NetworkX 图形绘制（Drawing）完全指南：从 Matplotlib 基础绘图到 Graphviz、iplotx 与 LaTeX 生态集成

• 图计算
• 数据分析
• 科学计算

【免费下载链接】networkx

Network Analysis in Python

项目地址： https://gitcode.com/gh_mirrors/ne/networkx

点击查看 免费下载

导读

本文聚焦 NetworkX 的 drawing 模块（源码位于 networkx/drawing），系统讲解其内置的 Matplotlib 绘图 API、节点布局算法（layout），以及如何将图导出到 Graphviz（DOT）、iplotx、Hiveplotlib、LaTeX/TikZ 等专业可视化生态。读完本文，你将掌握 nx.draw 系列函数的核心参数、十余种布局算法的适用场景，以及把 NetworkX 图无缝桥接到外部渲染引擎的完整工作流，从而在"图分析"与"图可视化"之间做出正确的技术选型。

需要先说明的是：NetworkX 的定位是图分析而非图可视化（见 doc/reference/drawing.rst 开篇声明）。它提供的绘图功能是"够用就好"的基础能力，未来甚至可能被移除或改为独立附加包。因此本文一方面完整讲解内置绘图能力，另一方面也会给出"何时应该把图交给专业工具"的清晰判断标准。

---

一、定位与选型：NetworkX 绘图能做什么、不能做什么

1.1 官方定位：分析优先，可视化为辅

从 doc/reference/drawing.rst 可以明确读到官方立场：

NetworkX provides basic functionality for visualizing graphs, but its main goal is to enable graph analysis rather than perform graph visualization.

这意味着 networkx.drawing 提供的是基础可视化功能，而真正的目标是支撑图分析。官方甚至警告：在未来版本中，可视化功能可能从 NetworkX 移除，或仅作为附加包提供。

1.2 什么时候应该交给专业可视化工具

"好的图可视化很难"（Proper graph visualization is hard），官方明确推荐在需要高质量可视化时使用专门工具，包括：

• Cytoscape：生物网络分析利器，可直接读取 GraphML 格式
• Gephi：交互式图探索与可视化
• Graphviz：DOT 语言驱动的经典布局引擎
• Hiveplotlib：蜂巢图（hive plot）绘制
• iplotx：基于 Matplotlib 的扩展样式绘制
• PGF/TikZ：面向 LaTeX 排版的图绘制

数据导出桥接是使用这些工具的标准路径：先导出为对方可读的格式，再由外部工具渲染。例如 Cytoscape 能读取 GraphML，那么 networkx.write_graphml(G, path) 就是最合适的衔接调用（GraphML 读写实现在 networkx/readwrite/graphml.py）。

特别提示：文档中的 tip 明确指出，iplotx 与 hiveplotlib 可以直接接收 NetworkX 原生数据结构（图对象），无需导出为文件即可绘图。这意味着这两类工具与 NetworkX 的集成最为顺滑。

1.3 绘图模块全景

networkx/drawing 目录下共五个核心模块（见 networkx/drawing/init.py）：

模块文件	职责	依赖
nx_pylab.py	Matplotlib 绘图（draw 系列）	matplotlib
layout.py	节点布局算法（返回 pos 字典）	numpy
nx_agraph.py	Graphviz 桥接（pygraphviz/AGraph）	pygraphviz、graphviz
nx_pydot.py	Graphviz 桥接（pydot）	pydot、graphviz
nx_latex.py	导出 LaTeX/TikZ 代码	无（纯文本生成）

注意：这些模块的依赖均为可选依赖，绘图前需确保对应依赖已安装（参考 requirements/extra.txt 中的可选依赖声明）。

---

二、Matplotlib 绘图：draw 系列函数全解

2.1 公共 API 一览

nx_pylab.py 的 __all__（见 nx_pylab.py）声明了以下公共函数：

• display：在画布（canvas）上显示图
• apply_matplotlib_colors：从 matplotlib colormap 计算颜色并写回图属性
• draw：快速绘图入口
• draw_networkx：全功能绘图入口
• draw_networkx_nodes / draw_networkx_edges / draw_networkx_labels / draw_networkx_edge_labels：分层绘制节点、边、标签
• draw_bipartite / draw_circular / draw_kamada_kawai / draw_planar / draw_random / draw_spectral / draw_spring / draw_shell / draw_forceatlas2：绑定固定布局的便捷绘图

2.2 nx.draw：最简入口

draw(G, pos=None, ax=None, **kwds)（定义见 nx_pylab.py）是官方示例中最常用的快速入口：

import networkx as nx
G = nx.dodecahedral_graph()
nx.draw(G)                      # 不传 pos，自动使用 spring layout
nx.draw(G, pos=nx.spring_layout(G))  # 显式指定布局

其内部行为从源码可以拆解出几个关键点：

1. 画布处理：未传 ax 时使用 plt.gcf() 获取当前 figure，并把 facecolor 设为白色；若无坐标轴则通过 cf.add_axes((0, 0, 1, 1)) 创建全图区坐标轴。
2. 默认不带标签：draw 是"简洁模式"，默认不画节点/边标签、不显示坐标轴刻度（绘制后调用 ax.set_axis_off()）。
3. 标签开关联动：with_labels 默认值由 "labels" in kwds 推断——即只要你传入了 labels 字典，就会自动开启标签绘制（见源码 L1175-L1176）。
4. 命名冲突警告：draw 与 pylab.draw/pyplot.draw 同名，from networkx import * 时可能覆盖后者。源码 Notes 中建议区分使用：

import matplotlib.pyplot as plt
nx.draw(G)    # networkx 的 draw()
plt.draw()    # pyplot 的 draw()

2.3 nx.draw_networkx：全功能入口与核心参数

draw_networkx(G, pos=None, arrows=None, with_labels=True, **kwds)（nx_pylab.py）是参数最完整的绘制函数。它通过 inspect.signature 动态校验关键字参数（源码 L1335-L1357）：任何不属于 draw_networkx_nodes、draw_networkx_edges、draw_networkx_labels 的参数都会抛出 ValueError，从机制上避免了"拼错参数名静默忽略"的问题。

核心参数表（均来自源码 docstring）：

参数	默认值	说明
pos	None（自动 spring）	节点位置字典，键为节点、值为二维坐标
arrows	None	None：有向图用 FancyArrowPatch 画箭头、无向图用 LineCollection（更快）；True 强制画箭头；False 全部用 LineCollection
arrowstyle	'-|>'（有向图）	箭头样式，无向图默认 '-'，详见 matplotlib.patches.ArrowStyle
arrowsize	10	箭头长度与宽度；可传列表分别设置
with_labels	True	是否绘制节点标签
nodelist / edgelist	list(G) / list(G.edges())	只绘制指定节点/边
node_size	300	节点大小，数组需与 nodelist 等长
node_color	'#1f78b4'	节点颜色；数值序列会被 cmap/vmin/vmax 映射
node_shape	'o'	节点形状，取自 'so^>v<dph8'
alpha	None	节点与边透明度
cmap / vmin / vmax	None	节点颜色映射的 colormap 与数值范围
width	1.0	边线宽（可传数组逐边设置）
edge_color	'k'	边颜色，可用 edge_cmap/edge_vmin/edge_vmax 映射
style	solid	边线型：'-'、'--'、'-.'、':'
font_size / font_color / font_weight / font_family	12（边 10）/ 'k' / normal / sans-serif	标签文本样式
label	None	图例标签
hide_ticks	True	隐藏坐标轴刻度与刻度标签；设为 False 恢复 pyplot 默认
ax	None	指定 Matplotlib 坐标轴对象

组合使用示例（节点按度着色、边按权重着色）：

import matplotlib.pyplot as plt
G = nx.dodecahedral_graph()
degrees = dict(G.degree())
nx.draw_networkx(
    G,
    pos=nx.spring_layout(G, seed=42),
    nodelist=list(degrees),
    node_size=[v * 100 for v in degrees.values()],
    node_color=list(degrees.values()),
    cmap=plt.cm.viridis,
    with_labels=False,
)
plt.axis("off")

2.4 分层绘制：节点、边、标签的细粒度控制

draw_networkx 内部实质是依次调用三个子函数（源码 L1366-L1369），你完全可以分步调用以获得最大控制力：

• draw_networkx_nodes(G, pos, nodelist, node_size, node_color, node_shape, alpha, cmap, vmin, vmax, ax, linewidths, edgecolors, label, margins, hide_ticks)（nx_pylab.py）：仅绘制节点，底层对应 matplotlib.pyplot.scatter 的 marker 体系；linewidths 控制节点描边宽度，edgecolors 控制描边颜色（默认与节点同色）。
• draw_networkx_edges(G, pos, edgelist, ...)（nx_pylab.py）：仅绘制边，支持 arrows、arrowstyle、width、edge_color、style、connectionstyle（弯曲边）等。
• draw_networkx_labels(G, pos, labels, ...)（nx_pylab.py）与 draw_networkx_edge_labels(G, pos, edge_labels, ...)（nx_pylab.py）：分别绘制节点与边的文本标签，labels/edge_labels 为 {对象: 文本} 字典。

分步绘制的典型收益：可以只画一次边、多次叠加不同子集的节点，实现"高亮社团"这类效果。

2.5 布局绑定便捷函数

nx_pylab.py 提供了一组与布局一一对应的便捷函数（等价于 draw(G, pos=<对应布局>(G))，见 nx_pylab.py）：

函数	绑定布局
draw_bipartite	bipartite_layout
draw_circular	circular_layout
draw_kamada_kawai	kamada_kawai_layout
draw_planar	planar_layout
draw_random	random_layout
draw_spectral	spectral_layout
draw_spring	spring_layout
draw_shell	shell_layout
draw_forceatlas2	forceatlas2_layout

2.6 颜色辅助：apply_matplotlib_colors

apply_matplotlib_colors(G, src_attr, dest_attr, map, vmin=None, vmax=None, nodes=True)（nx_pylab.py）读取图中的数值属性，经 colormap 映射为 RGBA 颜色后写回图属性。源码细节：

• nodes=True 时读取节点属性，否则读取边属性；多重图场景边属性读取使用 G.edges(keys=True)。
• vmin/vmax 缺省时自动取属性最小/最大值。
• 底层用 mpl.cm.ScalarMappable + set_clim 实现映射，并通过 nx.set_node_attributes / nx.set_edge_attributes 写回。

典型用途：为"按数值着色的自定义绘图"预计算颜色并存入图对象，供后续多次渲染复用。

---

三、布局算法：networkx.drawing.layout 深度解析

3.1 布局函数的统一约定

layout.py 模块（layout.py）的 __all__ 共 15 个函数。所有布局函数返回 pos 字典（节点 → 坐标元组）。模块 docstring 明确了两个关键约定（源码 L8-L15）：

• random_layout() 的结果范围是 [0, scale] 的正方形（默认 [0, 1]），center 会平移整体布局；
• 其他布局的结果范围是 [center - scale, center + scale]（默认 [-1, 1]）；
• 警告：大多数布局只经过二维测试（dim=2）。

_process_params(G, center, dim)（layout.py）是所有布局的公共预处理：接受 Graph 或节点列表；center 缺省为原点；center 维度与 dim 不一致时抛出 ValueError。

3.2 各布局算法速查

函数	算法/原理	适用场景
random_layout	各坐标在 [0,1) 均匀随机（layout.py）	基线对比、快速占位
circular_layout	节点均匀分布在圆上（layout.py）	展示环路、对称结构
shell_layout	按 nlist 分壳层环状分布（layout.py）	分层/分组结构
bipartite_layout	二部图左右分列（layout.py）	二部图、投射图
spring_layout	Fruchterman-Reingold 力导向（layout.py）	通用默认首选
kamada_kawai_layout	Kamada-Kawai 力导向（基于最短路径距离，layout.py）	强调图距离结构
spectral_layout	图 Laplacian 特征向量定位（layout.py）	对称/规则图
planar_layout	无交叉边嵌入（layout.py）	平面图
spiral_layout	对数螺旋分布（layout.py）	大环图、长链结构
multipartite_layout	按 subset 属性分层排列（layout.py）	多部图
arf_layout	Arf 力导向，参数 a=1.1、etol=1e-6（layout.py）	快速大图近似布局
forceatlas2_layout	Gephi 同款 ForceAtlas2，max_iter=100、jitter_tolerance=1.0（layout.py）	社区结构清晰的大图
bfs_layout	BFS 分层定位（layout.py）	树/层次展示
rescale_layout / rescale_layout_dict	缩放坐标到 (-scale, scale)（layout.py）	坐标归一化

3.3 关键参数与可复现性

spring_layout 核心参数（layout.py）：

• k：节点间最优距离（默认与节点数相关），k=None 时自动计算；
• pos：初始位置字典，可迭代优化；
• fixed：固定位置的节点列表；
• iterations：迭代次数，默认 50；
• weight：边权重属性名，默认 "weight"；
• seed：随机种子。

可复现性：random_layout、spring_layout、forceatlas2_layout 等接受 seed 参数（内部经 @np_random_state 装饰器处理，见 layout.py），传入整数种子即可获得确定性布局，这对论文插图、测试复现至关重要。

store_pos_as 参数：random_layout、circular_layout、shell_layout、spectral_layout、spiral_layout、multipartite_layout、bfs_layout 等支持 store_pos_as——非 None 时会把布局结果写入图属性（G.nodes[...][store_pos_as]），函数仍返回 pos 字典（见 layout.py）。

bipartite_layout 的 nodes 参数：传入二部图某一分区的节点集合，两侧节点会沿坐标轴分别排布。

3.4 布局与绘制解耦

布局与绘制是解耦的两步：布局函数只算坐标，绘制函数只消费坐标。这意味着你可以：

1. 用任意布局（包括第三方布局）生成 pos；
2. 微调/裁剪 pos（配合 rescale_layout 归一化）；
3. 多次调用不同的 draw_networkx_* 叠加绘制。

这也是 NetworkX 绘图架构的核心设计——pos 字典是连接布局与渲染的唯一契约。

---

四、Graphviz 集成：DOT 格式的两种桥接方案

Graphviz 是文档明确推荐的"完全功能"可视化工具之一。NetworkX 提供两条并行通道：pygraphviz（AGraph） 与 pydot，两者功能等价，按依赖偏好二选一即可。

4.1 方案一：nx_agraph（pygraphviz）

模块 __all__（nx_agraph.py）：from_agraph、to_agraph、write_dot、read_dot、graphviz_layout、pygraphviz_layout、view_pygraphviz。

基础往返示例（模块 docstring 官方示例）：

G = nx.complete_graph(5)
A = nx.nx_agraph.to_agraph(G)   # NetworkX → AGraph
H = nx.nx_agraph.from_agraph(A) # AGraph → NetworkX

from_agraph 的类型推断（nx_agraph.py）：未指定 create_using 时，按 AGraph 的 is_directed() 与 is_strict() 组合自动推断为 DiGraph/MultiDiGraph/Graph/MultiGraph。转换过程中：

• 图默认属性存入 G.graph_attr（Graphviz 的 graph/node/edge 默认属性分别挂到 G.graph["graph"]、G.graph["node"]、G.graph["edge"]）；
• 节点/边属性原样映射为 NetworkX 属性，节点名转为字符串；
• 非多重图时边名（e.name）会存为 "key" 属性（源码 L99-L100）。

graphviz_layout(G, prog="neato", root=None, args="")（nx_agraph.py）：调用 Graphviz 布局引擎生成坐标。prog 默认 neato，常用取值还包括 dot（层次布局）、circo、twopi、fdp；args 可透传 Graphviz 命令行参数。返回的 pos 字典可直接喂给 nx.draw。

view_pygraphviz(G, prog="dot")：调用系统默认查看器直接渲染 DOT 文件——无需任何布局计算，是最快的"看一眼"方案。

4.2 方案二：nx_pydot（pydot）

模块 __all__（nx_pydot.py）：write_dot、read_dot、graphviz_layout、pydot_layout、to_pydot、from_pydot。

基础往返示例（模块 docstring 官方示例）：

G = nx.complete_graph(5)
PG = nx.nx_pydot.to_pydot(G)   # NetworkX → pydot.Dot
H = nx.nx_pydot.from_pydot(PG) # pydot.Dot → MultiGraph（默认）

read_dot / write_dot 的文件能力（nx_pydot.py）：

• write_dot(G, path) 把图写成 DOT 文本；文件名以 .gz/.bz2 结尾时自动压缩（经 @open_file 装饰器）。
• read_dot(path) 读取 DOT 文件并返回 MultiGraph 或 MultiDiGraph（多重图推断规则：非 strict 的 graph 视为多重图，见 from_pydot 源码 L121-L130）；若文件含多个图，只取第一个。想得到普通 Graph 需显式转换：G = nx.Graph(nx.nx_pydot.read_dot(path))。

pydot_layout(G, prog="neato", root=None)：与 pygraphviz_layout 等价，通过 pydot 驱动 Graphviz 布局。

4.3 两条通道如何选择

• 已安装 pygraphviz → 用 nx_agraph（API 更贴近 AGraph，且支持 view_pygraphviz 直接预览）；
• 已安装 pydot → 用 nx_pydot（纯 Python 解析，无编译依赖，安装更省事）；
• 两者产出的 DOT 文件完全兼容 Graphviz 生态，可进一步交给 dot 命令行或 Gephi 等工具。

---

五、iplotx 与 Hiveplotlib：直接消费 NetworkX 原生对象的现代方案

文档特别强调：这两个库无需文件导出，直接接收 NetworkX 图对象，官方示例可直接复现。

5.1 iplotx：Matplotlib 之上的扩展样式

iplotx 基于 Matplotlib 提供扩展样式绘制。官方示例（见 doc/reference/drawing.rst）：

import iplotx as ipx
G = nx.cycle_graph(5, create_using=nx.DiGraph)
layout = nx.circular_layout(G)
ipx.network(G, layout=layout, vertex_facecolor=["tomato", "gold"])

要点：布局仍由 nx.circular_layout 计算（pos 字典），但渲染交给 ipx.network，可通过 vertex_facecolor 等参数逐节点定制颜色。仓库示例 examples/external/plot_iplotx.py 展示了完整用法。

5.2 Hiveplotlib：可复现的蜂巢图

蜂巢图（hive plot）设计思想（源自 doc/reference/drawing.rst）：节点按分区变量分布到数条径向轴上，再按排序变量在轴内排序。位置由数据决定而非布局算法，因此结果完全可复现，且图的结构属性直接可读。

官方示例（创建 3 块随机块模型 + 按 pagerank 排序）：

from hiveplotlib import HivePlot

p = [[0.3, 0.005, 0.0],
     [0.005, 0.3, 0.03],
     [0.0, 0.03, 0.3]]
G = nx.stochastic_block_model(sizes=[15, 15, 15], p=p, seed=0)
hp = HivePlot(
    graph=G,
    partition_variable="block",     # 节点按 "block" 属性分轴
    sorting_variables="pagerank",   # 轴内按 pagerank 排序
    node_graph_metrics="pagerank",  # 计算节点 pagerank 驱动布局
    repeat_axes=True,
)
hp.plot()

node_graph_metrics="pagerank" 体现了两者深度集成：NetworkX 的节点/边度量（如 nx.pagerank）可在布局时实时计算并驱动轴内排序。默认用 Matplotlib 渲染，也可输出到 Bokeh、Plotly、HoloViews；大图可用 Datashader 栅格化。仓库示例见 examples/external/plot_hiveplotlib.py。

---

六、LaTeX 输出：把 NetworkX 图变成 TikZ 代码

nx_latex.py 模块（nx_latex.py）把图导出为基于 TikZ 的 LaTeX 代码，是论文排版场景的"直通车"。三个核心函数：

• to_latex(G, caption=..., as_document=...)：返回 LaTeX 字符串（可含 figure 环境）；
• to_latex_raw(G)：只返回 TikZ 绘制命令，无 figure 环境；
• write_latex(G, "filename.tex", caption=..., as_document=...)：直接写文件。

基础用法（模块 docstring 官方示例）：

from pathlib import Path
import tempfile
tmp_path = Path(tempfile.gettempdir())

G = nx.path_graph(3)

# 生成独立可编译文档
fpath = tmp_path / "just_my_figure.tex"
nx.write_latex(G, fpath, as_document=True)

生成的独立文档结构（完整示例，可直接编译）：

\documentclass{report}
\usepackage{tikz}
\usepackage{subcaption}

\begin{document}
\begin{figure}
  \begin{tikzpicture}
      \draw
        (0.0:2) node (0){0}
        (120.0:2) node (1){1}
        (240.0:2) node (2){2};
      \begin{scope}[-]
        \draw (0) to (1);
        \draw (1) to (2);
      \end{scope}
    \end{tikzpicture}
\end{figure}
\end{document}

嵌入已有文档：as_document=False 只输出 figure 环境，配合 caption（图题）与 latex_label（\label 引用名，可用 \ref 交叉引用）：

nx.write_latex(G, fpath, as_document=False, caption="P3", latex_label="fig1")

多子图（subfigure）：to_latex/write_latex 可接收图列表、子图题列表与行数，生成含多个 subfigure 的 figure；每个子图可用 sub_labels 指定 \label。

样式定制机制（"The TikZ approach"，见 nx_latex.py）：

• 绘制选项既可存在图属性中，也可通过 node_options/edge_options 字典按节点/边传入 TikZ 选项字符串；
• 标签同理：存在节点/边属性，或通过 node_label/edge_label 字典按对象传入文本；
• tikzpicture 环境选项（如 [scale=2]）与默认节点/边选项均可经关键字参数传入；默认节点选项作用于绘制全部节点的单条 path，默认边选项作用于包住每条边的 scope。

官方路线图：模块 docstring 说明未来计划提供 TikZ Graph 接口（含布局算法）。

---

七、实战工作流：从分析到成图的一条龙方案

结合以上所有能力，一个完整的"分析 → 选型 → 成图"决策流程如下：

1. 快速检查阶段：nx.draw(G) 或 nx.draw(G, pos=nx.spring_layout(G, seed=0)) 足以"看个大概"，无需额外依赖。
2. 结构洞察阶段：按图的类型选择布局——平面图用 planar_layout，社区结构用 forceatlas2_layout/spring_layout，层次结构用 bfs_layout/multipartite_layout，大环图用 spiral_layout；并固定 seed 保证可复现。
3. 精细定制阶段：用 draw_networkx_nodes / draw_networkx_edges / draw_networkx_labels 分层渲染，配合 apply_matplotlib_colors 实现按属性着色；有向图用 arrows=True + arrowstyle 定制箭头。
4. 对外交付阶段：
   • 论文排版 → write_latex(..., as_document=True) 生成 TikZ；
   • DOT 生态（Graphviz 命令行、Gephi）→ nx_pydot.write_dot / nx_agraph.write_dot；
   • 交互式探索 → 导出 GraphML 交给 Cytoscape（nx.write_graphml）；
   • 需要专业布局且要 NetworkX 度量参与 → HivePlot(graph=G, ...) 或 ipx.network(G, layout=...)。

---

八、小结

NetworkX 的 drawing 模块是一套"定位克制但功能完整"的绘图设施：draw 系列覆盖从快速预览到精细分层渲染的全过程，layout 模块提供 15 种布局算法与确定性种子支持，nx_agraph/nx_pydot 双通道打通 Graphviz 生态，nx_latex 直达论文排版，iplotx 与 Hiveplotlib 则代表了"直接消费 NetworkX 原生对象"的现代集成方式。理解"NetworkX 主攻分析、可视化交给专业工具"这一官方立场，你就能在快速验证与高质量交付之间做出恰当取舍，让图可视化真正服务于图分析本身。

延伸阅读：绘图相关示例位于 examples/drawing（含节点着色、多图、标签布局等）与 examples/external（iplotx、hiveplotlib、igraph 等外部集成）；Matplotlib 绘图与布局的完整函数签名可直接查阅 nx_pylab.py 与 layout.py 的 docstring。

赞 分享

• 图计算
• 数据分析
• 科学计算

【免费下载链接】networkx

Network Analysis in Python

项目地址： https://gitcode.com/gh_mirrors/ne/networkx

点击查看 免费下载

相关推荐

• Heapster 源码深度剖析：Go语言实现的监控系统架构设计

  Heapster 源码深度剖析：Go语言实现的监控系统架构设计 Heapster是Kubernetes生态系统中一个重要的容器集群监控工具，它负责收集、处理和存

  运维 后端

• Fabric.js图形编辑完全指南：从基础绘制到高级交互

  Fabric.js图形编辑完全指南：从基础绘制到高级交互 Fabric.js作为功能强大的JavaScript Canvas库，为开发者提供了完整的图形编辑解决

  前端 图形学

• 探索 LaTeX 绘图的艺术：Awesome LaTeX Drawing

  探索 LaTeX 绘图的艺术：Awesome LaTeX Drawing 在这个数字时代，高质量的绘图和图表对于学术研究、教学以及文档制作至关重要。 是一个精心

上一篇： 避坑必读：proposal-operator-overloading 常见错误的 7 个解决方案（含性能陷阱与最佳实践）

下一篇： Pjax vs jQuery-Pjax：为什么这款轻量级库能彻底改变你的网站性能