matplotlib的绘图样式与色彩设置

小鱼儿 2022-11-04 05:56 4阅读 0赞

[登录/注册][Link 1]

## 绘图样式与色彩设置目录 ##

*  [一、matplotlib的绘图样式（style）][matplotlib_style]
 *   *  [1.matplotlib预先定义样式][1.matplotlib]
     *  [2.用户自定义stylesheet][2._stylesheet]
     *  [3.设置rcparams][3._rcparams]
     *  [4.修改matplotlibrc文件][4._matplotlibrc]
 *  [二、matplotlib的色彩设置（color）][matplotlib_color]
 *   *  [1.RGB或RGBA][1.RGB_RGBA]
     *  [2.HEX RGB 或 RGBA][2.HEX RGB _ RGBA]
     *  [3.灰度色阶][3.]
     *  [4.单字符基本颜色][4.]
     *  [5.颜色名称][5.]
     *  [6.使用colormap设置一组颜色][6._colormap]

# 一、matplotlib的绘图样式（style） #

> **matplotlib库提供了四种批量修改全局样式的方式, 而不用对每张图一张张修改**

## 1.matplotlib预先定义样式 ##

*  matplotlib提供了许多内置的样式供用户使用，在python脚本的最开始输入想使用style的名称即可调用

import matplotlib as mpl
    import matplotlib.pyplot as plt
    import numpy as np
    plt.style.use('default')
    plt.plot([1,2,3,4],[2,3,4,5])

plt.style.use('Solarize_Light2')
    plt.plot([1,2,3,4],[2,3,4,5])

*很明显的看出, 两幅图的背景色不一样*  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70]

*  matplotlib总共内置了26种丰富的样式可供选择。

print(plt.style.available)

['Solarize_Light2', '_classic_test_patch', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark', 'seaborn-dark-palette', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'tableau-colorblind10']

## 2.用户自定义stylesheet ##

*  在任意路径下创建一个后缀名为mplstyle的样式清单，编辑文件添加以下样式内容

> axes.titlesize : 24  
> axes.labelsize : 20  
> lines.linewidth : 3  
> lines.markersize : 10  
> xtick.labelsize : 16  
> ytick.labelsize : 16

*  引用自定义stylesheet

plt.style.use('file/presentation.mplstyle')
    plt.plot([1,2,3,4],[2,3,4,5])

plt.style.use(['dark_background', 'file/presentation.mplstyle'])
    plt.plot([1,2,3,4],[2,3,4,5])

**值得特别注意的是，matplotlib支持混合样式的引用，只需在引用时输入一个样式列表，若是几个样式中涉及到同一个参数，右边的样式表会覆盖左边的值。**

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 1]

## 3.设置rcparams ##

*  可以通过修改默认rc设置的方式改变样式，所有rc设置都保存在一个叫做 matplotlib.rcParams的变量中。  
    之前样式没有修改的图以及修改过后再绘的图，可以看到绘图样式发生了变化。

plt.style.use('default') # 恢复到默认样式
    plt.plot([1,2,3,4],[2,3,4,5])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 2]

mpl.rcParams['lines.linewidth'] = 2
    mpl.rcParams['lines.linestyle'] = '--'
    plt.plot([1,2,3,4],[2,3,4,5])

*  另外matplotlib也还提供了了一种更便捷的修改样式方式，可以一次性修改多个样式

mpl.rc('lines', linewidth=4, linestyle='-.')
    plt.plot([1,2,3,4],[2,3,4,5])

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 3]

## 4.修改matplotlibrc文件 ##

*  由于matplotlib是使用matplotlibrc文件来控制样式的，也就是rc setting，所以我们还可以通过修改matplotlibrc文件的方式改变样式。

# 查找matplotlibrc文件的路径
    mpl.matplotlib_fname()  ## 'E:\\Anaconda3\\lib\\site-packages\\matplotlib\\mpl-data\\matplotlibrc'

*  找到路径后，就可以直接编辑样式文件了，打开后看到的文件格式大致是这样的，文件中列举了所有的样式参数，找到想要修改的参数，比如lines.linewidth: 8，并将前面的注释符号去掉，此时再绘图发现样式以及生效了。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 4]

# 二、matplotlib的色彩设置（color） #

> 从可视化编码的角度对颜色进行分析，可以将颜色分为色相、亮度和饱和度三个视觉通道。  
> 通常来说： 色相：没有明显的顺序性、一般不用来表达数据量的高低，而是用来表达数据列的类别。 明度和饱和度：在视觉上很容易区分出优先级的高低、被用作表达顺序或者表达数据量视觉通道。
> 
> 具体关于色彩理论部分的知识, 请参阅有关拓展材料学习。  
> [ECharts数据可视化实验室][ECharts]  
> [学会这6个可视化配色基本技巧，还原数据本身的意义][6]

*  在matplotlib中，设置颜色有以下几种方式：

## 1.RGB或RGBA ##

plt.style.use('default')

# 颜色用[0,1]之间的浮点数表示，四个分量按顺序分别为(red, green, blue, alpha)，其中alpha透明度可省略
    plt.plot([1,2,3],[4,5,6],color=(0.1, 0.2, 0.5))
    plt.plot([4,5,6],[1,2,3],color=(0.1, 0.2, 0.5, 0.5))

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 5]

## 2.HEX RGB 或 RGBA ##

# 用十六进制颜色码表示，同样最后两位表示透明度，可省略
    plt.plot([1,2,3],[4,5,6],color='#0f0f0f')
    plt.plot([4,5,6],[1,2,3],color='#0f0f0f80')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 6]

## 3.灰度色阶 ##

# 当只有一个位于[0,1]的值时，表示灰度色阶
    plt.plot([1,2,3],[4,5,6],color='0.5')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 7]

## 4.单字符基本颜色 ##

# matplotlib有八个基本颜色，可以用单字符串来表示，分别是'b', 'g', 'r', 'c', 'm', 'y', 'k', 'w'，对应的是blue, green, red, cyan, magenta, yellow, black, and white的英文缩写
    plt.plot([1,2,3],[4,5,6],color='m')

*  1
 *  2

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 8]

## 5.颜色名称 ##

# matplotlib提供了颜色对照表，可供查询颜色对应的名称
    plt.plot([1,2,3],[4,5,6],color='tan')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 9]  
![在这里插入图片描述][20201224224956398.png]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 10]

## 6.使用colormap设置一组颜色 ##

*  在matplotlib中，colormap共有五种类型:
    
     *  顺序（Sequential）。通常使用单一色调，逐渐改变亮度和颜色渐渐增加，用于表示有顺序的信息
     *  发散（Diverging）。改变两种不同颜色的亮度和饱和度，这些颜色在中间以不饱和的颜色相遇；当绘制的信息具有关键中间值（例如地形）或数据偏离零时，应使用此值。
     *  循环（Cyclic）。改变两种不同颜色的亮度，在中间和开始/结束时以不饱和的颜色相遇。用于在端点处环绕的值，例如相角，风向或一天中的时间。
     *  定性（Qualitative）。常是杂色，用来表示没有排序或关系的信息。
     *  杂色（Miscellaneous）。一些在特定场景使用的杂色组合，如彩虹，海洋，地形等。

x = np.random.randn(50)
    y = np.random.randn(50)
    plt.scatter(x,y,c=x,cmap='RdPu')

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 11]

*  根据matplotlib官网，列举出Sequential，Diverging，Cyclic，Qualitative，Miscellaneous分别有哪些内置的colormap，并以代码绘图的形式展现出来

import numpy as np
    import matplotlib.pyplot as plt
    
    
    cmaps = [('Perceptually Uniform Sequential', [
                'viridis', 'plasma', 'inferno', 'magma', 'cividis']),
             ('Sequential', [
                'Greys', 'Purples', 'Blues', 'Greens', 'Oranges', 'Reds',
                'YlOrBr', 'YlOrRd', 'OrRd', 'PuRd', 'RdPu', 'BuPu',
                'GnBu', 'PuBu', 'YlGnBu', 'PuBuGn', 'BuGn', 'YlGn']),
             ('Sequential (2)', [
                'binary', 'gist_yarg', 'gist_gray', 'gray', 'bone', 'pink',
                'spring', 'summer', 'autumn', 'winter', 'cool', 'Wistia',
                'hot', 'afmhot', 'gist_heat', 'copper']),
             ('Diverging', [
                'PiYG', 'PRGn', 'BrBG', 'PuOr', 'RdGy', 'RdBu',
                'RdYlBu', 'RdYlGn', 'Spectral', 'coolwarm', 'bwr', 'seismic']),
             ('Cyclic', ['twilight', 'twilight_shifted', 'hsv']),
             ('Qualitative', [
                'Pastel1', 'Pastel2', 'Paired', 'Accent',
                'Dark2', 'Set1', 'Set2', 'Set3',
                'tab10', 'tab20', 'tab20b', 'tab20c']),
             ('Miscellaneous', [
                'flag', 'prism', 'ocean', 'gist_earth', 'terrain', 'gist_stern',
                'gnuplot', 'gnuplot2', 'CMRmap', 'cubehelix', 'brg',
                'gist_rainbow', 'rainbow', 'jet', 'turbo', 'nipy_spectral',
                'gist_ncar'])]
    
    
    gradient = np.linspace(0, 1, 256)
    gradient = np.vstack((gradient, gradient))
    
    
    def plot_color_gradients(cmap_category, cmap_list):
        # Create figure and adjust figure height to number of colormaps
        nrows = len(cmap_list)
        figh = 0.35 + 0.15 + (nrows + (nrows-1)*0.1)*0.22
        fig, axs = plt.subplots(nrows=nrows, figsize=(6.4, figh))
        fig.subplots_adjust(top=1-.35/figh, bottom=.15/figh, left=0.2, right=0.99)
    
        axs[0].set_title(cmap_category + ' colormaps', fontsize=14)
    
        for ax, name in zip(axs, cmap_list):
            ax.imshow(gradient, aspect='auto', cmap=plt.get_cmap(name))
            ax.text(-.01, .5, name, va='center', ha='right', fontsize=10,
                    transform=ax.transAxes)
    
        # Turn off *all* ticks & spines, not just the ones with colormaps.
        for ax in axs:
            ax.set_axis_off()
    
    
    for cmap_category, cmap_list in cmaps:
        plot_color_gradients(cmap_category, cmap_list)
    
    plt.show()

![在这里插入图片描述][20201224231111917.png]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 12]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 13]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 14]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 15]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 16]  
参考:  
https://matplotlib.org/tutorials/colors/colormaps.html

[Link 1]: https://passport.csdn.net/account/login
[matplotlib_style]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#matplotlibstyle_2
[1.matplotlib]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#1matplotlib_6
[2._stylesheet]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#2stylesheet_29
[3._rcparams]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#3rcparams_52
[4._matplotlibrc]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#4matplotlibrc_75
[matplotlib_color]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#matplotlibcolor_86
[1.RGB_RGBA]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#1RGBRGBA_95
[2.HEX RGB _ RGBA]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#2HEX_RGB__RGBA_107
[3.]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#3_115
[4.]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#4_122
[5.]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#5_129
[6._colormap]: https://blog.csdn.net/clony1/article/details/111657146?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&dist_request_id=2e5dfadb-2345-43bd-8657-7d129b3465a2&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control#6colormap_139
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70]: /images/20221023/9318f158dc2c460ca0e0aab394c105ed.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 1]: /images/20221023/0bc6d313a3334f5bbcadff1a0f3a599a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 2]: /images/20221023/c60e6b6bbffd44c08fc6da8cf2a74f46.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 3]: /images/20221023/049a6b2f66f6467b890de8047fc77278.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 4]: /images/20221023/db702758b468485b88e3487c3ac37940.png
[ECharts]: https://vis.baidu.com/chartcolor/basis/
[6]: https://zhuanlan.zhihu.com/p/88892542
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 5]: /images/20221023/643a781696df4a89b04bf341b2df9ead.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 6]: /images/20221023/73f886b47bea465693e94d61cc5dd12f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 7]: /images/20221023/c4a022e7218d4006aeff2b3ed1711d7e.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 8]: /images/20221023/52eb9b1aa7eb4f4c90e67f6a02b7c133.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 9]: /images/20221023/83840175ee1f49698252a2eddab394eb.png
[20201224224956398.png]: /images/20221023/aca85421f907436eac3ded717f429df0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 10]: /images/20221023/06f53f5a6b864279adbfd3b698e516b4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 11]: /images/20221023/8fc6913ea880453bbe2aabf0e3a6f962.png
[20201224231111917.png]: /images/20221023/3ccb1e531aa243e6939f3059e00f9d10.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 12]: /images/20221023/479c659bb246460cb0c9ea8ca335f9a0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 13]: /images/20221023/0e45b128585545e080de5ab285e3c553.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 14]: /images/20221023/d1f991e21aab4121847237e81bba5fce.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 15]: /images/20221023/7f4226a503ae49c09d9c42dd0951ed23.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2Nsb255MQ_size_16_color_FFFFFF_t_70 16]: /images/20221023/fcae67cd8576477487179ccfafbd3d3e.png