select year(pay_time) as year, month(pay_time) as month, sum(pay_amount) as sumpfrom user_tradewhere year(pay_time) in ('2018', '2019')group by year(pay_time), month(pay_time)) as t;

在这里插入图片描述

2.2.2 移动平均：avg() over()

2.2.2.1 查询出2019年每个月的近三月移动平均支付金额
select * from user_trade where year(pay_time)='2019';select month,pay_amount,avg(pay_amount)over (order by month rows between 2 preceding and current row )
from (select month(pay_time) month, sum(pay_amount) pay_amountfrom user_tradewhere year(pay_time) = '2019'group by month(pay_time)) a;

结果样例：
在这里插入图片描述

2.2.3 最大/小值：max()/min() over()

2.2.3.1 查询出每四个月的最大月总支付金额
select substr(pay_time, 1, 7) month, sum(pay_amount) sump from user_trade group by substr(pay_time, 1, 7);select t.month,sump,max(sump) over (order by t.month rows between 3 preceding and current row )
from (select substr(pay_time, 1, 7) month,sum(pay_amount)        sumpfrom user_tradegroup by substr(pay_time, 1, 7)) t;

结果样例：

在这里插入图片描述

2.3 排序函数

排序函数常见有三种方式

  1. row_number() over(partition by …A… order by …B… )
  2. rank() over(partition by …A… order by …B… )
  3. dense_rank() over(partition by …A… order by …B… )

这三个函数的作用都是返回相应规则的排序序号

  1. row_number:它会为查询出来的每一行记录生成一个序号，依次排序且不会重复。
  2. 如果使用rank函数来生成序号，over子句中排序字段值相同的序号是一样的，后面字段值不相同的序号将跳过相同的排名号排下一个，也就是相关行之前的排名数加一。
  3. dense_rank函数在生成序号时是连续的，而rank函数生成的序号有可能不连续。
  4. dense_rank函数出现相同排名时，将不跳过相同排名号，rank值紧接上一次的rank值。
  5. 总结来说，在各个分组内，rank()是跳跃排序，有两个第一名时接下来就是第三名，dense_rank()是连续排序，有两个第一名时仍然跟着第二名。

2.3.1 rank dense_rank and rownumber

2.3.1.1 2020年1月，购买商品品类数的用户排名
select user_name,count(distinct goods_category) from user_trade group by user_name;select user_name,count(distinct goods_category),row_number() over (order by count(distinct goods_category) ),rank() over (order by count(distinct goods_category) ),dense_rank() over (order by count(distinct goods_category) )
from user_trade
group by user_name;

结果类似这种
在这里插入图片描述

2.3.2 ntile 函数

ntile(n)，用于将分组数据按照顺序切分成n片，返回当前切片值
ntile(n) over(partition by …A… order by …B… )
n:切分的片数
A:分组的字段名称
B:排序的字段名称

注意： ntile不支持ROWS BETWEEN

2.3.2.1 查询出将2020年2月的支付用户，按照支付金额分成5组后的结果
select * from user_trade where substr(pay_time,1,7)='2020-02';select user_name,sum(pay_amount) from user_trade where substr(pay_time,1,7)='2020-02' group by user_name;select user_name,suma,ntile(5) over ( order by suma desc )
from (select user_name,sum(pay_amount) sumafrom user_tradewhere substr(pay_time, 1, 7) = '2020-02'group by user_name) t;

结果样例：
在这里插入图片描述

2.3.2.2 查询出2020年支付金额排名前30%的所有用户
select * from user_trade where year(pay_time)='2020';select user_name,sum(pay_amount) from user_trade where year(pay_time)='2020' group by user_name;select user_name,sum(pay_amount),ntile(10) over ( order by sum(pay_amount) desc) as level
from user_trade
where year(pay_time) = '2020'
group by user_name
;select *
from (select user_name, sum(pay_amount), ntile(10) over ( order by sum(pay_amount) desc) as levelfrom user_tradewhere year(pay_time) = '2020'group by user_name) t
where level in ('1', '2', '3');

结果样例：
在这里插入图片描述

2.4 偏移分析函数

Lag和Lead函数可以在同一次查询中取出同一字段的前N行的数据(Lag)和后N行的数据(Lead)作为 独立的列。
在实际应用当中，若要用到取今天和昨天的某字段差值时，Lag和Lead函数的应用就显得尤为重要。
用法如下:

lag(exp_str,offset,defval) over(partion by ......order by ......)
lead(exp_str,offset,defval) over(partion by ......order by ......)

其中：

  1. exp_str是字段名称。
  2. offset是偏移量，即是上1个或上N个的值，假设当前行在表中排在第5 行，则offset 为3，则表示我 们所要找的数据行就是表中的第2行(即5-3=2)。offset默认值为1。
  3. defval默认值，当两个函数取上N/下N个值，当在表中从当前行位置向前数N行已经超出了表的范 围时，lag()函数将defval这个参数值作为函数的返回值，若没有指定默认值，则返回NULL， 在数学运算中，总要给一个默认值才不会出错。

2.4.1 lag

2.4.1.1 查询出King和West的时间偏移(前N行)
select * from user_trade where user_name in ('King','West');select user_name,pay_time,lag(pay_time, 1, pay_time) over (partition by user_name order by pay_time) lag1,lag(pay_time) over (partition by user_name order by pay_time)              lag2,lag(pay_time, 2, pay_time) over (partition by user_name order by pay_time) lag3,lag(pay_time, 2) over (partition by user_name order by pay_time)           lag4
from user_trade where user_name in ('King','West');

2.4.2 lead

2.4.2.1 King和West的时间偏移(后N行)
select user_name,pay_time,lead(pay_time, 1, pay_time) over (partition by user_name order by pay_time) lead1,lead(pay_time) over (partition by user_name order by pay_time)              lead2,lead(pay_time, 2, pay_time) over (partition by user_name order by pay_time) lead3,lead(pay_time, 2) over (partition by user_name order by pay_time)           lead4
from user_trade where user_name in ('King','West');

结果样例：
在这里插入图片描述

2.4.2.3 查询出支付时间间隔超过100天的用户数
select user_name,pay_time, lag(pay_time) over (partition by user_name order by pay_time ) ldate
from user_trade;select count(distinct user_name)
from (select user_name,pay_time, lead(pay_time) over (partition by user_name order by pay_time ) ldatefrom user_trade) t
where t.ldate is not nulland datediff(t.ldate, t.pay_time) > 100;

结果样例：
在这里插入图片描述

2.4.2.4 查询出每年支付时间间隔最长的用户
select year(pay_time),user_name,pay_time,lag(pay_time) over (partition by year(pay_time),user_name order by pay_time) as ldate from user_trade;select year(pay_time),user_name,datediff(pay_time, ldate)                                                         as diffday,rank() over (partition by year(pay_time) order by datediff(pay_time, ldate) desc) as rank1
from (select year(pay_time),user_name,pay_time,lag(pay_time) over (partition by year(pay_time),user_name order by pay_time) as ldatefrom user_trade) t;select pay_year, user_name, diffday
from (select year(pay_time) as pay_year,user_name,datediff(pay_time, ldate)                                                         as diffday,rank() over (partition by year(pay_time) order by datediff(pay_time, ldate) desc) as rank1from (select year(pay_time),user_name,pay_time,lag(pay_time) over (partition by year(pay_time),user_name order by pay_time) as ldatefrom user_trade) twhere t.ldate is not null) a
where rank1 = 1;

结果样例：
在这里插入图片描述

3. 扩展

3.1 with 使用

3.1.1 简介

WITH 子句（也称为公用表表达式，Common Table Expressions，简称 CTEs）用于定义一个或多个临时的结果集，这些结果集在查询的范围内可用。CTE 使得查询更加模块化和可读，特别是对于那些包含多个步骤或复杂计算的查询。

WITH cte_name (column1, column2, ...) AS (-- 这里是定义 CTE 的查询SELECT ...FROM ...WHERE ...-- 可以包含其他 SQL 子句，如 GROUP BY, HAVING, ORDER BY（但注意，ORDER BY 在 CTE 中通常不起作用，除非与 TOP 或 FETCH 一起使用）
)
-- 这里是主查询，可以使用上面定义的 CTE
SELECT ...
FROM cte_name
-- 可以与其他表进行 JOIN, WHERE, GROUP BY 等操作

3.1.2 案例介绍

with cte_test (pay_year, user_name, diffday, rank1, ldate)as (select year(pay_time)                                                                    as pay_year,user_name,datediff(pay_time, ldate)                                                         as diffday,rank() over (partition by year(pay_time) order by datediff(pay_time, ldate) desc) as rank1,t.ldate                                                                           as ldatefrom (select year(pay_time),user_name,pay_time,lag(pay_time)over (partition by year(pay_time),user_name order by pay_time) as ldatefrom user_trade) twhere t.ldate is not null )select pay_year, user_name, diffday,rank1
from cte_test
order by rank1;

3.1.3 优点

  1. 可读性：通过将查询分解为更小的部分，CTE 使得复杂的查询更加易于理解和维护。
  2. 重用性：在同一个查询中，你可以多次引用同一个 CTE，而无需重复编写相同的代码。
  3. 递归查询：CTE 还可以用于递归查询，这在处理层次结构数据（如组织结构图、目录树等）时非常有用。

需要注意的是:

  1. 虽然 ORDER BY 子句可以在 CTE 中使用，但它通常不会改变 CTE 结果集的实际顺序，除非与 TOP、FETCH 或在主查询中的 ORDER BY 一起使用。此外，CTE 在查询执行时才会被计算，并且只在该查询的上下文中可用。
  2. CTE中的字段顺序必须和SQL查询结果中的字段顺序保持一致，否则主查询查到的结果会异常

4. 总结

通过上面案例可以看到，窗口函数是一种强大的工具，窗口函数在某些数据分析场景会极大简化脚本开发工作量，它允许你在不改变查询结果集行数的情况下，对每一行执行复杂的聚合计算和其他操作。通过合理使用窗口函数，你可以解决许多复杂的数据分析问题，并得到更精确的分析结果。

以上,如有错误，请不吝指正！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/495368.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Qt creator ,语言家功能缺失解决方法

Qt creator ,语言家功能缺失解决方法

1、找到工具->外部->配置 2、添加目录&#xff0c;双击命名语言家 3、在语言家目录下&#xff0c;添加工具 双击重命名lupdate&#xff0c;即更新翻译 %{CurrentDocument:Project:QT_INSTALL_BINS}\lupdate%{CurrentDocument:Project:FilePath}%{CurrentDocument:Projec…
阅读更多...
软件测试之全链路压测详解

软件测试之全链路压测详解

随着业务的快速发展我们日常遇到的系统性能压力问题也逐渐出现&#xff0c;甚至在部分场合会遇到一些突发的营销活动&#xff0c;会导致系统性能突然暴涨&#xff0c;可能导致我们系统的瘫痪。最近几年随着电商的各种促销活动&#xff0c;有一个词也渐渐进入我们眼帘&#xff0…
阅读更多...
基于推理的目标检测 DetGPT

基于推理的目标检测 DetGPT

基于推理的目标检测 DetGPT flyfish detgpt.github.io 近年来&#xff0c;由于大型语言模型&#xff08;LLMs&#xff09;的发展&#xff0c;计算机视觉领域取得了重大进展。这些模型使人类与机器之间能够进行更有效、更复杂的交互&#xff0c;为模糊人类与机器智能界限的新技…
阅读更多...
优化 invite_codes 表的 SQL 创建语句

优化 invite_codes 表的 SQL 创建语句

-- auto-generated definition create table invite_codes (id int auto_incrementprimary key,invite_code varchar(6) not null comment 邀请码&#xff0c;6位整数&#xff0c;确保在有效期内…
阅读更多...
如何在 Ubuntu 22.04 上安装以及使用 MongoDB

如何在 Ubuntu 22.04 上安装以及使用 MongoDB

简介 MongoDB 因其灵活性、可扩展性、性能和生态系统而受到开发人员的青睐&#xff0c;这些都是构建和驱动现代应用程序的关键能力。通过几个配置步骤&#xff0c;你就可以在你的 Ubuntu 22.04 LTS 机器上安装 MongoDB&#xff0c;这是 Ubuntu Linux 发行版的最新长期支持版本…
阅读更多...
小程序app封装公用顶部筛选区uv-drop-down

小程序app封装公用顶部筛选区uv-drop-down

参考ui:DropDown 下拉筛选 | 我的资料管理-uv-ui 是全面兼容vue32、nvue、app、h5、小程序等多端的uni-app生态框架 样式示例&#xff1a; 封装公用文件代码 dropDownTemplete <template><!-- 顶部下拉筛选区封装公用组件 --><view><uv-drop-down ref&…
阅读更多...
vulnhub靶场-matrix-breakout-2-morpheus攻略（截止至获取shell）

vulnhub靶场-matrix-breakout-2-morpheus攻略（截止至获取shell）

扫描出ip为192.168.121.161 访问该ip&#xff0c;发现只是一个静态页面什么也没有 使用dir dirsearch 御剑都只能扫描到/robots.txt /server-status 两个页面&#xff0c;前者提示我们什么也没有&#xff0c;后面两个没有权限访问 扫描端口&#xff0c;存在81端口 访问&#x…
阅读更多...
探索多模态大语言模型（MLLMs）的推理能力

探索多模态大语言模型（MLLMs）的推理能力

探索多模态大语言模型&#xff08;MLLMs&#xff09;的推理能力 Multimodal Large Language Models (MLLMs) flyfish 原文&#xff1a;Exploring the Reasoning Abilities of Multimodal Large Language Models (MLLMs): A Comprehensive Survey on Emerging Trends in Mult…
阅读更多...
C++之红黑树模拟实现

C++之红黑树模拟实现

目录 红黑树的概念 红黑树的性质 红黑树的查找效率 红黑树的实现 红黑树的定义 红黑树节点的插入 红黑树的平衡调整 判断红黑树是否平衡 红黑树整体代码 测试代码 上期我们学习了AVL树的模拟实现&#xff0c;在此基础上&#xff0c;我们本期将学习另一个数据结构-…
阅读更多...
SDMTSP：粒子群优化算法PSO求解单仓库多旅行商问题，可以更改数据集和起点（MATLAB代码）

SDMTSP：粒子群优化算法PSO求解单仓库多旅行商问题，可以更改数据集和起点（MATLAB代码）

一、单仓库多旅行商问题 单仓库多旅行商问题&#xff08;Single-Depot Multiple Travelling Salesman Problem, SD-MTSP&#xff09;&#xff1a;&#x1d45a;个推销员从同一座中心城市出发&#xff0c;访问其中一定数量的城市并且每座城市只能被某一个推销员访问一次&#x…
阅读更多...
【Yonghong 企业日常问题 06】上传的文件不在白名单，修改allow.jar.digest属性添加允许上传的文件SH256值？

【Yonghong 企业日常问题 06】上传的文件不在白名单，修改allow.jar.digest属性添加允许上传的文件SH256值？

文章目录 前言问题描述问题分析问题解决1.允许所有用户上传驱动文件2.如果是想只上传白名单的驱动 前言 该方法适合永洪BI系列产品&#xff0c;包括不限于vividime desktop&#xff0c;vividime z-suit&#xff0c;vividime x-suit产品。 问题描述 当我们连接数据源的时候&a…
阅读更多...
决策树（理论知识3）

决策树（理论知识3）

目录 评选算法信息增益&#xff08; ID3 算法选用的评估标准&#xff09;信息增益率&#xff08; C4.5 算法选用的评估标准&#xff09;基尼系数&#xff08; CART 算法选用的评估标准&#xff09;基尼增益基尼增益率 评选算法 决策树学习的关键在于&#xff1a;如何选择最优划…
阅读更多...
Echarts连接数据库，实时绘制图表详解

Echarts连接数据库，实时绘制图表详解

文章目录 Echarts连接数据库&#xff0c;实时绘制图表详解一、引言二、步骤一&#xff1a;环境准备与数据库连接1、环境搭建2、数据库连接 三、步骤二&#xff1a;数据获取与处理1、查询数据库2、数据处理 四、步骤三&#xff1a;ECharts图表配置与渲染1、配置ECharts选项2、动…
阅读更多...
Odoo 免费开源 ERP：通过 JavaScript 创建对话框窗口的技术实践分享

Odoo 免费开源 ERP：通过 JavaScript 创建对话框窗口的技术实践分享

作者 | 老杨 出品 | 上海开源智造软件有限公司&#xff08;OSCG&#xff09; 概述 在本文中&#xff0c;我们将深入研讨如何于 Odoo 18 中构建 JavaScript&#xff08;JS&#xff09;对话框或弹出窗口。对话框乃是展现重要讯息、确认用户操作以及警示用户留意警告或错误的行…
阅读更多...
flask-admin的modelview 实现list列表视图中扩展修改状态按钮

flask-admin的modelview 实现list列表视图中扩展修改状态按钮

背景&#xff1a; 在flask-admin的模型视图&#xff08;modelview 及其子类&#xff09;中如果不想重构UI视图&#xff0c;那么就不可避免的出现默认视图无法很好满足需求的情况&#xff0c;如默认视图中只有“新增”&#xff0c;“编辑”&#xff0c;“选中的”三个按钮。 材…
阅读更多...
低空经济的地理信息支撑：构建安全、高效的飞行管理体系

低空经济的地理信息支撑：构建安全、高效的飞行管理体系

随着无人机等低空飞行器的广泛应用&#xff0c;低空空域管理的重要性日益凸显。地理信息技术作为低空空域管理的重要支撑&#xff0c;对于保障低空经济的健康发展具有不可替代的作用。 地理信息技术在低空空域管理中的作用 地理信息技术在低空空域管理中扮演着关键角色&#x…
阅读更多...
圣诞节文化交流会在洛杉矶成功举办

圣诞节文化交流会在洛杉矶成功举办

洛杉矶——12月21日&#xff0c;备受期待的“圣诞节文化交流会&#xff08;Christmas Art and Cultural Exchange Fair&#xff09;”在尔湾成功举办。本次活动由M.A.D, ACSDA Youth Committee, GlowStar Art Foundation共同举办&#xff0c;此次活动以文化交流为主题&#xff…
阅读更多...
007-spring-bean的相关配置（重要）

007-spring-bean的相关配置（重要）

spring-bean的相关配置
阅读更多...
什么样的LabVIEW控制算自动控制？

什么样的LabVIEW控制算自动控制？

自动控制是指系统通过预先设计的算法和逻辑&#xff0c;在无人工干预的情况下对被控对象的状态进行实时监测、决策和调整&#xff0c;达到预期目标的过程。LabVIEW作为一种图形化编程工具&#xff0c;非常适合开发自动控制系统。那么&#xff0c;什么样的LabVIEW控制算作“自动…
阅读更多...
打造独特的博客封面：动态封面设置指南

打造独特的博客封面：动态封面设置指南

如何设置你的专属封面 1先找到一个好的壁纸 以下是好用的壁纸网站 花瓣网 千图网 包图网 WallHere 壁纸 浏览器搜索可画 可画 或者是下载可画的PC端软件 我这里使用的是可画的PC端软件 我们选择这个 单图海报(横板 - 1200 * 726 像素) 这是我们进入的页面 我们点击…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023