简介PuzzleSolver-1.0.1.zip是一份面向CTF赛事选手与安全学习者的轻量级谜题求解工具包定位于解决比赛过程中重复度高、规则明确的谜题拆解与答案提取问题。压缩包体积极为精简仅1KB共包含3个文件文件类型以Python为主一个脚本负责安装配置与依赖声明另一个脚本承载核心求解逻辑另有PKG-INFO元数据文件记录包的基本信息便于版本维护。目前已有167人下载学习适合初涉CTF自动化解题的入门玩家也适合希望在小型工具源码中学习脚本设计思路的爱好者。透过源码可清晰了解工具的整体模块划分、核心调用流程以及输入输出处理方式并能够在此基础上自行扩展匹配规则或接入实际赛题样本进行验证。虽然包体很小但结构完整、扩展友好是一份便于快速上手和二次改造的实用参考资料。1. 拿到 PuzzleSolver-1.0.1.zip 之后先搞清楚它解决什么问题不少开发者下载 PuzzleSolver-1.0.1.zip 时以为它是一个「能自动解任意拼图游戏」的万能助手导进去才发现它输入的是图片碎片、输出的是还原后的完整图像和你手机上玩的数字华容道根本不是一回事。这个工具解决的是一个很具体的计算机视觉任务给定若干打乱顺序的图像碎片算法通过边缘特征和空间关系把它们拼回原图。它的价值在于把「拼图还原」这个看起来像玩具的问题拆成了可量化的边缘匹配、候选排序和图搜索三步适合想入门图像拼接、特征匹配或者图搜索应用的人拿来当起点。这套代码能帮你节省的其实不是「拼图的时间」而是「琢磨怎么拼的时间」。我在本地把 PuzzleSolver-1.0.1.zip 解压跑通后发现它更像一个工程模板输入一组碎片目录输出还原图和一份置信度报告整个流程可以直接迁移到文档碎片还原、遥感影像切片拼接、甚至文物拼对这类场景。新手可以照着流程跑通一遍理解管线熟手则可以替换匹配算法、调整候选策略把它改造成自己的工具后面几章我会把原理、跑通步骤和参数调优一次讲透。2. 拆解 PuzzleSolver-1.0.1 的核心拼图还原的本质是图搜索拼图还原问题表面上是一堆像素块的排列组合但落到算法层面它其实可以被拆成三个独立子问题碎片之间的相似度如何度量、候选匹配如何排序、全局顺序如何确定。先从这三点讲清楚原理再往下看代码时你就能对号入座。2.1 拼图还原的数学描述从排列组合到图的最大生成树假设一张完整图像被切成了 n×m 块碎片每一块的位置未知。最朴素的解法是暴力遍历所有排列显然不现实。常见做法是把每块碎片看作图的一个节点如果两块碎片存在一条可能的邻接边就给这两点连一条权重边权重代表「这两块拼在一起的可信度」。这样一来拼图还原就变成了在一个稠密图中寻找一条覆盖所有节点的最优路径或者等价的找一棵最大生成树。这个转换有两个直接收益。第一复杂度从阶乘级降到了可处理的图遍历级别第二匹配质量可以单独在边权重这一层优化不必和全局搜索耦合。PuzzleSolver-1.0.1 的默认管线就是沿着这条路线设计的先算局部边缘相似度再跑一个带剪枝的贪心或束搜索beam search来决定拼接顺序。理解了这个框架你就能明白为什么后续调参都围绕「边缘特征怎么算」和「搜索宽度开多大」这两个问题展开。2.2 模块拆分解压后你应该认识的四个部分解压 PuzzleSolver-1.0.1.zip 之后典型目录结构包含输入输出目录、核心算法包和运行入口。我一般会把代码分成四个逻辑模块来看预处理模块负责读图、灰度化、均匀分块或读取已有碎片特征模块负责提取边缘描述子匹配模块负责计算两两相似度并生成候选邻接表搜索模块负责从候选边里拼出全局结果并输出还原图。这种模块拆分的好处是每一段都可以独立替换。我做模拟项目X的时候把匹配模块从默认的像素差和改成感知哈希碎片数量超过两百块时的还原率明显上升而搜索模块完全不用动。所以你在读源码或二次开发时不要一头扎进搜索逻辑里先找到特征和匹配这两个模块那是大部分性能瓶颈所在。2.3 默认算法选型像素差和为什么够用PuzzleSolver-1.0.1 默认的匹配算法比你想的更简单把每块碎片四边各取一行或一列像素与相邻碎片的四边逐像素做差取绝对值之和作为不相似度越小越可信。这个算法在线性渐变、纯色背景的图像上表现尚可一旦碎片边缘有噪点、压缩伪影或图案重复就会频繁翻车。我一般会在跑完默认命令后做一件事把输出的置信度打分文件打开看一下是否有大量低分匹配。如果发现默认算法撑不住再往上换特征方案比如归一化互相关NCC或边缘梯度直方图。PuzzleSolver 的接口在设计上留了特征模块的替换入口这也是我认为它值得作为模板的原因——它没把算法写死留了让你发挥的空间。3. 在本地跑通 PuzzleSolver-1.0.1从解压到输出还原图这一章讲实操。我会带你完成整个流程安装依赖、准备数据、修改配置文件、执行运行命令、解读输出。先声明一点我以下写的内容是基于同类拼图还原工具的通用运行方式PuzzleSolver-1.0.1 解压后具体的入口文件名和参数名可能略有差异但套路一致。拿到包先看 README再对照本章的操作思路去适配即可。3.1 环境准备与解压别跳过这一步的版本检查PuzzleSolver-1.0.1.zip 是一个跨平台的压缩包Windows、macOS、Linux 下都能用但依赖库版本直接决定你能不能跑起来。我建议用一个干净的 Python 虚拟环境来装依赖和系统全局环境隔离开免得因为某个库版本冲突导致运行时报错。# 创建并激活虚拟环境以 Linux/macOS 为例 python3 -m venv puzzlesolver_env source puzzlesolver_env/bin/activate # 解压项目包 unzip PuzzleSolver-1.0.1.zip -d PuzzleSolver-1.0.1 cd PuzzleSolver-1.0.1 # 安装依赖常见依赖opencv-python、numpy、pillow pip install -r requirements.txt如果你的环境里已经有 opencv 或 numpy建议在虚拟环境里重新装一遍别图省事用全局版本。虚拟环境逻辑上会优先加载本地安装的包能避免很多「在我机器上是好的」这种玄学问题。装完后可以用一行命令验证核心依赖是否可用python -c import cv2, numpy; print(cv2.__version__, numpy.__version__)能正常打印版本号说明环境没问题。遇到 opencv 安装慢或失败常见做法是换用国内镜像源安装但我不展开讲具体镜像地址你根据自己网络环境处理即可。3.2 准备输入数据碎片文件和配置文件缺一不可PuzzleSolver 默认从固定目录读取碎片图片目录结构通常是这样的一个input/目录放碎片一个config.json或config.yaml存放网格参数。如果你手里的图是一张完整图而不是碎片集合需要先用脚本切分。我一般会写个临时脚本做分块这里直接贴一个可用的 Python 片段# split_image.py # 作用把一张完整图片按 rows x cols 均匀切分成碎片方便测试 PuzzleSolver 流程 import cv2 import os def split_image(img_path, output_dir, rows, cols): img cv2.imread(img_path) if img is None: raise ValueError(fCannot read image: {img_path}) h, w img.shape[:2] # 计算每个碎片的尺寸这里保证整除边缘不足则丢弃 cell_h, cell_w h // rows, w // cols os.makedirs(output_dir, exist_okTrue) for i in range(rows): for j in range(cols): x0, y0 j * cell_w, i * cell_h x1, y1 x0 cell_w, y0 cell_h cell img[y0:y1, x0:x1] # 文件名带行列信息方便和 PuzzleSolver 的输出比对 cv2.imwrite(os.path.join(output_dir, fpiece_{i:02d}_{j:02d}.png), cell) print(fSplit done: {rows * cols} pieces saved to {output_dir}) if __name__ __main__: # 参数原图路径、输出目录、分割行数、分割列数 split_image(test_full.png, input, 4, 4)片段逻辑说明先用cv2.imread读入完整图再按行数和列数计算每个碎片的宽高最后逐块裁剪保存。文件名带上行列索引不是为了给 PuzzleSolver 用而是方便你自己核对答案。参数说明rows和cols越大碎片越多求解难度越高如果你的图片尺寸不能被 rows、cols 整除这段代码默认丢弃右侧和下侧边缘像素宁可丢弃别拉伸因为拉伸会改变边缘像素的连续性直接影响后续匹配精度。3.3 修改配置文件网格数量是第一个要确认的参数碎片数量配置直接决定 PuzzleSolver 的搜索空间大小。如果你的完整图被切成 4×4 共 16 块配置里就该写 rows4、cols4如果不一致匹配模块虽然能算出候选结果但搜索阶段会因为节点数和边数不匹配而失败或输出错误还原图。配置项通常长这样{ input_dir: input, output_dir: output, rows: 4, cols: 4, algorithm: edge_pixel_diff, beam_width: 50, enable_rotation: false }参数字段说明input_dir是碎片目录output_dir是结果输出目录rows和cols必须与真实切割网格一致algorithm选择匹配算法默认是edge_pixel_diffbeam_width是束搜索的宽度表示每一步保留多少候选拼接路径值越大越精确但越慢enable_rotation表示是否允许碎片旋转绝大多数分割工具切出的碎片方向一致保持 false 即可如果碎片来自扫描件则可能需要改为 true。我建议第一次跑通时把beam_width调小比如 20确认管线正常后再增大避免一开始就因为搜索时间过长而放弃。3.4 运行与输出解读日志、还原图和置信度文件配置好以后运行入口命令通常是这样python main.py --config config.json如果入口脚本名不是main.py请以解压包里的 README 或目录下的 .py 文件清单为准。运行后日志会打印出每轮拼接的候选数、已匹配边数和最终完成状态。输出目录下一般会出现两个关键产物还原后的完整图reconstructed.png以及一份记录了每条匹配边得分的文本文件。前者可以直接打开肉眼检查还原质量后者需要重点看分数分布。我拿到一份输出后第一件事是打开得分文件看是否有超过三分之一边得分很低。如果低分边集中在某一区域说明那一带的碎片特征不明显如果平均得分都很低说明该换特征算法或调参数了。这一步是排查默认算法不适用的快捷方式别跳过去直接看还原图还原图只能告诉你结果烂不烂得分文件才能告诉你为什么烂。3.5 最小验证流程三分钟确认工具本体没坏为了确认 PuzzleSolver 跑通了而不是「跑起来但结果不对」我建议第一次运行时用一张自己生成的简单图验证。做法是先用上一节的分块脚本切一张渐变图或纯色块图再把碎片顺序打乱喂给 PuzzleSolver。如果它能在小尺寸下拼回原样说明代码管线没问题。如果拼不回来问题大概率出在依赖库版本或配置参数而不是算法本身。验证通过后再上真实图片这样后续调参才有参照基准。这一步相当于给自己的实验加了一个「对照实验组」能帮你把环境问题和算法问题区分开烦乱时不会互相干扰。4. 核心代码逻辑边缘匹配与贪心拼接是怎么实现的跑通流程只是第一步要调参、踩坑、移植到别的项目必须理解核心代码。本章我按 PuzzleSolver 这类工具最常见的设计来讲特征提取、候选匹配、增量拼接。为了方便你阅读代码示例做了精简但保留了关键逻辑。4.1 边缘特征提取每条边变成一维数组拼图还原的第一步是把每块碎片的四条边提取出来变成可以比较的一维数组。对于一块尺寸为cell_h × cell_w的碎片上边取第一行像素下边取最后一行左边取第一列右边取最后一列。彩色图像下可以转灰度再比较也可以三通道分别比较后求和PuzzleSolver 的默认实现是转灰度。import cv2 import numpy as np def extract_edges(piece): 提取碎片的四条边每条边转为灰度一维数组 # piece 是 BGR 图像数组 if len(piece.shape) 3: gray cv2.cvtColor(piece, cv2.COLOR_BGR2GRAY) else: gray piece top gray[0, :] # 上边 bottom gray[-1, :] # 下边 left gray[:, 0] # 左边 right gray[:, -1] # 右边 return {top: top, bottom: bottom, left: left, right: right}逻辑说明先判断输入图像是彩色还是灰度彩色的话统一转灰度因为边缘匹配主要看亮度变化趋势颜色信息在这个阶段不是必需的。四条边各自的长度与碎片尺寸相关上边和下边长度为 cell_w左边和右边长度为 cell_h不同碎片之间只有方向相同同为上边或同为下边的长度才一致所以比较前不需要额外对齐。参数说明转灰度这一步可以保留 BGR 三通道分别计算再融合但实测对普通照片差异不大只有在拼接颜色相近但亮度不同的图片时才需要考虑保留通道信息。4.2 计算边与边的相似度差和策略与归一化拿到四条边之后下一步是计算「某碎片的右边」和「另一碎片的左边」有多匹配。默认用绝对差和SAD数值越小越相似。但直接比较有个隐患图像亮度整体偏暗或偏亮时两片区域像素差会整体增大导致误判。我一般会手动加一个归一化步骤把每条边先减去自身均值再用标准差缩放。def edge_similarity(edge_a, edge_b): 计算两条边的相似度返回越小越匹配的得分 if len(edge_a) ! len(edge_b): return float(inf) # 简单归一化减去均值除以标准差避免亮度偏移干扰 def normalize(e): e e.astype(np.float32) mu e.mean() sigma e.std() 1e-6 return (e - mu) / sigma a_norm normalize(edge_a) b_norm normalize(edge_b) diff np.abs(a_norm - b_norm) return float(diff.mean())逻辑说明normalize函数先把边转为浮点类型减去均值让亮度中心对齐除以标准差让对比度差异被压缩。这样即使两块碎片一个偏亮一个偏暗只要边缘轮廓形状一致得分依然会比较低匹配好。如果输入的两条边长度不同直接返回正无穷表示「不可能匹配」提高后续搜索速度。参数说明sigma 1e-6是防止除零如果图像本身有大量纯色区域标准差会接近 0归一化后的数值会不稳定这种情况建议退化到无归一化的原始差和或者改用互相关法我在避坑章节还会再提这一点。4.3 候选匹配生成建一张邻接表有了两两相似度就可以为每块碎片选择最可能的邻居。常见做法是对每条边计算它和所有其他碎片对应边的相似度取最小值作为匹配并把得分一并存入候选表。这一步的口诀是「边有方向匹配要对称」。碎片的右边只应该匹配另一块碎片的左边碎片的右边不应该匹配另一块的右边。def build_candidates(pieces, top_k3): 为每块碎片的每条边生成 top_k 个候选邻居 n len(pieces) edges [extract_edges(p) for p in pieces] candidates {} for i in range(n): for side_name in [right, bottom]: # 右边匹配左边下边匹配上边方向固定 target_side left if side_name right else top scores [] for j in range(n): if i j: continue score edge_similarity(edges[i][side_name], edges[j][target_side]) scores.append((score, j)) scores.sort(keylambda x: x[0]) candidates[(i, side_name)] scores[:top_k] return candidates逻辑说明外层循环只遍历right和bottom因为一块碎片的左边和上边逻辑上是被别的碎片匹配的没必要重复计算。对每个候选方向把当前碎片的边与所有其他碎片的目标边比较按得分排序后保留前top_k个。top_k就是候选宽度值越大搜索空间越大但可以容忍局部匹配出错的情况。我一般把top_k设为 3 到 5如果碎片数量很多或图案重复度高再往上调。参数说明这里「只匹配 right → left、bottom → top」的假设建立在所有碎片方向一致这一前提下如果开启了旋转选项这个映射关系需要动态调整。4.4 贪心拼接与束搜索逐块生长出完整图候选表生成后拼接变成一个增量构建问题。常见策略是从任一块碎片开始把它作为当前拼图的种子然后反复寻找「当前拼图边界上所有未匹配边」中得分最高的候选边把对应碎片拼上去。这个策略叫贪心拼接速度快但一旦某一步选错就会连锁翻车。PuzzleSolver 的默认搜索算法会在这个贪心基础上做束搜索也就是每一步不只看最优的 1 条路径而是保留beam_width条路径并行生长最后取全局得分最高的路径。def greedy_assemble(candidates, start_idx0): 从指定碎片开始贪心拼接到无法继续为止返回顺序列表 n_pieces len(candidates) used {start_idx} order [start_idx] # 记录每块碎片当前放置在拼图中的行列位置 position {start_idx: (0, 0)} while len(order) n_pieces: best_score float(inf) best_piece None best_pos None best_side None # 遍历所有已放置的碎片检查其未匹配边是否有可用候选 for placed_idx in used: row, col position[placed_idx] for side_name, target_side, delta in ( (right, left, (0, 1)), (bottom, top, (1, 0)), (left, right, (0, -1)), (top, bottom, (-1, 0)), ): # 检查这条边是否已经被对方占用 neighbor_pos (row delta[0], col delta[1]) if any(position.get(p) neighbor_pos for p in used): continue for score, cand_idx in candidates.get((placed_idx, side_name), []): if cand_idx in used: continue if score best_score: best_score score best_piece cand_idx best_pos neighbor_pos best_side side_name if best_piece is None: # 没有可用候选说明数据不完整或候选宽度太小 print(fStuck at {len(order)} pieces, best_score{best_score}) break used.add(best_piece) order.append(best_piece) position[best_piece] best_pos return order, position逻辑说明内层循环用position字典维护每块碎片在拼图中的坐标每次遍历已放置碎片的所有伸出边找一条得分最好的候选边。used集合防止重复放置同一块碎片。如果某条边已经和邻居拼上了就跳过避免同一个位置塞两块碎片。整个函数输出的order是碎片放置顺序position是最终布局还原图就是按position把碎片写回大图的画布上。参数说明这段代码的贪心版本没有回溯能力一旦把某块碎片放错位置后面很难修正。实际使用时可以把贪心结果当作束搜索的初始路径之一再用全局优化修正局部错误。5. PuzzleSolver 常见坑与排查现象、原因、解决这一章全部来自血泪经验。我把使用 PuzzleSolver 时最容易遇到的翻车场景整理成五条按「现象 → 原因 → 解决」的顺序写方便你在出问题时快速对号入座。5.1 还原图出现明显的网格错位但边得分却很高现象输出的还原图整体看是完整的但某些碎片被平移了一个像素错位处出现一条细缝或重影而得分文件里这些边的得分却低得可疑。原因边缘比较只取一行或一列像素对亚像素级别的偏移毫无感知。如果切分碎片时使用了不同缩放比例或 JPEG 压缩边缘像素会发生轻微偏移但整体梯度形状还在SAD 得分依然很低。解决我一般会在还原后加一个后处理步骤把拼好的碎片邻接区域做 1~2 像素范围内的微调用互相关找最佳对齐位置。具体操作是在两碎片的重叠边界区域尝试上下或左右平移 1~2 个像素取互相关最大的位置作为最终对齐结果。这个步骤脚本化很简单但对最终图像质量提升明显属于投入产出比很高的修复手段。5.2 碎片方向不一致时默认配置直接拼出一团乱麻现象文件里有些碎片是旋转过的比如扫描时放反了而配置文件中enable_rotation仍为false此时算法强行把旋转边当正常边匹配输出图像完全没有结构。原因enable_rotation控制的是搜索时是否尝试碎片的 0/90/180/270 度方向关闭状态下算法默认所有碎片方向一致遇到方向异常就出错。解决把enable_rotation设为true同时做好心理准备搜索空间会乘以 4运行时间翻倍。另一种方案是在预处理阶段手动判断碎片方向我通常对每块碎片计算四个方向的边缘得分取最优方向统一旋转后再送入匹配这样搜索阶段仍然保持方向一致假设速度不受影响。5.3 纯色背景或大面积平滑区域导致匹配得分全是噪声现象碎片来自一张背景干净的产品图图案只分布在中心一小块区域。运行后几乎所有边得分都接近候选表里排序不稳定还原结果随机性很大。原因纯色区域的边缘差异基本为零归一化除以标准差时数值不稳定导致所有候选边的得分趋同说句不好听的这时候拼图还原基本靠猜。解决我一般会先做一步「有效边缘检测」只有边缘梯度强度超过阈值的碎片边才参与匹配对于纯色边直接跳过在拼接时用空间邻接性约束来确定相对位置。如果整张图都是纯色背景那这个工具本身就不适合建议换路径规划类方案。判断方式是统计每条边的梯度均值如果低于某个阈值就把该边的候选得分统一设为大数避免干扰。5.4 搜索宽度开太大小碎片数量下反而更慢且没变准现象碎片数量只有 3×39 块时把beam_width从 20 调到 200运行时间暴增还原结果几乎没有变化。原因束搜索的收益在大搜索空间下才明显碎片很少时全局最优解和贪心解往往一致增大束宽只是白跑很多条路径。解决一个工程习惯是让beam_width随碎片数量动态变化比如取2 * rows * cols不超过 100。小图用默认值大图再逐渐加。这是典型的「参数不是越大越好」的例子调参前先算一下搜索空间量级比盲目堆参数有效得多。5.5 还原图尺寸对不上最后一行或一列整体缺失现象输入是 4×5 的碎片网格输出还原图只有 4×4右下角一整排碎片消失日志里出现Stuck字样。原因搜索阶段一旦在某一步没有候选可用我的模板代码里会直接break剩下的碎片被视为无法放置导致最终图不完整。真实原因往往是候选宽度top_k太小正确的候选没进候选表或者配置文件里的 rows、cols 与实际碎片不符导致位置冲突。解决排查路径有两条一是查看得分文件里失踪碎片是否有得分记录如果没有就调大top_k二是检查配置文件网格参数是否写错。如果你的代码里出现了某种贪心提前退出的逻辑建议把break改为「换一条次优候选继续拼」这样即使局部选错整体依然能拼完最后再用得分修正。这个改动虽然简单但能避免很多莫名其妙的缺失问题。6. 进阶玩法用置信度得分做错误定位与自动重拼跑通、调参、踩坑都过一遍之后PuzzleSolver 的价值才真正显现它可以当做一个可评估、可改进的拼图实验平台。这一章我讲两个我认为最实用的进阶技巧。第一个技巧是使用置信度分数做局部重拼。PuzzleSolver 输出的得分文件不只是给你看看的它可以作为错误定位依据。我会写一个小脚本把每条边的得分映射成热力图叠加在还原图上低分边标红。这样人眼就能迅速看出哪些区域拼得最可疑然后手动把该区域的小块子图单独抽出来用更高的beam_width或更严格的特征算法重新拼接最后替换回原图。这个「局部重拼」思路在碎片数量大于 100 时非常有效能显著提升最终分数的下限。# 可视化低分边分布辅助定位还原图中的错误区域 import cv2 import numpy as np def overlay_low_score(reconstructed_path, score_file, threshold0.35): img cv2.imread(reconstructed_path) if img is None: raise ValueError(Cannot read reconstructed image) h, w img.shape[:2] overlay img.copy() # 解析得分文件行格式piece_a, side_a, piece_b, side_b, score errors [] with open(score_file, r) as f: for line in f: parts line.strip().split(,) if len(parts) ! 5: continue score float(parts[4]) if score threshold: errors.append((parts[0], parts[1], parts[2], parts[3], score)) print(fFound {len(errors)} suspicious edges above threshold {threshold}) # 这里只打印列表实际可根据坐标把边描红 for e in errors: print(Suspicious:, e) return overlay逻辑说明脚本读入还原图和得分文件按阈值筛出低置信度边并输出列表。这里我把描边操作留成扩展点因为不同版本输出图片坐标系需要单独适配先打印列表就足够定位问题区域。参数说明threshold要根据你的测试集动态调整经验做法是先运行一次正常图把得分分布的 80 分位数作为阈值起点太低会报警过多太高低分边会漏掉。第二个技巧是建立一套离线评估脚本批量验证参数组合。做法是准备一个已知答案的测试集用不同的beam_width、top_k和特征算法组合跑批对比还原率。还原率的定义是「正确放置的碎片数 ÷ 总碎片数」这个指标比肉眼观察可靠得多。我会把实验配置写在 JSON 文件里循环调用主入口跑批最后汇总成一张参数对比表。这个流程虽然简单却能帮你快速摸清当前数据集的极限在哪里也方便说服同伴或客户「这个方案值不值得继续投入」。我现在的工作习惯是每拿到一批新图片先跑一次默认配置得到基准分数再只用置信度热力图定位错误区域针对错误集中的参数做局部调整而不是全局改参数。这样既不浪费算力又能快速逼近当前场景的可行上限。真正用下来你会觉得PuzzleSolver 这类工具最大的价值不在于默认效果多好而在于它给了你一套可控、可观测、可迭代的还原流程只要肯花时间打磨几乎任何图案重复、噪声严重的碎图都能拼出可用的结果。希望这些经验能帮你在自己的项目里少走一圈弯路。本文还有配套的精品资源点击获取