一我的单挑滴滴Android开发团队？

本文是一位朋友的投稿，他花了很大精力来实现了一个滴滴客户端的完整功能，很是具备学习的价值，推荐给你们~

做者: 谭妥

本文较长，建议收藏食用；现建立了一个Android开发水友圈，圈内会不定时更新一些Android中高级的进阶资料，欢迎你们带着技术问题来讨论，共同成长进步！（包含资深UI工程师，Android底层开发工程师，Android架构师，原生性能优化及混合优化，flutter专精）；但愿有技术的大佬加入，水圈内解决的问题越多得到的权利越大！

前言

这是我本身作的一个仿滴滴打车的Android出行项目，主要针对滴滴等出行平台一直饱受质疑的“人车不符”问题，以及当前愈加火热的国际化和出海战略，给出行项目增长了下面几个功能：

1. RFID识别验证功能：在司机证件或者车内识别硬件里嵌入RFID识别芯片，乘客使用手机读取到芯片信息，而且经过网络（okhttp3）发送到出行平台数据库进行验证（我用NDK加了一个C语言的MD5加密算法对识别到的信息进行了加密）。若是不是合规的“人”或“车”，则不能完成订单并向平台或监管单位汇报当前位置。（为了方便读者测试，可使用手机读取任何一个加密或非加密RFID芯片，好比银行卡、公交卡等，我在代码中的验证前阶段把芯片信息都换成我本身的司机信息，确保读者测试时能够收到服务器的回复。
2. 海外版功能：点击切换当前语言。
3. 司机证件号码识别功能：读取司机证件上的证件号码，也能够用来与出行平台数据库的信息进行核实比对。

项目源码地址：https://github.com/18601949127

项目代码都是一行一行本身敲的，在多部手机上调试过确保各项功能可以顺畅运行。GitHub的源码中保留了全部的手机CPU指令集架构，保证在全部手机上可以运行成功。以为包太大的同窗能够本身把不须要的 .so 指令集删掉，主要是作识别的 OpenCV4Android.so 包比较大，其次是百度地图的包。

地图我使用的是百度地图LBS 版本5.3，海外的话考虑到信息数据多少、性能、包大小、数据源等多方面因素推荐使用mapbox。感兴趣的读者能够看Trinea 的这篇文章：https://blog.csdn.net/weixin_37734988/article/details/92852349

文章发布之后获得《滴滴国际化项目 Android 端演进》做者滴滴公司技术专家Trinea @trinea 的提点, 告诉我要特别根据海外版的应用场景认真分析国外几款 Map 服务的各项优劣，比较Google地图、 mapbox 、Nutiteq 等，很是感谢。我后面会单独写几篇关于 mapbox使用的文章而且分享出来

读者若是想到滴滴出行或者其余平台比较实用的功能能够留言或者微信给我（微信：18601949127），我会抽时间把好的 idea 或者功能继续添加到项目里。

开发环境

1.Android端：Android Studio 版本3.4， 百度地图LBS 版本5.3 , OpenCV4Android 版本3.2

2.服务器端：Apache + PHP + MySQL 用的是我本身租的腾讯云主机作服务器，我会一直开放出这个项目的接口，接受并处理读者发来的测试请求。

主界面概览

界面最上面TitleBar 的位置是主要的功能区，除了中间的醒目logo，两侧分布主要功能选项，最左边的SlidingMenu提供侧滑菜单，给乘客我的信息和软件设置提供入口，右边的证件标志按钮用于导向司机证件号码识别功能，再右边的英语标志按钮是国际化语言切换，最右边的无线标志是RFID识别认证功能的入口。

主界面的中间部分是地图区域，能够在上边选择不一样交通工具，用于展现乘客所在位置，附近车辆或者POI热点，以及路径规划。

主界面的下方能够提供上划菜单，主要用于上车和目的地地址关键字输入，以及安全提示信息或者广告的入口。

项目文件结构

首先介绍一下项目文件结构，方便读者阅读代码：

包名：com.tantuo.didicar

• Activity 文件夹：有的Activity 相对独立，并不属于某个功能模块，能够放到这个文件夹。
• adapter 文件夹：相对复杂一点的adapter会从类文件中取出单独保存到 adapter文件夹，好比左侧侧滑菜单中 recycler view的adapter。简单一点的adapter仍是会保存在调用的类中。
• Bean 文件夹：存放Entity 实体类，好比司机的相关信息会包装成一个DriverBean，每一个司机都是一个类对象，使用Gson 传递很方便，用的时候get,set 就能够。
• DriverLicenseNFC 文件夹：RFID识别验证模块，乘客使用这个功能模块验证司机身份或者车辆信息。
• DriverLicenseRecognition 文件夹：司机证件号码OCR识别的功能模块。
• splash 文件夹：app 初始化和引导界面。
• TabFragment：主界面上方的滑动主题条用来切换交通工具或者服务项目（Tab），不一样的交通工具或者服务项目代码都保存在TabFragment 文件夹里。
• utils 文件夹：用来保存项目用到的各类工具类，好比DriverRouteOverlay 用来在地图上渲染规划出来的驾车路线，MD5JniUtils 用NDK调用MD5加密算法，保护RFID芯片信息，NfcUtils 用来管理手机的NFC功能，POIOverlay 用来在地图上渲染周围兴趣点(POI)。

把工具类从Activity 或者 Fragment 中extract 出来放到统一的utils 文件夹，会让你的代码更清晰，可读性更强。

引导界面

先看下真机上的效果：

引导界面最初的logo动画是用我本身用SVG矢量动画作的，路径规划描述在 drawable 的splash_logo.xml 文件里：

还须要资源文件里的animator文件夹下的didilogoanimator.xml 对路径进行动画描述：

<objectAnimator

xmlns:android="http://schemas.android.com/apk/res/android"
android:duration="3000"
android:propertyName="trimPathEnd"
android:repeatCount="0"
android:valueFrom="0"
android:valueTo="1"
android:valueType="floatType"/>

这几秒的时间里能够在下图的位置添加一些初始化代码，好比网络请求，获得后续Activity的素材，地理位置等等。

出行界面

经过滑动地图界面上方的主题能够切换不一样的项目界面。滑动主题条是一个VIewPager的 Indicator，每个主题对应一个下面的服务项目，放在各自独立的VIewPager里。每一个服务项目有各自独立的上划菜单，做为此服务对应的地址关键字输入或者相关信息入口。

出行界面的UI结构：

注意：乘客的位置信息、当前经纬度、当前街道名字、楼宇名字都是在MainAcitivity作为静态成员变量定义的，缘由是在别的Acitivity或者类中，这些变量须要常用，直接调用 MainActivity.CurrentLocation就能够了，后面用到的全部当前位置，都是在MainActivity中 MyLocationListener 类获得的。

上车地址和目的地址的路线规划

不一样交通工具（快车，出租车，单车，公交车等等）对应的服务项目都嵌在TItleBar下边的 VIewpager里，一个服务项目对应一个独立的Fragmen文件，由其顶部的的VIewpagerIndicator滑动切换。服务项目的主要代码在com.tantuo.didicar 包下 TabFragment 文件夹里。

底部上滑动菜单

buttonsheet是在布局文件中加入android.support.v4.widget.NestedScrollView类的 bottom_sheet_behavior

app:layout_behavior="@string/bottom_sheet_behavior"

左侧侧滑菜单

左侧侧滑菜单能够做为我的信息、安全提示、设置信息的入口

司机证件的号码OCR识别功能

证件号码识别功能的主要代码在com.tantuo.didicar 包下的 DriverLicenseRecognition 模块。

仍是先看下真机效果：

点击进入司机证件号码识别功能之后，能够选择对证件拍照，为了方便演示，这里是从手机相册选择刚刚拍的照片。同时为了方便读者测试这个功能，我把照片保存在了开发包的asset文件夹里面，这样读者下载我保存在GIthub上https://github.com/18601949127 的版本，点击选择司机证件之后调用的是我保存在assets 文件夹里的司机证件照片，也就是下面图片里的 getDriverLicenseFromMySample() 方法，能够马上进行测试。想继续从手机相册读取的读者能够执行LicenseMainActivity 下的 LicenseMainActivity 方法。

这里用我之前在国外读书时候的证件做为例子：

首先：要从照片中找到司机证件区域，也就是上证件边缘红色的区域

/**

\* 找到图像中的证件区域
\* 在RGB色彩空间求取驾驶员证件的图像梯度，以后在此图像上作二值化，从而经过轮廓（contour）发现与面积大小过滤获得证件区域
\* author:Tantuo 86-1860194917
\* @param fileUri
\* @return
\*/
public Mat findLicenseContour(Uri fileUri) {
    //首先使用openCV 的 Imgcodecs类获得相机获取的证件图片
    Mat src = Imgcodecs.imread(fileUri.getPath());
    if (src.empty()) {
        return null;
    }
    //获得证件照片的x梯度和y梯度
    Mat grad\_x = new Mat();
    Mat grad\_y = new Mat();
    Mat abs\_grad\_x = new Mat();
    Mat abs\_grad\_y = new Mat();
    //注意求梯度的时候咱们使用的是Scharr算法，sofia算法容易收到图像细节的干扰
    //所谓梯度运算就是对图像中的像素点进行就导数运算，从而获得相邻两个像素点的差别值 by:Tantuo
    Imgproc.Scharr(src, grad\_x, CvType.CV\_32F, 1, 0);
    Imgproc.Scharr(src, grad\_y, CvType.CV\_32F, 0, 1);
    //openCV中有32位浮点数的CvType用于保存多是负值的像素数据值
    Core.convertScaleAbs(grad\_x, abs\_grad\_x);
    Core.convertScaleAbs(grad\_y, abs\_grad\_y);
    //openCV中使用release()释放Mat类图像，使用recycle()释放BitMap类图像
    grad\_x.release();
    grad\_y.release();
    //使用openCV的Core.addWeighted方法将x梯度和y梯度合并成一个梯度图像
    Mat grad = new Mat();
    Core.addWeighted(abs\_grad\_x, 0.5, abs\_grad\_y, 0.5, 0, grad);
    abs\_grad\_x.release();
    abs\_grad\_y.release();
    //获得梯度图像之后将其二值化，以便更清晰地找到轮廓边缘
    //Imgproc.cvtColor方法将梯度图像转换成binary gray灰度图像
    Mat binary = new Mat();
    Imgproc.cvtColor(grad, binary, Imgproc.COLOR\_BGR2GRAY);
    //手动阈值化，threshould阈值定为40
    Imgproc.threshold(binary, binary, 40, 255, Imgproc.THRESH\_BINARY);
    grad.release();
    //下面对二值图像进行形态学（morphology excution）的去噪声操做，先获得大小为 3\*3像素的结构元素
    Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH\_RECT, new Size(3, 3));
    //而后对结构元素进行 Morph\_open开操做。腐蚀：去除噪声-膨胀：覆盖去除的噪声点
    Imgproc.morphologyEx(binary, binary, Imgproc.MORPH\_OPEN, kernel);
    //接下来使用openCV的Imgproc.findContours()方法，在图像中寻找驾驶员证件的轮廓 contour roi
    List<MatOfPoint> contours = new ArrayList<>();
    Mat hierarchy = new Mat();
    Imgproc.findContours(binary, contours, hierarchy, Imgproc.RETR\_EXTERNAL, Imgproc.CHAIN\_APPROX\_SIMPLE, new Point(0, 0));
    int hw = binary.cols() / 2;
    int hh = binary.rows() / 2;
    Rect roi = new Rect();
    for (int i = 0; i < contours.size(); i++) {
        Rect rect = Imgproc.boundingRect(contours.get(i));
        //若是发现某一个 roi兴趣区域的轮廓宽度超过图片的一半，便可以认为这个轮廓是驾驶员证件的轮廓 contour
        if (rect.width > hw) {
            roi.x = rect.x;
            roi.y = rect.y;
            roi.width = rect.width;
            roi.height = rect.height;
            break;
        }
    }
    //没找到就返回
    if (roi.width == 0 || roi.height == 0) {
        return null;
    }
    //找到证件轮廓区域就将其拷贝到card图片中
    Mat card = new Mat();
    src.submat(roi).copyTo(card);
    //拷贝完成之后记得释放资源0
    src.release();
    binary.release();
    return card;
}

第一步先调用Imgproc.Scharr（）方法对司机证件的原始照片进行Scharr梯度运算，所谓梯度运算就是对图像中的像素点进行导数运算，从而获得相邻两个像素点的差别值，像素差别大的地方就是图像内轮廓contour，第二步在此图像上作二值化Binarization，调用 Imgproc.morphologyEx（）方法，经过轮廓（contour）发现与面积大小过滤获得证件区域。

边缘发现之后调用Imgproc.cvtColor()方法获得下面的证件区域：

2.识别到证件区域之后咱们注意到证件左上角有一个比较醒目的矩形，咱们用它做为reference识别到照片下方包含数字的号码区域。在程序中这个过程调用下面的 findCardNumBlock(Mat card) 方法。

public Mat findCardNumBlock(Mat card) {

//首先初始化HSV色彩空间（H：hue色相,S:saturation饱和度,V:value明度，亮度）
    Mat hsv = new Mat();
    Mat binary = new Mat();
    //从RGB色彩空间转换到hsv色彩空间，使用openCV的 Imgproc函数：Imgproc.COLOR\_BGR2HSV
    Imgproc.cvtColor(card, hsv, Imgproc.COLOR\_BGR2HSV);
    //inRange函数将hsv彩色图片的根阈值进行过滤,用来过滤掉对识别左上角标志区域帮助不大的颜色
    //而且把滤出的图像保存到 binary里面
    // Scalar（）是具备三个参数的结构体，三个参数表明 hsv的色相，饱和度，亮度值
    Core.inRange(hsv, new Scalar(30, 40, 45), new Scalar(180, 255, 255), binary);
    //以上会获得一个驾驶员证件的二值化图像，可是噪声比较多
    //下面对二值话图像进行形态学的开操做（morphology excution）,去除小的 5\*5大小的结构元素（噪声）
    Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH\_RECT, new Size(5, 5));
    Imgproc.morphologyEx(binary, binary, Imgproc.MORPH\_OPEN, kernel);//去除噪声
    //获取证件标志的轮廓（contours）
    List<MatOfPoint> contours = new ArrayList<>();
    Mat hierarchy = new Mat();
    Imgproc.findContours(binary, contours, hierarchy, Imgproc.RETR\_EXTERNAL, Imgproc.CHAIN\_APPROX\_SIMPLE, new Point(0, 0));
    int offsetx = binary.cols() / 3;
    int offsety = binary.rows() / 3;
    Rect numberROI = new Rect();
    //对每一个ROI寻找外接矩形 contourArea
    for (int i = 0; i < contours.size(); i++) {
        Rect roi = Imgproc.boundingRect(contours.get(i));
        //对于识别出来的矩形区域若是过小（面积小于200像素）则忽略
        if (Imgproc.contourArea(contours.get(i)) < 200) {
            continue;
        }
        //找到标志区域之后，以标志区域为基准，证件号码的位置在标志x坐标 \*2 左右，宽度大概在 binary.cols() - roi.x - 100像素
        //证件号码的高度大概是证件标志（基准）的0.7倍 height\*0.7 ;
        //若是找到的左上角标志物的轮廓长宽都小于证件的三分之一，则以此标志物做为标准定为号码区域
        if (roi.x < offsetx && roi.y < offsety) {
            numberROI.x = 3\* roi.x + 120;
            numberROI.y = roi.y + 4 \* roi.height - 65;
            numberROI.width = binary.cols() - roi.x - 390;
            numberROI.height = (int) (roi.height \* 0.9);
            break;
        }
    }
    //若是没有找到就返回null
    if (numberROI.width == 0 || numberROI.height == 0) {
        return null;
    }
    //获得证件号码的区域之后就能够截取下来保存到 textimage
    Mat textImage = new Mat();
    card.submat(numberROI).copyTo(textImage);
    //拷贝完成之后记得释放release mat资源
    card.release();
    hsv.release();
    binary.release();
    return textImage;
}

一样仍是先把图像从RGB色彩空间转换成HSV色彩空间，调用OpenCV的 Imgproc类生成一个 Imgproc.COLOR_BGR2HSV 对象。

Imgproc.cvtColor(card, hsv, Imgproc.COLOR_BGR2HSV);

以后调用下面的Core.inRange()方法获得一个hsv颜色在new Scalar(30, 40, 45)范围内的区域，也就是左上角的reference 矩形。

Core.inRange(hsv, new Scalar(30, 40, 45), new Scalar(180, 255, 255), binary);

下一步仍是形态学操做去噪声。噪声就是二值化图像里面识别出来的一个个小的黑点，形态学的开操做（morphology excution）会把图像中这些小小的黑点用旁边的大区域颜色覆盖掉，目的是为了让处理后的图像更加容易被机器识别。好比下面的代码调用OpenCV的Imgproc.morphologyEx()方法能够把大小为 5*5的结构元素（噪声）用周边像素弥补掉

//下面对二值化图像进行形态学的开操做（morphology excution）,去除小的 5*5大小的结构元素（噪声）

Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH\_RECT, new Size(5, 5));
    Imgproc.morphologyEx(binary, binary, Imgproc.MORPH\_OPEN, kernel);//去除噪声

噪声处理之后开始寻找证件区域内的号码区域 Contour作轮廓发现操做：

//对每一个ROI寻找外接矩形 contourArea
    for (int i = 0; i < contours.size(); i++) {
        Rect roi = Imgproc.boundingRect(contours.get(i));
        //对于识别出来的矩形区域若是过小（面积小于200像素）则忽略
        if (Imgproc.contourArea(contours.get(i)) < 200) {
            continue;
        }
        //找到标志区域之后，以标志区域为基准，证件号码的位置在标志x坐标 \*2 左右，宽度大概在 binary.cols() - roi.x - 100像素
        //证件号码的高度大概是证件标志（基准）的0.7倍 height\*0.7 ;
        //若是找到的左上角标志物的轮廓长宽都小于证件的三分之一，则以此标志物做为标准定为号码区域
        if (roi.x < offsetx && roi.y < offsety) {
            numberROI.x = 3\* roi.x + 120;
            numberROI.y = roi.y + 4 \* roi.height - 65;
            numberROI.width = binary.cols() - roi.x - 390;
            numberROI.height = (int) (roi.height \* 0.9);
            break;
        }
    }

获得证件号码的区域之后就能够截取下来保存到 textimage

Mat textImage = new Mat();

card.submat(numberROI).copyTo(textImage);
//拷贝完成之后记得释放release mat资源
card.release();
hsv.release();
binary.release();
return textImage;

完成以上工做之后能够识别到证件号码区域的矩形轮廓：

识别出了证件中的号码区域，后面就调用 DigitImageProcessor 类对这些数字进行识别，这个过程须要我单独在另一篇文章介绍，下面仅仅对几个重要方法的功能做介绍：

• splitNumberBlock(Mat textImage)方法使用二值化方法识别数字区域里的字符轮廓。
• getSplitLinePos(Mat mtexts) 方法用来对图像中有两个数字粘结起来的状况作分离。
• extractFeatureData(Mat txtImage) 方法的做用是证件卡号识别的特征提取，获取卡号每一个数字的黑色像素点特征，做为每一个号码的特征和识别的重要依据。
• dumpFeature(float[] fv, int textNum) 方法将生成的特征文本文件保存在手机。
• readFeatureVector(File f) 用来读取保存的特征向量。
• recognitionChar(Mat charImage) 用来根据特征向量对证件号码进行识别。

RFID识别验证功能

RIFD识别验证功能的主要代码在com.tantuo.didicar 包下的DriverLIcenseNFC模块里：

仍是先看下真机效果：

点击右上角的RFID验证入口之后，会提示乘客使用手机背面像刷公交卡那样感应RFID硬件，好比嵌入芯片的司机证件、固定在车上识别器等。

注意：某个Activity 要想可以在当前栈顶接收RFID芯片号码，必须在 Manifest.xml 文件中设置intent-filter 拦截TAGDISCOVERED的Action，这样这个Activity 才能捕获RFID标签信息。而且设置LunchMode 为SingleTop，确保再次捕获RFID标签信息（TAGDISCOVERED）的时候，始终由处于栈顶的这个Activity 来处理，而不是把他压入栈，调取新的DriverRFIDMainActivity做栈顶。有疑惑的同窗能够看下 Activity 启动模式和栈管理的相关文章。

连接：完全明白Activity启动模式-SingleTop、SingleTask、SingleInstance具体使用场景 https://blog.csdn.net/weixin_37734988/article/details/93508139

考虑到用户的手机可能有多个APP或者Activity 能够拦截RFID或者 NFC 芯片信息，因此须要给处于当前栈顶的 DriverRFIDMainActivity 设置前台分发系 enableForegroundDispatch ，能够确保检测到RFID标签时，此活动拥有最高的捕获优先权，而不是由Android Activity 调度机制调出新的有拦截权限的活动。

@Override

protected void onResume() {
    super.onResume();
    // 前台分发系统,用于确保检测RFID标签时拥有最高的捕获优先权.
    NfcUtils.mNfcAdapter.enableForegroundDispatch(this, NfcUtils.mPendingIntent, NfcUtils.mIntentFilter, NfcUtils.mTechList);
}
@Override
protected void onPause() {
    super.onPause();
    //关闭前台调度系统
    NfcUtils.mNfcAdapter.disableForegroundDispatch(this);
}

手机读取芯片ID这个功能的代码我单独放到NfcUtils工具类里，在utils 文件夹下。

手机读取到芯片信息，会调用NDK编译成C语言的MD5加密算法so 文件（文章最后会讲），连同当时的地理位置经纬度一块儿发送给平台服务器（我用的 OkHttp3 ），与数据库中注册司机的信息进行比对，并将验证结果和司机信息发送给乘客：

服务器端用的是我本身的腾讯云主机 + Apache + PHP+ MySQL ， 会一直开放出这个项目的网络接口并持续维护，方便读者测试这个功能。读者只要在验证环节使用手机读取任何一个嵌有RFID加密芯片好比学生证、银行卡、公交卡，程序在发送数据请求以前（下图代码中第二行高亮的部分）都会把读取到的ID信息换成做者本人的，再发送给平台服务器服务器作验证，这样读者测试时使用手机读取任何RFID信息都会接收到从服务器发回来的司机信息。实际项目中把这一行注释掉便可。

服务器端收到乘客发送过来的验证请求之后，会对比平台司机数据库进行核实，并把核实结果和对应司机、车辆信息发回给乘客。下面就是平台服务器端注册司机的注册信息数据库，我用Navicat 作了部分截图，第一行红色部分就是平台验证的结果，也就是做者本人的信息:

服务器端还会对乘客发送过来的数据进行整理和分析，也能够将“人车不符”数据和位置信息发送给合规部门。

下图是“人车不符”状况发生的地区热力图：

还能够根据乘客的叫车时间，筛选出高峰时段的用车需求热力图，给司机调度部门提供数据支持。

对服务器端的打车数据进行分析，还能够生成很是漂亮的24小时动态热力图、星云图、蝌蚪迁移图，感兴趣的读者能够研究下Python 、Pandas 、MatplotLib，能够快捷地处理服务器端数据，生成可视化图表。

使用NDK调用MD5加密算法

前面提到项目中会把ID号码使用C语言的MD5算法进行加密，关键代码在下图中的cpp 文件夹。图中 NDK Components 组件提供了一整套编译C语言动态库（.so ）和打包的工具，能够把*.so 动态库打包到apk中。下面的MD5.h 和 MD5.cpp 文件分别是C语言写的算法类头文件和源文件。头文件用来声明源文件要用到的变量、类型、宏定义，源文件则用来描述方法和具体实现，里面会有一个#include"MD5.h"把头文件导入进来。二者的关系有点像书的目录和内容的关系，目录是对章节和内容进行简单表示，真正的实现实在书里面的。

上图中MD5 C语言文件下面还有一个native-lib.cpp 文件，是NDK 在 Android studio 里帮助咱们生成的。它能够认为是Java方法调用C语言方法的桥梁。下面的图能够看到 native-lib 是如何帮助 MD5JniUtils 类的 getMd5 () 方法调用 C语言加密方法的，JNIEXPORT 和 JNICALL 两个宏用来标识函数用途是调用.so 库，就好像 C++能够调用 .dll 动态连接库同样，后面紧跟的是函数名，命名规则很重要：Java_ + 包名 + 调用这个加密算法的Java工具类名 + Java调用方法 ，后面的变量参数是Java中String类型对应的JNI jstring类型，下面在方法体中，就可使用对传入的加密前字符串进行加密的C语言运算了，并把加密完成的 jstring类型结果返回给java层。

须要更多视频及文档资料的私信我，更多进阶及面试资料的请进圈领取，欢迎你们理性讨论，有疑问的欢迎留言讨论。