尧图网站建设 
简介面向ComfyUI使用者的Supir图像缩放工作流配置文件适合有图像超分、清晰度增强或局部放大修复需求的AIGC爱好者与开发者省去手工搭建节点过程直接获得可运行的Supir缩放流程。压缩包为rar格式内部仅包含1个json文件整包约4KB该json完整记录工作流各节点的连接关系、采样参数与Supir模型调用方式导入ComfyUI即可复用。目前已有96人浏览学习适合快速复现与配置比对。拿到后可将json加载到ComfyUI画布直观查看节点拓扑与关键参数取值并调整模型版本、缩放倍数与提示词迁移到自己的图像处理任务中配合博主发布的ComfyUI教程与项目介绍文章还能进一步理解Supir缩放功能在AIGC工具链中的应用思路。1. ComfyUI/Supir 图像缩放一个 JSON 就能跑通的超分工作流ComfyUI/Supir 图像缩放 不是普通 resize它是基于扩散模型的重建式超分把图放大的同时重建纹理、修掉模糊和噪点老照片修复、动漫降噪、电商白底图提清都靠这类方案吃饭。这份 c0007 资源里最核心的东西就是一个 c0007.json 工作流拖进 ComfyUI 就能看到一条完整链路加载图片 → 加载 Supir 权重 → 采样放大 → VAE 解码 → 保存。适合已经在用 ComfyUI、想跑通超分但懒得从零搭节点的熟手也适合手里全是低清素材、想批量提清的从业者。先说清边界它不是整合包给的是工作流定义ComfyUI 环境和 Supir 权重需要你自己准备。下面按导入、参数、避坑、批量验证的顺序讲完。2. 把 c0007 变成可跑的项目JSON 导入、节点依赖与模型目录2.1 解压后先确认rar 里只有 json 还是要放模型拿到 c0007.rar第一步别急着把整个包往 ComfyUI 里塞先看清里面有什么。如果你的压缩包里只有 c0007.json那说明模型权重是单独的得自己去准备如果包里有 models 或 checkpoints 目录说明作者把权重一起打包了按目录结构直接放就行。# Windows 下也建议用 7z 或 WinRAR 右键解压路径不要带中文 7z x c0007.rar -oc0007/ # 解压后先列一下目录确认有没有模型子目录 find c0007/ -maxdepth 2 -type f | head -50这个命令的逻辑是先解压到一个独立目录再看里面到底有哪些文件。我见过不少人在这一步直接双击 rar 里的 json结果 json 被临时目录锁住ComfyUI 拖拽时读取失败报错还特别隐晦。所以解压完先find一下哪怕只有一个 json心里也有底。2.2 导入工作流 JSON先验证结构再拖进画布ComfyUI 导入工作流有两条路空白画布右键选 Load或者直接把 json 文件拖进浏览器窗口。拖进去之后所有节点会铺在工作区里连线完整是理想情况如果出现大片红色节点说明环境缺东西。在拖之前我习惯先用 Python 验证一遍 json 本身没有问题。import json with open(c0007.json, encodingutf-8) as f: wf json.load(f) print(节点数量:, len(wf.get(nodes, []))) print(节点类型:, sorted({n.get(type) for n in wf.get(nodes, [])})) print(连线数量:, len(wf.get(links, [])))这里重点看两点一是 json 是否包含nodes和links字段这是 ComfyUI 工作流的标准结构二是打印出的节点类型里有没有你不认识的名字。比如看到SUPIR_model_loader、SUPIR_sample、SUPIR_first_stage这类节点就知道必须安装对应的自定义节点了。如果 Python 不在系统 PATH 里就用 ComfyUI 自带的python.exe去跑路径一般在ComfyUI/python/python.exe。2.3 缺节点怎么补ComfyUI Manager 与自定义节点安装红色节点的报错信息通常会写unknown node type这种绝大多数是自定义节点没装。Supir 在 ComfyUI 里的社区实现一般叫 ComfyUI-SUPIR安装方式是在custom_nodes目录下拉仓库然后重启 ComfyUI。cd ComfyUI/custom_nodes # 具体仓库地址以你拿到的资源说明为准这里用占位 git clone ComfyUI-SUPIR 的仓库地址更省事的办法是装 ComfyUI Manager把它同样放进custom_nodes重启后右侧面板会多一个 Manager 入口在 Custom Nodes Manager 里搜 SUPIR点 Install 就行。装完记得重启 ComfyUI让节点注册生效。这里要留意一个细节不同作者的 SUPIR 实现节点名不一定完全一致c0007.json 里写的是SUPIR_sample你装的仓库如果叫别的名导入后照样红。所以装完之后先看自己拿到的仓库 README确认节点命名。3. Supir 超分参数怎么设从权重选型到显存预留的全链路3.1 Supir 权重选型与放置路径Supir 本身的权重不是 ComfyUI 自动下载的需要手动放到指定目录。社区里常见的是SUPIR-v0系列后续又出现了 fp8 这类量化版本主要目的就是降低显存压力。放对位置比放什么版本更重要多数实现里SUPIR_model_loader节点会直接读models/checkpoints目录下的文件。权重版本精度特点适合场景SUPIR-v0 原版质量最稳显存 16G 以上追求最佳修复效果SUPIR-v0 fp8 量化显存占用更低8G-12G 卡允许少量质量损失各作者 finetune 版侧重人脸/动漫根据素材类型选我一般会把权重放在ComfyUI/models/checkpoints/SUPIR-v0.safetensors然后在SUPIR_model_loader节点的文件名下拉框里选它。注意文件名不要乱改节点如果填了旧名字加载时会直接报找不到权重这种错是最冤枉的。3.2 关键参数scale、start_step、denoise 与输出分辨率跑 Supir 最常动的几个参数集中在采样节点里。c0007.json 导入后自带一套数值但那套数值是作者在他自己的显卡和素材上调出来的你直接照抄不一定合适。我按常见做法给一组可落地区间参数建议区间参数含义与注意点scale2 或 4目标放大倍数实际输出 输入宽 × scalestart_step0-1从第几步开始推广过程别拉太大否则结构会被重绘denoise0.5-0.8重绘强度越大越偏离原图边缘文字容易糊cfg1.0-1.5提示词引导强度Supir 不是重度文生图别给太高steps16-24采样步数超过 24 收益很小纯耗时间这里有个容易翻车的点Supir 内部处理时对超过 1024px 的输入通常会先压缩再做扩散采样。也就是说你拿一张 4K 图直接选 4x可能得不到 16K 输出反而因为内部先降采样导致细节重建次数不够效果还不如 2x。我一般会先把大图切块或者直接用 2x 跑两轮而不是一步到位 4x。3.3 显存预留--reserve-vram 含义与虚拟内存取舍Supir 显存开销比普通 SD 大一个档因为它在采样前还要过一遍图像编码器整张图的 latent 一次性成型。8G 卡跑 1024px 输入很容易直接 OOM。解决思路是两条腿走路显存预留 系统虚拟内存。# 新版 ComfyUI 启动时预留指定显存单位是 GB python main.py --reserve-vram 1.5--reserve-vram的含义是告诉 ComfyUI 调度器加载模型和采样时不要把显存吃满留出这么多空间给预览图、临时 latent 和 UI 渲染。我在 12G 卡上一般预留 1.5GB24G 卡预留 2GB。注意这个参数不是所有版本都认如果你的启动器或整合包版本旧会直接报unrecognized arguments解决办法见后面避坑章节。虚拟内存也很关键。秋叶整合包的常见问题是默认页面文件太小采样到一半 CPU 去换页直接卡死。设置路径右键此电脑 → 属性 → 高级系统设置 → 性能设置 → 高级 → 虚拟内存 → 自定义大小建议初始 32GB 以上放在空间足够的非系统盘。没有独显的机器CPU 模式跑 Supir 基本是煎熬小图预览可以批量超分就别指望了。4. 避坑笔记ComfyUI 跑 Supir 的五个高频翻车点4.1 模型下载失败日志卡在 Downloading 不动现象加载 SUPIR 权重时控制台一直停在 Downloading 或下载到一半报 EOFError。原因权重文件体积大托管在境外平台网络不稳定时下载中断而 ComfyUI 对断点续传的支持一般断了就得重来。解决换成国内可访问的 ModelScope 社区镜像手动下载把SUPIR-v0权重下完整后直接放进models/checkpoints。放完之后再回 ComfyUI节点下拉框里选本地文件不要走自动下载。文件名必须和节点填写的完全一致大小写和扩展名都别改。4.2 分辨率一拉高就 OOM现象采样跑到一半控制台报torch.OutOfMemoryError或者整个界面直接卡死鼠标都动不了。原因Supir 的显存峰值不在采样阶段而在图像编码阶段。输入越大一次性生成的 latent 张量越大几分钟前还在正常跑换一张大图就炸。解决先确认当前 scale 改成 2x 而不是 4x再开分块推理把大图切成 512 或 640 的 tile 分批采样最后才考虑--reserve-vram和--lowvram兜底。不要一上来就买新卡先看你的输入分辨率是不是已经超了 1024 这条线。4.3 输出脸部和文字发虚、涂抹感重现象图确实变清晰了但人脸皮肤像磨皮过度文字边缘发腻整体一股 AI 塑料味。原因denoise 太高导致重绘过度把原图的结构信息也覆盖了或者 cfg 给到 2.0 以上颜色和质感被提示词带偏。解决把 denoise 回退到 0.5-0.6start_step 保持 0 或 1cfg 回到 1.0 附近再跑一次对比。如果素材是含文字的截图建议把文字区域单独做 mask只超分非文字区文字区走普通放大否则笔画必糊。4.4 导入 c0007.json 后大片红色节点现象工作流拖进去差不多一半节点是红的报unknown node type。原因自定义节点缺失或者你装的 SUPIR 实现和作者用的不是同一个仓库节点类型名对不上。解决先看红色节点的具体类型名去 ComfyUI Manager 里搜该名字安装对应节点。装完重启后如果还是红大概率是接口名在版本迭代中改了比如原仓库的旧节点合并成了新节点。这时手动用 reroute 节点把断开的连线补上别全删重搭。4.5 启动参数不被识别--reserve-vram 直接报错现象在启动脚本里加了--reserve-vram 1.5命令行立刻提示error: unrecognized arguments。原因你用的整合包或便携版内置的是老版本 ComfyUI核心代码里没有这个参数。这不是参数写错是功能压根不存在。解决升级 ComfyUI 核心或者在秋叶整合包的启动器里看有没有对应开关不想升级就改用--lowvram效果是整条链路走低显存模式代价是速度下降。从那以后我每次跑新环境第一件事就是先确认 ComfyUI 版本再决定显存参数怎么给。5. 进阶用法批量超分前先用三个验证点把参数钉死拿到 c0007.json 并能跑通单张图之后真正值钱的是把它变成可复现的批处理流程。我现在的习惯是上批量前先过三个验证点。第一个验证点是打基线拿一张 512px 的小图分别跑 scale2、start_step1、denoise0.6 和 scale4、start_step0、denoise0.5 两组记录每一步的显存峰值和耗时。Supir 这类扩散模型参数之间是耦合的单独调一个变量看不出问题必须以一组参数为单位对比效果。第二个验证点是看细节而不是看整体放大后的图肉眼看整体很清晰但头发丝、文字笔画、皮肤毛孔才是分水岭。我把原图、2x、4x 三张并排放大到 200%专门看边缘有没有锯齿和重复纹理。这一步能发现参数是不是重绘过头。第三个验证点是走 API 批量。ComfyUI 可以在设置里打开开发模式然后在工作流的菜单中选择“保存为 API 格式”导出的 json 可以直接提交给后端接口跑批量import json import urllib.request def run_workflow(api_json_path, image_path): with open(api_json_path, encodingutf-8) as f: prompt json.load(f) # 批量时可把 LoadImage 节点里的路径换成当前要处理的图片 payload json.dumps({prompt: prompt}).encode() req urllib.request.Request( http://127.0.0.1:8188/prompt, datapayload, headers{Content-Type: application/json}, ) with urllib.request.urlopen(req) as resp: return json.load(resp)这个脚本的逻辑很简单把工作流 json 原样提交给 ComfyUI 的/prompt接口后端会按图执行。批量时只需要循环替换 LoadImage 节点里的图片路径再查/history/{prompt_id}拿到输出图。我一般会把上面三个验证点的结果写成注释贴在工作流里下次换素材直接按注释调整不用从头猜参数。从那以后我每次跑 Supir 都会先拿一张小图把 scale、start_step、denoise 钉死再上批量希望帮到你。本文还有配套的精品资源点击获取 ComfyUI+Supir图像超分：从JSON导入到批量跑通全攻略
简介面向ComfyUI使用者的Supir图像缩放工作流配置文件适合有图像超分、清晰度增强或局部放大修复需求的AIGC爱好者与开发者省去手工搭建节点过程直接获得可运行的Supir缩放流程。压缩包为rar格式内部仅包含1个json文件整包约4KB该json完整记录工作流各节点的连接关系、采样参数与Supir模型调用方式导入ComfyUI即可复用。目前已有96人浏览学习适合快速复现与配置比对。拿到后可将json加载到ComfyUI画布直观查看节点拓扑与关键参数取值并调整模型版本、缩放倍数与提示词迁移到自己的图像处理任务中配合博主发布的ComfyUI教程与项目介绍文章还能进一步理解Supir缩放功能在AIGC工具链中的应用思路。1. ComfyUI/Supir 图像缩放一个 JSON 就能跑通的超分工作流ComfyUI/Supir 图像缩放 不是普通 resize它是基于扩散模型的重建式超分把图放大的同时重建纹理、修掉模糊和噪点老照片修复、动漫降噪、电商白底图提清都靠这类方案吃饭。这份 c0007 资源里最核心的东西就是一个 c0007.json 工作流拖进 ComfyUI 就能看到一条完整链路加载图片 → 加载 Supir 权重 → 采样放大 → VAE 解码 → 保存。适合已经在用 ComfyUI、想跑通超分但懒得从零搭节点的熟手也适合手里全是低清素材、想批量提清的从业者。先说清边界它不是整合包给的是工作流定义ComfyUI 环境和 Supir 权重需要你自己准备。下面按导入、参数、避坑、批量验证的顺序讲完。2. 把 c0007 变成可跑的项目JSON 导入、节点依赖与模型目录2.1 解压后先确认rar 里只有 json 还是要放模型拿到 c0007.rar第一步别急着把整个包往 ComfyUI 里塞先看清里面有什么。如果你的压缩包里只有 c0007.json那说明模型权重是单独的得自己去准备如果包里有 models 或 checkpoints 目录说明作者把权重一起打包了按目录结构直接放就行。# Windows 下也建议用 7z 或 WinRAR 右键解压路径不要带中文 7z x c0007.rar -oc0007/ # 解压后先列一下目录确认有没有模型子目录 find c0007/ -maxdepth 2 -type f | head -50这个命令的逻辑是先解压到一个独立目录再看里面到底有哪些文件。我见过不少人在这一步直接双击 rar 里的 json结果 json 被临时目录锁住ComfyUI 拖拽时读取失败报错还特别隐晦。所以解压完先find一下哪怕只有一个 json心里也有底。2.2 导入工作流 JSON先验证结构再拖进画布ComfyUI 导入工作流有两条路空白画布右键选 Load或者直接把 json 文件拖进浏览器窗口。拖进去之后所有节点会铺在工作区里连线完整是理想情况如果出现大片红色节点说明环境缺东西。在拖之前我习惯先用 Python 验证一遍 json 本身没有问题。import json with open(c0007.json, encodingutf-8) as f: wf json.load(f) print(节点数量:, len(wf.get(nodes, []))) print(节点类型:, sorted({n.get(type) for n in wf.get(nodes, [])})) print(连线数量:, len(wf.get(links, [])))这里重点看两点一是 json 是否包含nodes和links字段这是 ComfyUI 工作流的标准结构二是打印出的节点类型里有没有你不认识的名字。比如看到SUPIR_model_loader、SUPIR_sample、SUPIR_first_stage这类节点就知道必须安装对应的自定义节点了。如果 Python 不在系统 PATH 里就用 ComfyUI 自带的python.exe去跑路径一般在ComfyUI/python/python.exe。2.3 缺节点怎么补ComfyUI Manager 与自定义节点安装红色节点的报错信息通常会写unknown node type这种绝大多数是自定义节点没装。Supir 在 ComfyUI 里的社区实现一般叫 ComfyUI-SUPIR安装方式是在custom_nodes目录下拉仓库然后重启 ComfyUI。cd ComfyUI/custom_nodes # 具体仓库地址以你拿到的资源说明为准这里用占位 git clone ComfyUI-SUPIR 的仓库地址更省事的办法是装 ComfyUI Manager把它同样放进custom_nodes重启后右侧面板会多一个 Manager 入口在 Custom Nodes Manager 里搜 SUPIR点 Install 就行。装完记得重启 ComfyUI让节点注册生效。这里要留意一个细节不同作者的 SUPIR 实现节点名不一定完全一致c0007.json 里写的是SUPIR_sample你装的仓库如果叫别的名导入后照样红。所以装完之后先看自己拿到的仓库 README确认节点命名。3. Supir 超分参数怎么设从权重选型到显存预留的全链路3.1 Supir 权重选型与放置路径Supir 本身的权重不是 ComfyUI 自动下载的需要手动放到指定目录。社区里常见的是SUPIR-v0系列后续又出现了 fp8 这类量化版本主要目的就是降低显存压力。放对位置比放什么版本更重要多数实现里SUPIR_model_loader节点会直接读models/checkpoints目录下的文件。权重版本精度特点适合场景SUPIR-v0 原版质量最稳显存 16G 以上追求最佳修复效果SUPIR-v0 fp8 量化显存占用更低8G-12G 卡允许少量质量损失各作者 finetune 版侧重人脸/动漫根据素材类型选我一般会把权重放在ComfyUI/models/checkpoints/SUPIR-v0.safetensors然后在SUPIR_model_loader节点的文件名下拉框里选它。注意文件名不要乱改节点如果填了旧名字加载时会直接报找不到权重这种错是最冤枉的。3.2 关键参数scale、start_step、denoise 与输出分辨率跑 Supir 最常动的几个参数集中在采样节点里。c0007.json 导入后自带一套数值但那套数值是作者在他自己的显卡和素材上调出来的你直接照抄不一定合适。我按常见做法给一组可落地区间参数建议区间参数含义与注意点scale2 或 4目标放大倍数实际输出 输入宽 × scalestart_step0-1从第几步开始推广过程别拉太大否则结构会被重绘denoise0.5-0.8重绘强度越大越偏离原图边缘文字容易糊cfg1.0-1.5提示词引导强度Supir 不是重度文生图别给太高steps16-24采样步数超过 24 收益很小纯耗时间这里有个容易翻车的点Supir 内部处理时对超过 1024px 的输入通常会先压缩再做扩散采样。也就是说你拿一张 4K 图直接选 4x可能得不到 16K 输出反而因为内部先降采样导致细节重建次数不够效果还不如 2x。我一般会先把大图切块或者直接用 2x 跑两轮而不是一步到位 4x。3.3 显存预留--reserve-vram 含义与虚拟内存取舍Supir 显存开销比普通 SD 大一个档因为它在采样前还要过一遍图像编码器整张图的 latent 一次性成型。8G 卡跑 1024px 输入很容易直接 OOM。解决思路是两条腿走路显存预留 系统虚拟内存。# 新版 ComfyUI 启动时预留指定显存单位是 GB python main.py --reserve-vram 1.5--reserve-vram的含义是告诉 ComfyUI 调度器加载模型和采样时不要把显存吃满留出这么多空间给预览图、临时 latent 和 UI 渲染。我在 12G 卡上一般预留 1.5GB24G 卡预留 2GB。注意这个参数不是所有版本都认如果你的启动器或整合包版本旧会直接报unrecognized arguments解决办法见后面避坑章节。虚拟内存也很关键。秋叶整合包的常见问题是默认页面文件太小采样到一半 CPU 去换页直接卡死。设置路径右键此电脑 → 属性 → 高级系统设置 → 性能设置 → 高级 → 虚拟内存 → 自定义大小建议初始 32GB 以上放在空间足够的非系统盘。没有独显的机器CPU 模式跑 Supir 基本是煎熬小图预览可以批量超分就别指望了。4. 避坑笔记ComfyUI 跑 Supir 的五个高频翻车点4.1 模型下载失败日志卡在 Downloading 不动现象加载 SUPIR 权重时控制台一直停在 Downloading 或下载到一半报 EOFError。原因权重文件体积大托管在境外平台网络不稳定时下载中断而 ComfyUI 对断点续传的支持一般断了就得重来。解决换成国内可访问的 ModelScope 社区镜像手动下载把SUPIR-v0权重下完整后直接放进models/checkpoints。放完之后再回 ComfyUI节点下拉框里选本地文件不要走自动下载。文件名必须和节点填写的完全一致大小写和扩展名都别改。4.2 分辨率一拉高就 OOM现象采样跑到一半控制台报torch.OutOfMemoryError或者整个界面直接卡死鼠标都动不了。原因Supir 的显存峰值不在采样阶段而在图像编码阶段。输入越大一次性生成的 latent 张量越大几分钟前还在正常跑换一张大图就炸。解决先确认当前 scale 改成 2x 而不是 4x再开分块推理把大图切成 512 或 640 的 tile 分批采样最后才考虑--reserve-vram和--lowvram兜底。不要一上来就买新卡先看你的输入分辨率是不是已经超了 1024 这条线。4.3 输出脸部和文字发虚、涂抹感重现象图确实变清晰了但人脸皮肤像磨皮过度文字边缘发腻整体一股 AI 塑料味。原因denoise 太高导致重绘过度把原图的结构信息也覆盖了或者 cfg 给到 2.0 以上颜色和质感被提示词带偏。解决把 denoise 回退到 0.5-0.6start_step 保持 0 或 1cfg 回到 1.0 附近再跑一次对比。如果素材是含文字的截图建议把文字区域单独做 mask只超分非文字区文字区走普通放大否则笔画必糊。4.4 导入 c0007.json 后大片红色节点现象工作流拖进去差不多一半节点是红的报unknown node type。原因自定义节点缺失或者你装的 SUPIR 实现和作者用的不是同一个仓库节点类型名对不上。解决先看红色节点的具体类型名去 ComfyUI Manager 里搜该名字安装对应节点。装完重启后如果还是红大概率是接口名在版本迭代中改了比如原仓库的旧节点合并成了新节点。这时手动用 reroute 节点把断开的连线补上别全删重搭。4.5 启动参数不被识别--reserve-vram 直接报错现象在启动脚本里加了--reserve-vram 1.5命令行立刻提示error: unrecognized arguments。原因你用的整合包或便携版内置的是老版本 ComfyUI核心代码里没有这个参数。这不是参数写错是功能压根不存在。解决升级 ComfyUI 核心或者在秋叶整合包的启动器里看有没有对应开关不想升级就改用--lowvram效果是整条链路走低显存模式代价是速度下降。从那以后我每次跑新环境第一件事就是先确认 ComfyUI 版本再决定显存参数怎么给。5. 进阶用法批量超分前先用三个验证点把参数钉死拿到 c0007.json 并能跑通单张图之后真正值钱的是把它变成可复现的批处理流程。我现在的习惯是上批量前先过三个验证点。第一个验证点是打基线拿一张 512px 的小图分别跑 scale2、start_step1、denoise0.6 和 scale4、start_step0、denoise0.5 两组记录每一步的显存峰值和耗时。Supir 这类扩散模型参数之间是耦合的单独调一个变量看不出问题必须以一组参数为单位对比效果。第二个验证点是看细节而不是看整体放大后的图肉眼看整体很清晰但头发丝、文字笔画、皮肤毛孔才是分水岭。我把原图、2x、4x 三张并排放大到 200%专门看边缘有没有锯齿和重复纹理。这一步能发现参数是不是重绘过头。第三个验证点是走 API 批量。ComfyUI 可以在设置里打开开发模式然后在工作流的菜单中选择“保存为 API 格式”导出的 json 可以直接提交给后端接口跑批量import json import urllib.request def run_workflow(api_json_path, image_path): with open(api_json_path, encodingutf-8) as f: prompt json.load(f) # 批量时可把 LoadImage 节点里的路径换成当前要处理的图片 payload json.dumps({prompt: prompt}).encode() req urllib.request.Request( http://127.0.0.1:8188/prompt, datapayload, headers{Content-Type: application/json}, ) with urllib.request.urlopen(req) as resp: return json.load(resp)这个脚本的逻辑很简单把工作流 json 原样提交给 ComfyUI 的/prompt接口后端会按图执行。批量时只需要循环替换 LoadImage 节点里的图片路径再查/history/{prompt_id}拿到输出图。我一般会把上面三个验证点的结果写成注释贴在工作流里下次换素材直接按注释调整不用从头猜参数。从那以后我每次跑 Supir 都会先拿一张小图把 scale、start_step、denoise 钉死再上批量希望帮到你。本文还有配套的精品资源点击获取