练习Python，计算指数基金组合对应的指数，并绘制变化趋势。






# 基金组合信息

基金组合中一共有 7 支基金，分别为a,b,c,d,e,f,g。创建一个 Dataframe 用来存放各支基金在组合中的份额占比以及跟踪的指数。指数代码从[新浪财经](http://vip.stock.finance.sina.com.cn/mkt/#hs_s)查找。


```python
import pandas as pd

data1 = {'rate': [0.2097, 0.0989, 0.0966, 0.0884, 0.2174, 0.1906, 0.0984],
         'indexname': ['上证指数',
                       '中证500',
                       '沪深300',
                       '上证指数',
                       '上证指数',
                       '深证金融地产行业指数',
                       '上证指数'],
         'indexnum': ['sh000001', 'sh000905', 'sh000300', 'sh000001', 'sh000001', 'sz399619', 'sh000001']
        }
df1 = pd.DataFrame(data1, index=list('abcdefg'))
display(df1)
```


<div>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>rate</th>
      <th>indexname</th>
      <th>indexnum</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>a</th>
      <td>0.2097</td>
      <td>上证指数</td>
      <td>sh000001</td>
    </tr>
    <tr>
      <th>b</th>
      <td>0.0989</td>
      <td>中证500</td>
      <td>sh000905</td>
    </tr>
    <tr>
      <th>c</th>
      <td>0.0966</td>
      <td>沪深300</td>
      <td>sh000300</td>
    </tr>
    <tr>
      <th>d</th>
      <td>0.0884</td>
      <td>上证指数</td>
      <td>sh000001</td>
    </tr>
    <tr>
      <th>e</th>
      <td>0.2174</td>
      <td>上证指数</td>
      <td>sh000001</td>
    </tr>
    <tr>
      <th>f</th>
      <td>0.1906</td>
      <td>深证金融地产行业指数</td>
      <td>sz399619</td>
    </tr>
    <tr>
      <th>g</th>
      <td>0.0984</td>
      <td>上证指数</td>
      <td>sh000001</td>
    </tr>
  </tbody>
</table>
</div>


# 获取各指数历史数据

利用 AkShare 获取各指数的历史数据。因为股票基金是以收盘价定价，所以只需要各指数的收盘价来合成基金组合的对应指数。


```python
import akshare as ak

df2 = df1.drop_duplicates(subset='indexnum', keep='first', inplace=False)
data2 = {}
for i in df2['indexnum']:
    stock_zh_index_daily_df = ak.stock_zh_index_daily(symbol=i)
    data2[i] = stock_zh_index_daily_df['close']
```

基金份额作为基金在组合中的权重，给每只基金追踪的指数乘以权重。


```python
data3 = {}
for i in df1.index:
    data3[i] = data2[df1.loc[i, 'indexnum']] * df1.loc[i, 'rate']
df3 = pd.DataFrame(data3)
df4 = df3.dropna(axis=0, how='any')
display(df4)
```


<div>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>a</th>
      <th>b</th>
      <th>c</th>
      <th>d</th>
      <th>e</th>
      <th>f</th>
      <th>g</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>20.965806</td>
      <td>97.607080</td>
      <td>127.169553</td>
      <td>8.838232</td>
      <td>21.735652</td>
      <td>624.215191</td>
      <td>9.838032</td>
    </tr>
    <tr>
      <th>1</th>
      <td>21.890583</td>
      <td>99.259304</td>
      <td>125.781314</td>
      <td>9.228076</td>
      <td>22.694386</td>
      <td>614.938689</td>
      <td>10.271976</td>
    </tr>
    <tr>
      <th>2</th>
      <td>22.884561</td>
      <td>98.365446</td>
      <td>124.876172</td>
      <td>9.647092</td>
      <td>23.724862</td>
      <td>614.153798</td>
      <td>10.738392</td>
    </tr>
    <tr>
      <th>3</th>
      <td>24.021135</td>
      <td>98.663233</td>
      <td>122.937507</td>
      <td>10.126220</td>
      <td>24.903170</td>
      <td>615.741686</td>
      <td>11.271720</td>
    </tr>
    <tr>
      <th>4</th>
      <td>25.216425</td>
      <td>99.526729</td>
      <td>123.769813</td>
      <td>10.630100</td>
      <td>26.142350</td>
      <td>624.679492</td>
      <td>11.832600</td>
    </tr>
    <tr>
      <th>...</th>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
    </tr>
    <tr>
      <th>2735</th>
      <td>332.051772</td>
      <td>623.495270</td>
      <td>236.618899</td>
      <td>139.977952</td>
      <td>344.244421</td>
      <td>1151.094773</td>
      <td>155.812562</td>
    </tr>
    <tr>
      <th>2736</th>
      <td>327.414885</td>
      <td>618.399250</td>
      <td>241.072931</td>
      <td>138.023252</td>
      <td>339.437273</td>
      <td>1159.137140</td>
      <td>153.636742</td>
    </tr>
    <tr>
      <th>2737</th>
      <td>330.578839</td>
      <td>627.443951</td>
      <td>238.396725</td>
      <td>139.357031</td>
      <td>342.717404</td>
      <td>1147.121716</td>
      <td>155.121401</td>
    </tr>
    <tr>
      <th>2738</th>
      <td>322.013852</td>
      <td>633.143459</td>
      <td>236.409760</td>
      <td>135.746421</td>
      <td>333.837918</td>
      <td>1149.457519</td>
      <td>151.102351</td>
    </tr>
    <tr>
      <th>2739</th>
      <td>311.427148</td>
      <td>631.412215</td>
      <td>236.635127</td>
      <td>131.283547</td>
      <td>322.862479</td>
      <td>1093.204598</td>
      <td>146.134627</td>
    </tr>
  </tbody>
</table>
<p>2740 rows × 7 columns</p>
</div>


# 计算基金对应指数

将所有基金乘以权重后的指数相加，得到加权平均值，作为基金组合的指数。


```python
df4['all'] = df4.iloc[:, 0:6].sum(axis=1)
display(df4)
```
    


<div>
<table border="1" class="dataframe">
  <thead>
    <tr style="text-align: right;">
      <th></th>
      <th>a</th>
      <th>b</th>
      <th>c</th>
      <th>d</th>
      <th>e</th>
      <th>f</th>
      <th>g</th>
      <th>all</th>
    </tr>
  </thead>
  <tbody>
    <tr>
      <th>0</th>
      <td>20.965806</td>
      <td>97.607080</td>
      <td>127.169553</td>
      <td>8.838232</td>
      <td>21.735652</td>
      <td>624.215191</td>
      <td>9.838032</td>
      <td>900.531514</td>
    </tr>
    <tr>
      <th>1</th>
      <td>21.890583</td>
      <td>99.259304</td>
      <td>125.781314</td>
      <td>9.228076</td>
      <td>22.694386</td>
      <td>614.938689</td>
      <td>10.271976</td>
      <td>893.792352</td>
    </tr>
    <tr>
      <th>2</th>
      <td>22.884561</td>
      <td>98.365446</td>
      <td>124.876172</td>
      <td>9.647092</td>
      <td>23.724862</td>
      <td>614.153798</td>
      <td>10.738392</td>
      <td>893.651931</td>
    </tr>
    <tr>
      <th>3</th>
      <td>24.021135</td>
      <td>98.663233</td>
      <td>122.937507</td>
      <td>10.126220</td>
      <td>24.903170</td>
      <td>615.741686</td>
      <td>11.271720</td>
      <td>896.392952</td>
    </tr>
    <tr>
      <th>4</th>
      <td>25.216425</td>
      <td>99.526729</td>
      <td>123.769813</td>
      <td>10.630100</td>
      <td>26.142350</td>
      <td>624.679492</td>
      <td>11.832600</td>
      <td>909.964909</td>
    </tr>
    <tr>
      <th>...</th>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
      <td>...</td>
    </tr>
    <tr>
      <th>2735</th>
      <td>332.051772</td>
      <td>623.495270</td>
      <td>236.618899</td>
      <td>139.977952</td>
      <td>344.244421</td>
      <td>1151.094773</td>
      <td>155.812562</td>
      <td>2827.483087</td>
    </tr>
    <tr>
      <th>2736</th>
      <td>327.414885</td>
      <td>618.399250</td>
      <td>241.072931</td>
      <td>138.023252</td>
      <td>339.437273</td>
      <td>1159.137140</td>
      <td>153.636742</td>
      <td>2823.484731</td>
    </tr>
    <tr>
      <th>2737</th>
      <td>330.578839</td>
      <td>627.443951</td>
      <td>238.396725</td>
      <td>139.357031</td>
      <td>342.717404</td>
      <td>1147.121716</td>
      <td>155.121401</td>
      <td>2825.615666</td>
    </tr>
    <tr>
      <th>2738</th>
      <td>322.013852</td>
      <td>633.143459</td>
      <td>236.409760</td>
      <td>135.746421</td>
      <td>333.837918</td>
      <td>1149.457519</td>
      <td>151.102351</td>
      <td>2810.608930</td>
    </tr>
    <tr>
      <th>2739</th>
      <td>311.427148</td>
      <td>631.412215</td>
      <td>236.635127</td>
      <td>131.283547</td>
      <td>322.862479</td>
      <td>1093.204598</td>
      <td>146.134627</td>
      <td>2726.825114</td>
    </tr>
  </tbody>
</table>
<p>2740 rows × 8 columns</p>
</div>


绘制基金组合指数的变化趋势图。


```python
%matplotlib inline
import matplotlib.pyplot as plt
from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['simhei'] 
mpl.rcParams['axes.unicode_minus'] = False
mpl.rcParams['figure.figsize'] = (15.0, 6.0)

df4['all'].plot(linewidth=1, label='基金组合指数') # 添加label可指定图例
for i in data2:
    data2[i].plot(linewidth=1, label=i)
plt.title("基金组合指数的变化趋势")
plt.xlabel('时间')
plt.ylabel('指数')
plt.legend()
plt.show()
```
   

![ji-suan-ji-jin-zu-he-zhi-shu_9_0.png](https://bode-1257862934.file.myqcloud.com/img/e62cd28df6797e4b8e22a71fb18610c0.ji-suan-ji-jin-zu-he-zhi-shu_9_0.png)
    


从历史数据变化趋势看，2004年之前的变化参考价值不大，对2004年之后的数据重新绘制趋势图。从上图看，只有上证指数和沪深300指数有2004年之前的数据。


```python
df4['all'].plot(linewidth=1, label='基金组合指数') # 添加label可指定图例
for i in data2:
    if i == 'sh000001' or 'sh000300':
        data2[i].loc['2004-01-01': ].plot(linewidth=1, label=i)
    else:
        data2[i].plot(linewidth=1, label=i)
plt.title("基金组合指数的变化趋势")
plt.xlabel('时间')
plt.ylabel('指数')
plt.legend()
plt.show()
```


![ji-suan-ji-jin-zu-he-zhi-shu_11_0.png](https://bode-1257862934.file.myqcloud.com/img/6fb4a0543e9169db2300f98f93c651c7.ji-suan-ji-jin-zu-he-zhi-shu_11_0.png)


从上图看：

- 所有指数的变化方向基本一直，要涨都涨，要跌都跌，但涨跌幅度不一样；
- 大概2009年之前这几个指数的值基本一样，图中线条接近重合；2009年之后开始分化，说明不同行业、不同类型企业的发展速度和程度开始分化；
- 基金组合指数在2016年之后处于上证指数和沪深300指数之间，但因为都是增强性基金，所以不意味着该基金组合收益率一定小于沪深300的增长率；
- 基金组合指数由各支基金跟踪的指数加权平均得到，由于都是增强性基金，不能准确反应基金组合的净值变化，但可以用来辅助选择定投的时间点。
- 长期来看，指数基金是能赚钱的，但需要把握好买卖时间。

利用 Python 计算基金组合指数

# AkShare 介绍

AkShare 是基于 Python 的财经数据接口库， 目的是实现对股票、期货、期权、基金、外汇、债券、指数、加密货币等金融产品的基本面数据、实时和历史行情数据、衍生数据从数据采集、数据清洗到数据落地的一套工具，主要用于学术研究目的。

可以编写 Python 代码，利用 AkShare 自动化获取股票、基金等金融数据。

项目文档：https://www.akshare.xyz/zh_CN/latest/index.html

项目Github：https://github.com/jindaxiang/akshare



# 用 AkShare 获取上证指数历史数据

上证指数的代码为 sh000001


```python
import akshare as ak
stock_zh_index_daily_df = ak.stock_zh_index_daily(symbol="sh000001")
print(stock_zh_index_daily_df)
```

                    open      high       low     close        volume
    date                                                            
    1990-12-19    96.050    99.980    95.790    99.980  1.260000e+05
    1990-12-20   104.300   104.390    99.980   104.390  1.970000e+04
    1990-12-21   109.070   109.130   103.730   109.130  2.800000e+03
    1990-12-24   113.570   114.550   109.130   114.550  3.200000e+03
    1990-12-25   120.090   120.250   114.550   120.250  1.500000e+03
    .             .      .      .      .          ...
    2020-11-05  3305.580  3320.408  3291.600  3320.133  2.268015e+10
    2020-11-06  3326.465  3326.465  3292.151  3312.159  2.348641e+10
    2020-11-09  3329.429  3380.824  3329.429  3373.734  3.102198e+10
    2020-11-10  3387.622  3387.622  3346.172  3360.149  2.787011e+10
    2020-11-11  3354.025  3365.836  3339.041  3342.203  2.712047e+10
    
    [7307 rows x 5 columns]


# 绘制上证指数历史收盘价变化趋势

单独提取出收盘价的历史数据


```python
sh000001_close = stock_zh_index_daily_df['close']
print(sh000001_close)
```

    date
    1990-12-19      99.980
    1990-12-20     104.390
    1990-12-21     109.130
    1990-12-24     114.550
    1990-12-25     120.250
                    .  
    2020-11-05    3320.133
    2020-11-06    3312.159
    2020-11-09    3373.734
    2020-11-10    3360.149
    2020-11-11    3342.203
    Name: close, Length: 7307, dtype: float64


绘制趋势图


```python
%matplotlib inline
import matplotlib.pyplot as plt
from pylab import mpl

mpl.rcParams['font.sans-serif'] = ['simhei'] # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
mpl.rcParams['figure.figsize'] = (15.0, 6.0)

sh000001_close.plot(linewidth=1)
plt.title("上证指数收盘价历史趋势")
plt.xlabel('时间')
plt.ylabel('收盘价')
plt.legend()
plt.show()
```


![](https://bode-1257862934.file.myqcloud.com/img/output_8_0.png)

利用 AkShare 获取上证指数

# 步骤

1. 安装 Docker
2. 安装 Caddy
3. 安装 RSSHub
4. 给 RSSHub 配置域名



# 安装 RSSHub

参考官方文档，采用 Docker 部署，不用折腾安装配置 nodejs，简单省心。

运行下面的命令下载 RSSHub 镜像

```
docker pull diygod/rsshub
```

然后运行 RSSHub 即可。这里添加了运行配置参数，其中：

- `-e CACHE_EXPIRE=3600` 设置缓存时间为 1 小时
- `-e DEBUG_INFO=false` 设置 RSSHub 的首页面不显示 debug 信息

```
docker run -d --name rsshub -p 1200:1200 -e CACHE_EXPIRE=3600 -e DEBUG_INFO=false diygod/rsshub
```

在浏览器中打开 ` 服务器 ip 地址: 1200`，如果显示如下 RSSHub 首页面，表示部署成功。

![](https://bode-1257862934.file.myqcloud.com/img/121018017065.png)

更多配置见官方文档。

# 更新 RSSHub

每隔一段时间 RSSHub 会加入新的路由，需要进行更新才能使用。

```
docker stop rsshub         # 关闭 RSSHub
docker rm rsshub           # 移除旧的 RSSHub
docker pull diygod/rsshub  # 重新安装更新 RSSHub
```

# 配置域名及 SSL 证书

配置域名解析到服务器地址。

利用 Caddy 将域名反向代理至 RSSHub 监听端口，并自动配置 Let's Encrypt 证书，这样通过域名走 https 使用 RSSHub。

打开 `/etc/caddy/Caddyfile` 文件，在最后面加入：

```
example.com {
tls example@xxx.xxx
gzip
proxy / 127.0.0.1:1200
}
```

将上面代码中以下替换：
- example.com：域名
- example@xxx.xxx: 申请 SSL 证书的邮箱

保存关闭 `Caddyfile`，然后重启 Caddy，使域名配置生效。

```
sudo systemctl restart caddy.service
```

再在浏览器中登入域名，如果显示 RSSHub 的首页面，说明成功。

Docker+Caddy部署RSSHub

# 项目背景

kit，一个用于管理工作文档版本的工具。项目地址：https://github.com/tsingkk/kit。

编写这个工具的目的有两个：

- 自学练习 Python 编程；
- 学以致用，试图解决自身工作中，文件和版本过多导致分不清文件版本的问题。

勘察设计行业的工作成果为设计文件，以 Word 文档和 CAD 图纸这类二进制文件为主，有别于 IT 行业常用文本文件。git 并不适合用于管理二进制文件，但非常喜欢 git 对版本的管理流程，因此就参考 git 的一般操作流程，写了 kit。对，名字也是模仿的。对 git 的模仿也仅限于操作流程和名字，原因是作为非专业人员看不懂 git 的代码和算法。对版本的管理流程也根据自己工作需要做了简化。

目前 kit 属于自己练手项目，功能有限，bug 估计很多。打算先以一个个单独 Python 脚本完成不同功能，后续尝试编写成命令行工具。



# 功能

目前实现了以下 5 个功能，后续会添加其他功能。

**以下功能只对当前目录下的 `1工作 ` 目录中的文件起作用。**

- `init.py`：对工作目录进行初始化，生成 `.kit` 目录和相关的配制文件；

- `status.py`：查看当前目录下的 `1工作 ` 目录中的文件的变化；

- `add.py`：将 `1工作 ` 目录中有变化的文件全部添加到暂存区；

- `commit.py`：将暂存区文件提交至版本库；

- `release.py`：选择版本发布文件。

# 安装

## 一个很土的安装方法

下载脚本，然后将脚本放在本地合适目录里，再给终端模拟器添加 aliases。用 Cmder 举例，添加自定义 aliases 如下：

```
kitstatus=python f:\myscripts\status.py
kitinit=python f:\myscripts\init.py
kitadd=python f:\myscripts\add.py
kitcommit=python f:\myscripts\commit.py
kitrelease=python f:\myscripts\release.py
```

以上代码中 kitstatus 是我自己定义的快捷命令名称，可按喜好随意命名。

## 一个更土的安装方法

不用安装，直接把脚本下载拷贝到工作目录中，在工作目录中运行脚本。

## 依赖

- Python 运行环境
- `os`、`json`、`time`、`filecmp`、`shutil` 这 5 个 Python 内置包
- 这几个脚本有相互依赖关系，需要放在一个目录中

# 使用

**再次注意，以下功能只对当前目录下的 `1工作 ` 目录中的文件起作用。**  也就是说，当前目录下的 `1工作 ` 目录相当于 git 中的工作区。

首先需要在当前目录中，创建两个新目录 `1工作` 和 `2发布 `。`1工作 ` 目录中存放要编辑的文件，这些文件会被进行版本管理。`2发布 ` 目录用来存放编辑完成需要发布的文件包。

目前设置中，`1工作 ` 目录必须包含以下 5 个子目录。

- `1专业成稿编辑 `
- `2提出条件编辑 `
- `3过程控制文件编辑 `
- `4工艺计算 `
- `5校核 `

以上子目录对应 5 种文件包类型，发布文件包时可供选择。

然后运行 `init.py` 对当前目录进行初始化，会生成 `.kit` 目录，用来存放所有提交的历史版本的文件，以及配制文件。

```
python init.py
```

如果当前目录曾经被初始化过，运行 `init.py` 则不会重新创建 `.kit` 目录和配置文件，而是使用原有的。

初始化后，在 `1工作 ` 目录中添加、修改、删除文件后，运行 `status.py` 查看工作区中文件变更。

```
python status.py
```

如果要忽略对某一类型文件的变更查看和版本管理，可以将文件类型的扩展名写入 `.kit/ign.json` 中。比如忽略对 AutoCAD 自动生成的 `bak` 和 `lsp` 格式文件的版本管理，`.kit/ign.json` 中添加如下：

```
{"ign": ["bak", "lsp"]}
```

接着运行 `add.py`，将工作区中的文件变更添加至暂存区。（目前只能将变更一次性全部添加，无法指定文件添加。）

```
python add.py
```

将暂存区文件提交至版本库中，使用 `commit.py`。

```
python commit.py
```

运行脚本后会提示输入本次提交的变更说明。提交说明会存储在 `.kit/log.json` 中，同时会生成 `.kit/log.md`markdown 格式文件方便查看提交说明。

当需要将某一版文件成套发布时，运行 `release.py`，会提示可选择的版本号以及文件包类型，然后输入发布文件包的版本名称。

```
python release.py
```

接着会生成要发布的文件包并保存在 `2发布/[选择的文件包类型]/[版本名称]` 目录中。该目录中同时会生成本次发布的 `更新说明. md` 文件，内容为本次发布的更新说明与之前历次发布的更新说明。本次发布的更新说明为合并的本次发布版本号与上一次发布版本号之间所有的提交说明。

kit，一个办公文档管理工具

# 测试软件版本
- WPS2019 国际版 11.1.0.9615 
- 永中 Office2019 体验版 8.0.1331.101ZH.S1
- FreeOffice2018 rev F976.0314
- Libreoffice 7.0.0.3

# 测试基准
原始文档为一份 560 页的报告文档，由 MS Office 编辑而成的 docx 文件，中文为主，图表文混排。由于 MS Office 没有 Linux 版本，因此转换成 PDF 文件作为排版格式兼容性对比的基准。



# 对 docx 排版格式的还原度
用各测试软件打开原始 docx 文档，与基准 PDF 文档进行排版格式对比，与 PDF 文档排版有出入即为排版错误。主要记录了各软件以下几个指标：

- 显示 docx 文档的总页数
- 第一个排版错误出现的页数（不影响全文排版）
- 第一个排版错误出现的页数（导致全文或所在章节后续所有页排版错误）

各指标见下表：

| 软件 | 显示总页数 | 第一个错误出现页数 (不影响后文) | 第一个错误出现页数 (影响后文) | 自动套用中文字体 | 排版还原程度 |
| :------| ------: | ------: | ------: | ------: | ------: |
| WPS | 560 | - | 198 | 是 | 接近原文档 |
| 永中 Office | 559 | 21 | 43 | 是 |  一般 |
| FreeOffice | 475 | - | 2 | 否 |  很差 |
| Libreoffice | 680 | - | 2 | 是 | 差 |

# 电脑资源使用率
用各测试软件打开原始 docx 文档，随便滚几页，然后静置十秒，打开任务管理器看资源占用。

| 软件 | 后台驻留任务数 | 内存占用 / MB | CUP 占用 /% |
| :------| ------: | ------: | ------: |
| WPS | 1 | 135.8 | 0 |
| 永中 Office | 1 | 366 | 2 |
| FreeOffice | 2 | 198.1 | 1 |
| Libreoffice | 1 | 527.3 | 0 | 

# 后台是否干净
实事求是，FreeOffice 和 LibreOffice 这两欧洲软件没有后台驻留，软件关闭后任务管理器里就看不到了。
本次测试的 WPS 国际版也是没有后台驻留，但之前用过 WPS 国内版就有，据说是什么会员功能。想想就不合理，软件都被关闭了，软件的一个功能却还要后台运行，没道理。
永中 Office 同样有后台驻留，而且还占用约两百 MB 内存。而且，打开一个 PDF，再打开一个 docx，关闭永中后，后台会有两个永中 Office 的任务在运行，占用更多内存。

# 总结
- 通过以上三方面的简单对比，以所见即所得的方式在 Linux 下编写图文表混合的中文文档，并且以 docx 文件格式为最终交付文件，WPS 国际版是最好选择。
- 如果能忍受后台驻留，WPS 国内版也可选择，毕竟排版还原度与国际版一致。
- 如果以 pdf 文件格式为最终交付文件，那么随便选哪个软件都行。