企业官网建设流程全解析

如果有人问我，在PyQt5界面里画动态连续波形图，最稳的组合是什么，我的答案一定是PyQt5配合pyqtgraph，而不是大家下意识会选的matplotlib。这个结论不是我一开始就信的，完全是被一次实测逼出来的——用matplotlib做实时刷新，波形一多直接卡成PPT，换成pyqtgraph之后，同样量级的数据居然能跑到几十帧且CPU占用很低。

这篇内容就是把我那次"实测成功"的完整过程整理出来：怎么把pyqtgraph嵌进PyQt5窗口，怎么用定时器和数据采集线程驱动动态更新，为什么setData比重新plot高效那么多，以及我踩过的四个坑。无论你是想做个串口示波器、传感器波形监控、心电信号显示，还是做AI推理过程的可视化，这套思路都能直接复用。

1. 为什么我放弃matplotlib，选择pyqtgraph画实时波形

1.1 让我下决心换库的那次卡顿现场

最早我做实时波形，用的也是matplotlib。当时项目要显示一路心电模拟信号，大概每秒200个采样点，我用matplotlib的plt.ion()加上set_ydata()做刷新，数据量不算大，但每次刷新都有明显的迟滞感，窗口拖拽和缩放更是卡得离谱。

测试场景是这样的：模拟信号源每10毫秒产生一个点，绘图区要显示最近10秒的波形，也就是1000个点，每50毫秒刷新一次。matplotlib在低刷新率下勉强能跑，但CPU占用一直居高不下，而且只要把窗口拉伸一下，或者同时显示两路信号，掉帧就非常明显，延迟从几百毫秒到下一秒都出现过。对于实时监控类工具来说，这种卡顿是致命的。

后来我换了个pyqtgraph的demo跑同样的数据，效果差异大到让我怀疑是不是数据变少了。同样的1000个点，同一个Windows平台，pyqtgraph刷新流畅到几乎感觉不到，CPU占用掉了一大截，拖拽、缩放、坐标轴跟随全都顺滑。从那一刻起，我就明白了实时波形这个场景，选型比努力更重要。

1.2 pyqtgraph的性能底气到底从哪来

pyqtgraph性能好的原因，拆开看其实有三个方面。

第一，它底层大量使用numpy数组直接操作数据，数据管线里最耗时的波形更新操作全部是向量化计算。比如setData(x, y)传入的是一整个numpy数组，绘图库内部直接交给OpenGL渲染管线或者Qt的GraphicsView体系处理，而不是像matplotlib那样对每个点都维护一个Python对象。

第二，pyqtgraph舍弃了matplotlib那套复杂的"艺术家（Artist）"对象模型，改成了一套精简的GraphicsObject体系。每条曲线本质上是一个PlotDataItem，数据更新时只需要把这个item的缓存数据替换掉，再通知视图重绘这个区域，省掉了大量对象创建和属性同步的开销。

第三，OpenGL加速在硬件支持时能开启，把绘图工作交给显卡，进一步解放CPU。不过OpenGL模式在有些老旧机器上会遇到兼容性问题，一般场景下不开也足够快。

我这样说可能有点抽象，打个比方：matplotlib像是每次重画一页PPT，得把整个页面上的元素都过一遍；pyqtgraph像是只擦掉白板上一块区域，重新写那几行字。数据量小的时候差别不明显，一旦实时刷新，这个差距就是几十倍的体验之差。

1.3 什么时候其实不需要pyqtgraph

pyqtgraph不是万能的，也不是所有画图需求都该用它。我个人的判断标准是这样的：

• 只是生成一张静态图表，数据量不大，效果要求偏"出版级"的，或者需要复杂的中文排版、统计图样式，matplotlib更合适。
• 需要交互式探索数据，比如缩放、平移、选区分析，pyqtgraph支持这些操作，但灵活度和插件生态不如matplotlib。
• 要在GUI里嵌入实时刷新的波形、频谱、散点流、多通道信号，pyqtgraph是明显更优的选择。

这一篇涉及的场景很明确：PyQt5窗口内嵌入动态波形。所以下面所有代码都围绕pyqtgraph展开。

2. 环境准备与PyQt5+pyqtgraph集成的最小骨架

2.1 安装依赖时最容易翻车的版本坑

在动手写代码之前，先把依赖装好。我用的是Python 3.10，安装命令如下：

pip install PyQt5 pyqtgraph numpy

这里提醒一句，pyqtgraph的版本迭代比较快，不同版本API有细微差别。如果项目里还有其他依赖需要特定版本，建议在虚拟环境里装，不要图省事直接装到全局。另外一个常见翻车点：如果操作系统里同时存在多个Python版本，或者用了Anaconda，安装时容易装到别的解释器里去。用一个虚拟环境隔离是最省心的做法。

验证是否安装成功，可以直接在Python里跑一句：

python -c "import pyqtgraph; print(pyqtgraph.__version__)"

如果输出版本号，基本就可以正常使用了。pyqtgraph在使用时会自动寻找已安装的Qt绑定库，如果同时装了PyQt5和PySide2，pyqtgraph默认优先使用PyQt5，也可以通过环境变量指定。

2.2 把波形控件嵌入GUI的最简代码

先写一个最精简的界面骨架，把pyqtgraph的波形控件放进PyQt5的窗口里。这个骨架是所有后续功能的起点，建议直接理解然后手敲一遍。

import pyqtgraph as pg from PyQt5.QtWidgets import QApplication, QMainWindow, QVBoxLayout, QWidget class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("PyQt5 + pyqtgraph 动态波形") self.resize(800, 500) central_widget = QWidget() self.setCentralWidget(central_widget) layout = QVBoxLayout(central_widget) # 创建pyqtgraph绘图控件，并配置基础样式 self.plot_widget = pg.PlotWidget() layout.addWidget(self.plot_widget) # 配置画笔颜色和样式 self.curve = self.plot_widget.plot(pen=pg.mkPen(color='c', width=2)) # 显示网格，便于读数 self.plot_widget.showGrid(x=True, y=True, alpha=0.3) app = QApplication([]) window = MainWindow() window.show() app.exec_()

代码很简单，但有三个细节值得说。

第一个细节，self.curve = self.plot_widget.plot(pen=...)返回的是一个PlotDataItem对象。很多人第一次接触pyqtgraph时，会习惯性地在每个刷新周期里调用plot()方法来画新数据。我之前也这么干过，后来发现每次plot()都会创建一个新的曲线对象，旧的曲线如果没被清除，内存和绘制压力会累积。正确做法是创建一条曲线之后复用，后面靠setData()来更新数据。

第二个细节，pg.PlotWidget()是带坐标轴和交互能力的绘图控件。如果完全不需要交互，比如只想纯展示，可以换成pg.PlotWidget()并调用setMouseEnabled(False, False)关闭鼠标交互，避免误操作干扰显示。后面实战部分我会针对波形监控场景做限制。

第三个细节，配色。波形显示背景默认是黑色，画笔颜色用亮色（青色、绿色）对比度更好，长时间盯着看不累，还能按信号通道区分曲线颜色。

2.3 先别急着动态：先把静态波形跑通

所谓"动态连续波形图"，本质就是不断用新数据替换旧数据。所以在写动态逻辑之前，建议先确认静态数据显示功能是通的。这是排查问题的基本功：分层验证，别把问题混在一起。

先做个静态验证代码：

import numpy as np import pyqtgraph as pg from PyQt5.QtWidgets import QApplication, QMainWindow, QVBoxLayout, QWidget class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("静态波形测试") self.resize(800, 500) central_widget = QWidget() self.setCentralWidget(central_widget) layout = QVBoxLayout(central_widget) self.plot_widget = pg.PlotWidget() layout.addWidget(self.plot_widget) self.curve = self.plot_widget.plot(pen=pg.mkPen(color='c', width=2)) x = np.linspace(0, 10, 500) y = np.sin(x) self.curve.setData(x, y) app = QApplication([]) window = MainWindow() window.show() app.exec_()

如果你能看到一条标准的正弦曲线，说明PyQt5和pyqtgraph之间的集成已经通了。这一步是后面所有工作的地基，地基稳了，再谈动态刷新才有意义。

3. 动态连续波形的核心更新机制：定时器与setData

3.1 为什么刷新波形不建议调用plot()重新画

很多第一次用pyqtgraph的人，包括我曾经也是，看到"动态"两个字，第一反应是用一个循环不断调用plot()画新曲线。这样做的问题，我已经在上面提过：每次plot()都会新建一个完整的图形对象，旧曲线还在画布里，内存和绘图负载持续累积。最终表现就是运行时间越长越卡，直到界面彻底无响应。

动态波形的正确更新模式是复用曲线对象，替换数据。对应的方法就是setData(x, y)或者更简化的setData(y)（此时x由pyqtgraph根据y数组的下标自动生成）。

setData的性能优势在于它只更新底层数据缓存，然后触发一次区域重绘。相比plot()完整走一遍"创建图形元素、添加到场景、重新布局"，开销小了一个数量级。

3.2 用定时器驱动，实现第一版动态波形

PyQt5的图形界面跑在事件循环里，所有界面更新都必须在主线程的事件循环中执行。最简单的动态刷新方式就是用QTimer定时触发一个更新函数。

下面是我实测跑通的第一个动态波形代码，逻辑是：每次定时器触发，生成一个新的正弦波数组，整体覆盖到曲线上。这其实不算严格意义的"连续波形"，更像"刷新整段波形"，但它最能展示setData的高效。

import sys import numpy as np import pyqtgraph as pg from PyQt5.QtWidgets import QApplication, QMainWindow, QVBoxLayout, QWidget from PyQt5.QtCore import QTimer class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("动态波形 - setData刷新") self.resize(800, 500) central_widget = QWidget() self.setCentralWidget(central_widget) layout = QVBoxLayout(central_widget) self.plot_widget = pg.PlotWidget() layout.addWidget(self.plot_widget) self.curve = self.plot_widget.plot(pen=pg.mkPen(color='c', width=2)) self.phase = 0.0 self.timer = QTimer() self.timer.timeout.connect(self.update_curve) self.timer.start(50) def update_curve(self): # 生成模拟信号：相位随时间变化的正弦波 self.phase += 0.05 x = np.linspace(0, 2 * np.pi, 200) y = np.sin(x - self.phase) self.curve.setData(x, y) app = QApplication([]) window = MainWindow() window.show() app.exec_()

跑起来之后，你会看到一条正弦曲线在画布上左右滑动，流畅度明显比matplotlib版本好。定时器间隔设置成50毫秒，对应刷新率约20Hz，这是一个视觉上比较顺滑、同时CPU压力不大的折中值。

3.3 缓冲区与数据积压：动态波形的心跳设计

上面代码是"整段刷新"，但很多真实场景其实是"新数据不断追加进来，旧数据滚出去"。比如采集设备每秒产生200个点，我们要在界面上显示最近1000个点。

此时需要一个缓冲区的概念。一个很朴素的做法是每来一个新点，就把数组整体左移一位，丢弃最旧的点，把新点放到末尾。这相当于一个环形缓冲区的朴素实现。

class WaveformBuffer: def __init__(self, size=1000): self.size = size self.data = np.zeros(size) def push(self, value): # 左移丢弃旧数据，末尾追加新数据 self.data[:-1] = self.data[1:] self.data[-1] = value return self.data

左移操作看起来简单，但这里有个隐藏的性能问题：每次push都做一次数组拷贝，如果数据量是1000点，操作成本不大；但如果缓冲区扩大到几万点，且刷新频率很高，这个拷贝操作会让CPU压力上升。

性能更好的做法是维护一个环形缓冲区，用head索引标记当前写入位置，推入新点时覆盖旧位置。等到刷新到界面上时，从head位置开始把整个数组排好序再传给setData。

class RingBuffer: def __init__(self, size=1000): self.size = size self.data = np.zeros(size) self.head = 0 self.count = 0 def push(self, value): self.data[self.head] = value self.head = (self.head + 1) % self.size self.count = min(self.count + 1, self.size) def get_ordered(self): if self.count < self.size: return self.data[:self.count] # 从head位置切片拼接，形成按时间排序的数据 return np.concatenate([ self.data[self.head:], self.data[:self.head] ])

这段代码实际运行中表现非常稳，几万点的缓冲区在20Hz刷新下CPU占用依然很低。建议做实时波形时直接采用环形缓冲区设计，给后续数据量扩展留足余地。

4. 数据采集线程与GUI刷新：把卡顿问题根治

4.1 串口/采集卡数据不能直接塞进主线程

定时器驱动能解决"界面自己造数刷新"的场景，但真实项目里数据往往是外部设备持续送过来的，比如串口、USB采集卡、网络Socket。如果直接在定时器的回调函数里去读串口，会遇到两个问题：串口读数据可能阻塞（等待数据超时），阻塞期间界面直接卡死；频繁在主线程里做设备IO，事件循环响应变慢，窗口拖拽、按钮点击都会迟滞。

正确思路是把"数据采集"和"界面刷新"拆成两层：采集线程负责从设备拿数据，放进一个共享缓冲区；界面定时器每隔几十毫秒从缓冲区取最新一批数据去刷新波形。这样即使设备IO偶尔卡一下，界面依然保持流畅。

4.2 用QThread加信号槽传递数据的标准写法

PyQt5里最规范的跨线程数据传递方式是QThread配合信号（signal）。工作线程发信号，主线程通过槽函数接收，Qt的信号槽机制保证了跨线程传递是线程安全的。

下面是一个标准demo：模拟设备每10毫秒产生一个数据点，发送到主线程，主线程收到后把点推进缓冲区并刷新界面。

import sys import time import numpy as np import pyqtgraph as pg from PyQt5.QtWidgets import QApplication, QMainWindow, QVBoxLayout, QWidget from PyQt5.QtCore import QThread, pyqtSignal, QTimer class DataWorker(QThread): data_ready = pyqtSignal(float) def __init__(self): super().__init__() self.running = True def run(self): t = 0.0 while self.running: # 模拟传感器读数，真实项目这里替换为设备读取代码 value = np.sin(t) + 0.3 * np.random.randn() t += 0.01 self.data_ready.emit(value) time.sleep(0.01) def stop(self): self.running = False class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle("采集线程 + 动态波形") self.resize(800, 500) central_widget = QWidget() self.setCentralWidget(central_widget) layout = QVBoxLayout(central_widget) self.plot_widget = pg.PlotWidget() layout.addWidget(self.plot_widget) self.curve = self.plot_widget.plot(pen=pg.mkPen(color='g', width=2)) # 1000点环形缓冲区 self.buffer = RingBuffer(1000) self.refresh_x = np.arange(1000) # 启动采集线程 self.worker = DataWorker() self.worker.data_ready.connect(self.on_data_received) self.worker.start() # 界面定时刷新 self.timer = QTimer() self.timer.timeout.connect(self.refresh_plot) self.timer.start(30) def on_data_received(self, value): # 收到线程发来的数据点，推入缓冲区 self.buffer.push(value) def refresh_plot(self): # 定时器从缓冲区取有序数组刷新界面 y = self.buffer.get_ordered() n = len(y) if n < 2: return x = np.arange(n) self.curve.setData(x, y) self.plot_widget.setXRange(0, n - 1) def closeEvent(self, event): self.worker.stop() self.worker.wait() super().closeEvent(event) app = QApplication([]) window = MainWindow() window.show() app.exec_()

这段代码是我实际项目的骨架，有两点特别值得注意。

第一点，关闭窗口时一定要停掉线程。上面代码里重写了closeEvent，调用worker.stop()把运行标志置False，再wait()等待线程退出。如果不这样做，主窗口关闭了，后台线程可能还在跑，导致程序进程无法退出，变成"关不掉"的僵尸进程。这是新手最容易忽略的一个坑。

第二点，信号带参数传递时，类型要匹配。用pyqtSignal(float)时，emit的参数必须能转换为float。如果你的数据是带时间戳的结构体，可以定义成pyqtSignal(object)，把整个数据对象传过去。

4.3 pyqtgraph的线程边界与安全更新规则

关于pyqtgraph的线程安全，网上的说法比较模糊，我也实测过几种用法。结论是：pyqtgraph的setData建议在界面线程（主线程）里调用，不要在worker线程里直接操作曲线对象。虽然某些简单场景下这样用可能不报错，但涉及到窗口重绘、坐标轴更新时，跨线程更新UI组件会引发不可预知的崩溃或显示异常。

稳妥的做法就是上面代码演示的：worker线程只管发数据，所有界面更新集中在主线程定时器里做。这也符合Qt的UI线程模型，崩溃几率最小。

如果需要更高刷新率（比如100Hz以上），可以适当降低定时器间隔，但要注意定时器的实际触发精度。Qt的QTimer在Windows系统上的最低稳定精度大概是10毫秒左右，再小就会变得不准确。如果想要更精确的定时，或者需要严格控制采样节奏，建议在worker线程里做硬实时采样，主线程只负责以固定的界面刷新率取数据。

5. 实测路径复盘：我踩过的四个坑

5.1 坑一：坐标轴疯狂闪烁，波形像坏掉的霓虹灯

这是我最开始遇到的观感问题。动态刷新跑起来后，x轴和y轴的刻度值在快速跳动，整个画图区的坐标轴像坏掉了一样闪来闪去，盯着看一会儿眼睛就花了。

原因很简单：数据每次刷新后，pyqtgraph默认会根据新数据重新计算可视范围。如果数据边界在不停变化，坐标轴的刻度范围也跟着不停重建，视觉上就是闪烁。

解决方案是固定坐标轴范围。对于"滚动波形"场景，通常只显示最近N个点，x轴范围基本固定；y轴范围可以是输入信号的合理上下限，也可以根据历史数据动态调整但限制在某一区间。

我实测有效的做法是在刷新函数里显式设置范围，并且关闭鼠标缩放、拖动：

self.plot_widget.setMouseEnabled(x=False, y=False) self.plot_widget.setXRange(0, n - 1, padding=0) self.plot_widget.setYRange(-2, 2, padding=0)

设置padding=0能避免坐标轴自动留白带来的抖动。固定范围后，波形即使在上下跳动，坐标轴刻度也不会闪来闪去，观感立刻就专业了。

5.2 坑二：内存暴涨，跑了十分钟就吃掉1GB内存

动态波形跑起来很流畅，但内存像漏水一样不停涨，这是我踩过的第二个坑。一开始我怀疑是pyqtgraph的bug，后来定位到原因完全是我自己写出来的：我在刷新函数里每次都用切片生成新的numpy数组，而且没有释放旧的引用。

比如我曾写这样的代码：

y = np.random.randn(1000) x = np.arange(1000) self.plot_widget.plot(x, y) # 错误示范：每次新建曲线对象

定时器每触发一次，就新建一个PlotDataItem，旧的没有清除，场景里的图形对象越来越多。内存和绘图开销同步上涨，运行越久越卡。

修复方法是前面反复强调的：使用单一的曲线对象，配合setData覆盖数据。另外一个容易忽视的点是：setData传入的数组会被pyqtgraph缓存引用，意味着你修改这个数组，曲线上的数据也会变。所以如果不想让外部数据被内部引用拖住无法释放，最好传入显式构造的新数组或切片副本。

5.3 坑三：setData报了TypeError，原来形状维度有讲究

还有一次，在把数据接入真实采集卡时，setData直接抛了TypeError，一度让我以为是pyqtgraph的bug。排查之后发现原因很基础：setData(x, y)要求x和y是一维数组，且长度相等。

我的采集程序从设备缓冲区里读出来的数据是二维的，形状是(n, 1)，就是每个采样点包了一层额外的维度。pyqtgraph不理解这种"列向量"形状，两个维度不匹配就报错了。把数据flatten()成(n,)之后一切正常。

y = raw_data.flatten()

如果x也是自己构造的，也要确保是一维的。建议在使用setData前打一个断点，或者用np.ndim检查一下数组维度，很多意料之外的报错根源都在这里。

5.4 坑四：界面卡死后才发现定时器重叠

另一个让我头疼的问题是：运行一段时间后界面突然卡死，过几秒又恢复，然后再次卡死，像打嗝一样。后来我在update_curve函数入口加了一行日志，才发现同一个定时器的回调函数在上一次还没执行完时，下一次又触发了。当数据量变大、波形刷新耗时超过定时器间隔时，多个回调叠在一起执行，互相抢占资源，界面就表现出间歇性卡死。

解决办法有两种。第一种，在回调函数开头加个"正在刷新"的标记，如果上一次还没完成就跳过这次刷新：

def refresh_plot(self): if self._refreshing: return self._refreshing = True try: # 刷新逻辑 pass finally: self._refreshing = False

第二种，改用单次定时器：每次回调结束后重新启动定时器，而不是循环定时器。这样天然不会重叠。

self.timer = QTimer() self.timer.timeout.connect(self.refresh_plot) def refresh_plot(self): # 刷新逻辑 self.timer.start(30) # 处理完再开始计时

实测下来，对于耗时不确定的场景，加执行标志最简单可靠；对于耗时基本固定的场景，单次定时器更优雅。

6. 从能用变好用：滚动波形、采样节奏与波形模拟

6.1 示波器式滚动窗口的正确实现姿势

真实示波器和监控界面通常用的是"滚动"效果：波形从左向右持续推移，新数据出现在右侧，旧数据从左侧滑出。这种效果的数据结构就是我们前面写的环形缓冲区，但显示方式有两种常见选择。

第一种是"整体平移法"，把缓冲区里的所有数据按顺序排好，一次性setData显示，同时x轴范围跟随最新点前进。我上面那段采集线程demo就是这种方式。

第二种是"增量添加法"，pyqtgraph也支持每次往曲线后面添加新点：

self.curve.setData(y) # 覆盖式 # 或者使用 append 方法（视版本支持情况）

不过我个人更推荐第一种，因为整体setData的逻辑简单直接，内存占用也可控，滚动效果完全由坐标轴范围的移动来实现，调试起来更直观。

滚动窗口的坐标轴更新有一点要注意：如果x轴范围始终显示最近N个点，波形滚动比较平稳；如果x轴范围跟着数据无脑跳变，视觉效果就会一卡一卡的。建议在刷新函数里固定x轴显示窗口宽度，只更新右边界，这样滚动最平滑。

6.2 更新频率与采样频率如何搭配

动态波形的"动态"背后涉及两个不同的频率：数据生成频率和界面刷新频率，不能混淆。

数据生成（采集）频率由设备或模拟信号源决定。比如每10毫秒产生一个点，即100Hz的采样率。界面刷新频率由QTimer间隔决定，比如每50毫秒刷新一次，即20Hz的界面刷新率。

这两个频率各自独立。界面刷新时，一次就把缓冲区里积攒的几个新点全部画上去，而不是等每个点来了都刷新一次。这样既保证了波形连续，又不浪费CPU在过高的界面刷新率上。

我的经验是：界面刷新率设在15Hz到30Hz之间比较合适。低于15Hz，肉眼能感觉到明显跳跃；高于30Hz，体验提升不明显，但CPU占用和发热显著增加。如果是同时显示多条波形，建议从20Hz左右起步，再根据实际运行情况调整。

6.3 用模拟数据源进行开发和测试

真实设备不一定随时在线，而且开发阶段反复连接设备很不方便。我强烈建议在项目里做一个模拟数据源，用来单独验证绘图和刷新逻辑。等绘图层稳了，再替换成真实设备的数据，排查问题的范围会小很多。

我常用的是这样的模拟代码，可以生成"带趋势、带噪声、带异常尖峰"的信号，比纯正弦波更接近真实传感器数据：

class MockSignalSource: def __init__(self): self.t = 0.0 def next_value(self): # 模拟一条带直流偏置、低频波动和随机噪声的信号 base = 0.5 + 0.3 * np.sin(2 * np.pi * 0.5 * self.t) low_freq = 0.2 * np.sin(2 * np.pi * 0.05 * self.t) noise = 0.1 * np.random.randn() spike = 5.0 if np.random.rand() < 0.002 else 0 self.t += 0.01 return base + low_freq + noise + spike

尖峰数据可以用来测试绘图代码是不是会被异常值带跑坐标轴，这是真实监控里很重要的一点。如果你后续想扩展功能，还可以在模拟数据里加入信号丢失、数据毛刺等状况，验证界面的健壮性。

实测后期，我把绘图层和模拟数据源分开封装之后，接入真实串口数据几乎没改绘图代码，只替换了数据来源。这个架构上的小设计，让我少踩了很多次调试的苦。

如果你也准备做实时波形相关的工具，可以从最小骨架开始，先把静态波形跑通，再加定时器，再加线程和缓冲区，最后再考虑滚动效果和模拟数据。每一步踩的坑都有清晰的边界，遇到问题也容易定位。这套流程我反复验证过，确实稳。