首页AI与智能硬件软件开发网络与安全云计算与数据其他IT技术关于我们
会员中心
登录

Hive窗口函数核心解析与实战应用

man One·2026-07-30·阅读 30 GEO检测（免费）
Hive窗口函数OVER子句ROW_NUMBER
|难度：普通|阅读约 14 分钟

1. Hive窗口函数核心概念解析

窗口函数是Hive SQL中用于在数据集的特定子集（称为"窗口"）上执行计算的强大工具。与普通聚合函数不同，窗口函数不会将多行合并为单行结果，而是为每一行返回一个值，同时保留原始数据行的完整性。

1.1 窗口函数与普通聚合函数的本质区别

假设我们有一个销售数据表sales_data，包含字段：sale_id（销售ID）、product_id（产品ID）、sale_date（销售日期）、amount（销售金额）。如果使用普通聚合函数：

sql复制SELECT product_id, SUM(amount) as total_amount
FROM sales_data
GROUP BY product_id;

这个查询会将相同product_id的记录合并为一行，只返回每个产品的总销售额。而窗口函数则不同：

sql复制SELECT sale_id, product_id, sale_date, amount,
       SUM(amount) OVER(PARTITION BY product_id) as product_total_amount
FROM sales_data;

这个查询会返回所有原始行，同时新增一列显示每个产品对应的总销售额。窗口函数的关键在于OVER子句，它定义了计算的范围。

1.2 窗口函数的三要素

每个窗口函数都包含三个核心组成部分：

  1. 函数部分：指定要执行的计算类型，如SUM()、AVG()、ROW_NUMBER()等
  2. OVER子句：定义窗口的边界和分组方式
  3. 窗口规范：进一步细化窗口范围，包括：
    • PARTITION BY：类似于GROUP BY，定义分组依据
    • ORDER BY：确定窗口内行的排序方式
    • ROWS/RANGE BETWEEN：定义窗口的起始和结束边界

需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. Hive中常用窗口函数详解

2.1 排名函数实战

排名函数是面试中最常被问到的窗口函数类型，主要包括：

  1. ROW_NUMBER()：为每行分配唯一的序号（相同值也会不同号）

    sql复制SELECT product_id, sale_date, amount,
       ROW_NUMBER() OVER(PARTITION BY product_id ORDER BY amount DESC) as rank
FROM sales_data;

  2. RANK()：相同值会得到相同排名，后续排名会有"跳跃"

    sql复制SELECT product_id, sale_date, amount,
       RANK() OVER(PARTITION BY product_id ORDER BY amount DESC) as rank
FROM sales_data;

  3. DENSE_RANK()：相同值相同排名，但后续排名连续不跳跃

    sql复制SELECT product_id, sale_date, amount,
       DENSE_RANK() OVER(PARTITION BY product_id ORDER BY amount DESC) as rank
FROM sales_data;

注意：在面试中常被问到这三种排名函数的区别。一个典型的例子是处理[100, 90, 90, 80]这样的数据时：

  • ROW_NUMBER()会返回[1,2,3,4]
  • RANK()会返回[1,2,2,4]
  • DENSE_RANK()会返回[1,2,2,3]

2.2 聚合函数窗口化使用

标准聚合函数如SUM、AVG、MAX、MIN等都可以与OVER子句结合使用：

sql复制SELECT sale_id, product_id, sale_date, amount,
       SUM(amount) OVER(PARTITION BY product_id) as product_total,
       AVG(amount) OVER(PARTITION BY product_id) as product_avg,
       MAX(amount) OVER(PARTITION BY product_id) as product_max,
       MIN(amount) OVER(PARTITION BY product_id) as product_min,
       amount/SUM(amount) OVER(PARTITION BY product_id) as amount_ratio
FROM sales_data;

2.3 分析函数高级应用

  1. LEAD/LAG函数：访问当前行之前或之后的行

    sql复制SELECT product_id, sale_date, amount,
       LAG(amount, 1, 0) OVER(PARTITION BY product_id ORDER BY sale_date) as prev_amount,
       LEAD(amount, 1, 0) OVER(PARTITION BY product_id ORDER BY sale_date) as next_amount,
       amount - LAG(amount, 1, 0) OVER(PARTITION BY product_id ORDER BY sale_date) as day_diff
FROM sales_data;

  2. FIRST_VALUE/LAST_VALUE：获取窗口内第一行或最后一行的值

    sql复制SELECT product_id, sale_date, amount,
       FIRST_VALUE(amount) OVER(PARTITION BY product_id ORDER BY sale_date) as first_day_amount,
       LAST_VALUE(amount) OVER(PARTITION BY product_id ORDER BY sale_date 
                              ROWS BETWEEN UNBOUNDED PRECEDING AND UNBOUNDED FOLLOWING) as last_day_amount
FROM sales_data;

重要提示：LAST_VALUE在使用时通常需要显式指定窗口范围，否则默认只看到当前行。

3. 窗口定义高级技巧

3.1 自定义窗口范围

窗口范围可以通过ROWS或RANGE子句精确定义：

  1. ROWS BETWEEN：基于物理行数定义窗口

    sql复制SELECT product_id, sale_date, amount,
       AVG(amount) OVER(PARTITION BY product_id ORDER BY sale_date
                        ROWS BETWEEN 2 PRECEDING AND CURRENT ROW) as moving_avg_3days
FROM sales_data;

  2. RANGE BETWEEN：基于逻辑值范围定义窗口

    sql复制SELECT product_id, sale_date, amount,
       SUM(amount) OVER(PARTITION BY product_id ORDER BY sale_date
                        RANGE BETWEEN INTERVAL '7' DAY PRECEDING AND CURRENT ROW) as weekly_sum
FROM sales_data;

3.2 窗口函数性能优化

窗口函数虽然强大，但在大数据量下可能成为性能瓶颈。以下优化策略值得关注：

  1. 减少PARTITION BY列数：分区列越多，计算开销越大
  2. 合理使用ORDER BY：无排序需求时不要添加ORDER BY
  3. 限制窗口范围：避免使用UNBOUNDED PRECEDING/FOLLOWING
  4. 结合Hive参数调优：
    sql复制SET hive.exec.parallel=true;
SET hive.exec.parallel.thread.number=16;
SET hive.vectorized.execution.enabled=true;

4. 面试常见问题与实战案例

4.1 高频面试题解析

  1. 连续登录用户识别：

    sql复制WITH login_sequence AS (
  SELECT user_id, login_date,
         ROW_NUMBER() OVER(PARTITION BY user_id ORDER BY login_date) as seq
  FROM user_logins
)
SELECT user_id, MIN(login_date) as start_date, MAX(login_date) as end_date, COUNT(*) as days
FROM login_sequence
GROUP BY user_id, DATE_SUB(login_date, seq);

  2. Top N分析：

    sql复制WITH product_ranking AS (
  SELECT product_id, amount,
         ROW_NUMBER() OVER(ORDER BY amount DESC) as rank
  FROM sales_data
)
SELECT product_id, amount
FROM product_ranking
WHERE rank <= 10;

  3. 同比环比计算：

    sql复制SELECT month, amount,
       LAG(amount, 12) OVER(ORDER BY month) as prev_year_amount,
       amount/LAG(amount, 12) OVER(ORDER BY month) as year_over_year,
       LAG(amount, 1) OVER(ORDER BY month) as prev_month_amount,
       amount/LAG(amount, 1) OVER(ORDER BY month) as month_over_month
FROM monthly_sales;

4.2 窗口函数常见错误排查

  1. 错误：Not in GROUP BY clause

    • 原因：混淆了GROUP BY和窗口函数
    • 解决：确保SELECT中的非聚合列要么在GROUP BY中，要么在窗口函数中

  2. 错误：Window function missing OVER clause

    • 原因：忘记添加OVER子句
    • 解决：所有窗口函数必须包含OVER()

  3. 性能问题：查询执行缓慢

    • 可能原因：窗口定义过大或分区不合理
    • 解决：限制窗口范围，优化PARTITION BY

5. Hive窗口函数进阶应用

5.1 多级窗口函数嵌套

窗口函数可以嵌套使用实现复杂分析：

sql复制SELECT product_id, sale_date, amount,
       SUM(amount) OVER(PARTITION BY product_id) as product_total,
       amount/SUM(amount) OVER(PARTITION BY product_id) as product_ratio,
       SUM(amount) OVER() as grand_total,
       amount/SUM(amount) OVER() as grand_ratio
FROM sales_data;

5.2 窗口函数与CTE结合

使用CTE (Common Table Expression) 可以使窗口函数查询更清晰：

sql复制WITH monthly_sales AS (
  SELECT product_id, DATE_FORMAT(sale_date, 'yyyy-MM') as month, SUM(amount) as month_amount
  FROM sales_data
  GROUP BY product_id, DATE_FORMAT(sale_date, 'yyyy-MM')
),
product_growth AS (
  SELECT product_id, month, month_amount,
         LAG(month_amount, 1) OVER(PARTITION BY product_id ORDER BY month) as prev_month_amount,
         month_amount/LAG(month_amount, 1) OVER(PARTITION BY product_id ORDER BY month) as growth_rate
  FROM monthly_sales
)
SELECT product_id, month, month_amount, growth_rate
FROM product_growth
WHERE growth_rate < 0.9;  -- 筛选环比下降超过10%的产品

5.3 窗口函数实现数据质量检查

窗口函数可用于识别数据异常：

sql复制WITH stats AS (
  SELECT product_id, amount,
         AVG(amount) OVER() as global_avg,
         STDDEV(amount) OVER() as global_stddev,
         AVG(amount) OVER(PARTITION BY product_id) as product_avg,
         STDDEV(amount) OVER(PARTITION BY product_id) as product_stddev
  FROM sales_data
)
SELECT product_id, amount,
       CASE WHEN ABS(amount - product_avg) > 3*product_stddev THEN '产品异常'
            WHEN ABS(amount - global_avg) > 3*global_stddev THEN '全局异常'
            ELSE '正常' END as anomaly_status
FROM stats;

在实际工作中，窗口函数的应用远不止于此。掌握窗口函数不仅能帮助你在技术面试中脱颖而出，更能大幅提升日常数据分析工作的效率和质量。建议在理解基本原理后，多在真实数据集上练习，逐步掌握各种复杂场景下的应用技巧。

上一篇
考研复试15天冲刺：高效备考策略与技巧

内容推荐

预售与易货模式：商业逻辑与实战策略
预售 · 易货 · 商业逻辑
预售和易货作为现代商业中的两种创新交易模式，正在改变传统的供应链管理方式。预售通过提前锁定消费者需求，将库存压力转化为现金流，同时为企业提供与上下游谈判的筹码。易货交易则通过物物交换，帮助企业盘活闲置资源，实现资源的高效配置。这两种模式的核心在于数据驱动和精准匹配，预售依赖智能预测模型来优化转化率，而易货则需要建立准确的虚拟定价体系。在实际应用中，预售与易货的组合模式能够显著提升企业的资金利用率和供应链灵活性，适用于服装、家电、母婴等多个行业。通过合规的资金管理和法律风险防控，企业可以安全地实施这些策略，实现商业价值的最大化。
网站优化与SEO：技术基础与实战策略
网站优化 · SEO · 搜索引擎优化
网站优化与SEO是现代数字营销的核心技术。网站优化涵盖技术架构、内容质量和用户体验三个维度，而SEO专注于提升搜索引擎可见度。从技术原理看，网站速度、移动适配等基础优化直接影响SEO效果，比如Google明确将Core Web Vitals作为排名因素。在工程实践中，通过延迟加载、响应式设计等技术手段，既能提升用户体验，又能增强SEO表现。内容优化方面，现代SEO更注重语义分析和用户意图识别，而非传统的关键词密度。结构化数据标记和高质量外链建设是提升搜索排名的有效策略。对于电商网站等技术密集型场景，优化移动端速度可使跳出率显著降低，自然流量提升。
YouTube Shorts变现全攻略：从算法到实操
YouTube Shorts · 短视频变现 · 算法推荐
短视频变现已成为数字内容创业的重要方向，其核心逻辑在于平台算法与用户行为的深度耦合。YouTube Shorts作为新兴的短视频平台，采用基于流量池的收益分成机制，通过完播率、互动率等指标动态调节内容分发权重。从技术实现角度看，这涉及推荐系统的实时数据处理和用户画像匹配，其中BGM标签、剪辑节奏等元素会显著影响算法判断。对于创作者而言，掌握黄金3秒法则、多账号矩阵运营等工程化方法，可以有效提升CPM收益。特别是在电商导流场景中，合理使用UTM参数追踪和商品标签功能，能实现27%以上的转化率提升。本文详解的六大变现路径，包括平台分成、品牌赞助等实战策略，均经过百万级播放量验证，为创作者提供可复用的方法论框架。
企业用人决策的常见陷阱与优化策略
用人决策 · 招聘陷阱 · STAR追问法
在企业管理中，用人决策是影响组织效能的关键环节。从原理上看，有效的用人决策需要结合岗位需求分析、候选人评估和组织文化匹配等多维度考量。技术价值体现在通过系统化的评估工具和方法，如STAR追问法、文化适配度测评等，可以显著降低决策失误率。应用场景涵盖从招聘到入职后的全周期管理，特别是在电商、互联网等高流动性行业尤为重要。本文重点分析了岗位画像模糊、光环效应等四大招聘陷阱，以及入职后的管理雷区，为企业提供了一套可落地的解决方案框架，包括人才决策仪表盘和动态用人模型等实用工具。
SpringBoot社区志愿服务系统设计与实践
SpringBoot · 微服务 · 志愿服务系统
微服务架构在现代分布式系统中扮演着重要角色，其核心原理是通过业务解耦和独立部署提升系统弹性。SpringBoot作为快速开发框架，通过自动配置和起步依赖显著降低微服务实现门槛。结合Redis和RabbitMQ等中间件，可构建高并发的志愿服务管理系统，实现志愿者匹配、活动管理等核心功能。这类系统在社区治理、公益资源调度等场景具有广泛应用价值。本文介绍的社区志愿服务系统采用Vue.js+SpringBoot技术栈，通过三级漏斗算法实现精准匹配，并运用Docker容器化部署解决社区IT资源不足问题，为类似公益平台开发提供参考。
配电网拓扑优化：断线解环算法与Matlab实现
配电网拓扑优化 · 断线解环 · 辐射状结构
配电网拓扑优化是电力系统分析中的关键技术，其核心在于构建满足辐射状约束的网络结构。通过图论中的连通性和无环性原理，结合深度优先搜索(DFS)等算法，可以有效检测和处理网络中的环路问题。断线解环作为一种创新方法，通过智能选择断开环路中的关键支路，将复杂网状结构转化为标准辐射状拓扑，显著提升计算效率和收敛性。在Matlab实现中，采用邻接矩阵表示网络结构，结合稀疏矩阵处理和并行计算等优化技巧，能够应对大规模配电网场景。该方法在配电网重构、故障恢复等实际工程中具有重要应用价值，特别是在处理含分布式电源的现代配电网时展现出独特优势。
SpringBoot构建新能源汽车充电桩管理系统实践
SpringBoot · 充电桩管理系统 · 物联网
物联网技术在新能源汽车充电桩管理系统中扮演着关键角色，通过实时数据采集与传输实现设备状态监控。SpringBoot框架凭借其自动配置和模块化特性，成为开发此类系统的理想选择，能快速构建RESTful API并整合JPA实现高效数据持久化。在充电桩管理场景中，结合WebSocket和Redis可实现毫秒级状态更新，而策略模式则灵活支持多维度计费规则。这类系统通常需要处理高并发请求，采用微服务架构和三级缓存策略可确保系统稳定性。对于新能源汽车基础设施而言，充电桩管理系统的核心技术价值在于提升设备在线率、优化运维效率，并通过标准化协议(如OCPP)实现设备互联互通。
Flutter在开源鸿蒙中的深色模式适配实践
Flutter · 开源鸿蒙 · 深色模式
跨平台开发框架Flutter与开源鸿蒙操作系统的结合，为应用开发带来了新的挑战与机遇。深色模式作为现代UI设计的重要组成部分，其实现原理涉及色彩系统、主题管理和渲染性能等多方面技术。在鸿蒙生态中，系统级深色模式支持通过分布式架构实现多设备协同，而Flutter应用需要特别处理Material Design与鸿蒙UX设计语言的差异。通过动态主题切换架构和鸿蒙语义化颜色映射，开发者可以解决背景色闪烁、文字对比度不足等典型问题，实现60fps平滑过渡的视觉效果。这种技术方案不仅适用于移动应用，在分布式场景下的主题同步和动态壁纸适配等进阶需求中同样具有重要价值。
.NET Web API项目模板生成器：快速搭建RESTful服务
.NET · Web API · 项目模板
项目模板生成器是现代软件开发中的重要工具，它通过自动化项目初始化流程显著提升开发效率。在.NET生态中，这类工具基于模板引擎原理工作，通过预定义的项目结构和配置，帮助开发者快速构建符合最佳实践的应用程序。特别对于Web API开发，标准化模板能确保RESTful规范的一致性，同时集成Swagger文档、依赖注入等基础设施。Chet.WebAPI.Template.Generator作为典型实现，不仅支持Vue 3前端集成，还提供JWT认证、Redis缓存等模块化选项，非常适合快速原型开发和团队标准化场景。这种工具化实践正在改变.NET开发者的工作流，使工程初始化时间从小时级缩短至分钟级。
设计师远程协作工具评测：色彩、延迟与多屏支持
远程协作工具 · 色彩保真度 · 输入延迟
远程协作工具在现代设计工作流程中扮演着关键角色，其核心技术涉及色彩管理、数据传输和输入延迟优化。色彩保真度通过ΔE值衡量，专业设计需ΔE<2；延迟控制直接影响数位板压感体验，理想状态应<100ms。多显示器支持与色域同步能力决定了复杂工作流的效率。针对设计师特殊需求，主流工具如Splashtop的ColorBoost技术实现ΔE1.8，RayLink的RTCore引擎达到42ms超低延迟，而ToDesk在基础办公场景更具性价比。这些技术差异直接影响印刷设计、UI/UX协作等专业场景的工作质量与效率。
天文摄影技巧：从星轨拍摄到延时摄影全攻略
天文摄影 · 星轨拍摄 · 延时摄影
天文摄影作为摄影技术的重要分支，通过捕捉宇宙天体的光影展现自然之美。其核心技术原理涉及长时间曝光和光线累积，利用地球自转创造星轨效果。在工程实践中，全画幅相机和大光圈广角镜头的组合能显著提升成像质量，而延时摄影技术则可将静态星空转化为动态视觉盛宴。掌握天文摄影不仅需要理解500法则等基础参数设置，还需熟练运用Sequator等专业叠加软件进行后期处理。这类技术广泛应用于科普教育、艺术创作等领域，特别是在星空保护和光污染治理方面具有独特价值。通过合理运用星轨叠加和银河接片等技巧，摄影爱好者可以创作出震撼的星河闪烁作品。
FLUENT在航空翼型优化中的CFD应用与实践
计算流体力学 · CFD · FLUENT
计算流体力学(CFD)通过数值方法求解Navier-Stokes方程，实现对流体运动的精确模拟。其核心原理是将连续介质离散为有限体积单元，通过迭代计算获得流场参数分布。作为现代工程设计的革命性工具，CFD技术显著降低了物理实验成本，在航空航天、汽车制造等领域具有广泛应用。以ANSYS FLUENT为代表的商业软件，集成了压力基/密度基求解器、SST k-omega湍流模型等先进算法，特别适合翼型气动特性分析。通过参数化建模和AI加速技术，传统需要数周的风洞试验现在可在72小时内完成数值验证。本文以航空翼型优化为切入点，详解从网格划分（建议y+控制在1~5）、求解器设置到实验数据校准的全流程工程实践，并分享MOGA多目标优化等进阶技巧。
SpringBoot+Vue医疗排班系统架构与优化实践
SpringBoot · Vue · 医疗信息化
企业级排班系统是医疗信息化的核心组件，其技术实现涉及分布式架构与业务规则深度融合。基于SpringBoot+Vue的全栈方案通过RESTful API实现前后端解耦，配合MyBatis-plus高效操作MySQL数据库。系统采用规则引擎处理医疗特有的连续性排班、资质匹配等复杂逻辑，结合遗传算法实现智能排班优化。在工程实践中，虚拟滚动技术解决大规模班次渲染性能问题，WebSocket实现实时冲突检测。该架构已成功应用于三甲医院急诊科，实测降低30%排班冲突率，其分表策略与Redis缓存方案对高并发医疗场景具有普适参考价值。
网络迷因HAHAHAH的传播机制与内容创作方法论
网络迷因 · 传播机制 · 模因工程
网络迷因作为数字时代特有的文化现象，其传播机制融合了心理学、传播学与计算机科学的多学科原理。从认知科学角度看，重复性视觉符号如HAHAHAH能有效刺激大脑警觉系统，其对称结构和非常规拼写符合米勒定律与认知失调理论。在技术实现层面，移动端输入便捷性和API数据抓取技术为迷因传播提供了基础设施。这类内容具有低认知成本、高参与度的特点，适用于社交媒体营销、UGC内容生产等场景。通过模因工程（Meme Engineering）方法，可以系统化设计具有病毒式传播潜力的内容，其中HAHAHAH现象展示了情绪压缩、参与式进化等数字传播新规律。
统信UOS下Python批量重命名工具开发实践
Python · 批量重命名 · 统信UOS
文件批量重命名是开发者和IT从业者常见的需求场景，特别是在多人协作和版本迭代过程中。通过Python脚本实现自动化重命名，可以显著提升文件管理效率。该技术基于操作系统的文件系统接口，利用正则表达式和字符串替换等核心编程概念，实现智能化的命名规则解析。在统信UOS等国产操作系统环境下，结合keyboard库实现全局热键监听，使工具具备快速触发能力。典型应用包括开发资源管理、文档版本控制和多媒体文件整理等场景。本文介绍的方案特别优化了批量处理性能和异常恢复机制，支持自定义模板和变量替换，是提升开发效率的实用工具。
SSM框架实现农产品销售系统的核心技术解析
SSM框架 · 农产品电商 · 质量追溯
SSM框架（Spring+SpringMVC+MyBatis）作为Java企业级开发的经典组合，通过分层架构提供灵活的定制能力。其核心价值在于平衡开发效率与系统可控性，特别适合需要深度定制的行业解决方案。在农产品电商领域，SSM框架能够有效处理多角色工作流、全链条溯源等复杂业务场景，通过MyBatis TypeHandler等机制实现土壤数据等特殊业务数据的处理。本文以实际项目为例，详解如何基于SSM构建支持动态定价、质量追溯的农产品销售平台，其中区块链摘要存储和基于时间衰减算法的价格模型等实现，为农业数字化转型提供了可复用的技术方案。
Simpack在CRH380A动车组动力学建模中的应用
多体动力学仿真 · Simpack · CRH380A
多体动力学仿真是现代车辆工程的核心技术，通过建立精确的力学模型来预测复杂系统的动态行为。Simpack作为专业的多体动力学仿真软件，采用先进的数值算法求解刚柔耦合系统的运动方程，其技术价值在于能够准确模拟轮轨接触、悬挂系统等关键部件的非线性特性。在高铁领域，动力学仿真可应用于运行稳定性分析、轮轨力预测等场景。以CRH380A动车组为例，通过Simpack构建包含23个刚体的多体系统，重点解决轮轨接触建模和悬挂系统参数化等工程难题。项目实践表明，合理设置接触算法参数（如FASTSIM算法）和采用子结构方法能显著提升仿真效率，为列车安全运营提供重要技术支撑。
网络安全入门：从零构建认知框架与实战技能
网络安全入门 · TCP/IP协议 · 渗透测试
网络安全作为对抗性技术领域，核心围绕攻防对抗展开。理解TCP/IP协议栈和操作系统权限管理是基础，如同掌握交通规则和门禁系统。通过Wireshark抓包分析网络流量、使用Kali Linux搭建靶场环境等实践，可直观学习渗透测试与漏洞扫描技术。典型应用场景包括企业网络防护、Web安全防御等，其中OWASP Top 10漏洞和Nmap扫描技术是行业热点。掌握这些技能需要遵循法律红线，建议从Security+等认证起步，逐步参与CTF比赛提升实战能力。
BUUCTF XSS闯关实战：从基础到高级漏洞利用
XSS漏洞 · BUUCTF · DOM型XSS
跨站脚本攻击(XSS)作为Web安全领域的经典漏洞类型，其核心原理是攻击者通过注入恶意脚本篡改网页内容。根据触发场景可分为反射型、存储型和DOM型三种形态，常通过未过滤的用户输入点（如URL参数、表单提交等）实现攻击。理解XSS漏洞的利用技术对开发人员构建安全防护体系至关重要，常见防御手段包括输入验证、输出编码及CSP策略部署。在BUUCTF平台的XSS闯关实战中，从基础的