THULAC

四款python中中文分詞的嘗試。嘗試的有：jieba、SnowNLP（MIT）、pynlpir（大數據搜索挖掘實驗室（北京市海量語言信息處理與雲計算應用工程技術研究中心））、thulac（清華大學自然語言處理與社會人文計算實驗室）
四款都有分詞功能，本博客只介紹作者比較感興趣、每個模塊的內容。jieba在這不做介紹，可見博客：
python+gensim︱jieba分詞、詞袋doc2bow、TFIDF文本挖掘

一、SnowNLP

只處理的unicode編碼，所以使用時請自行decode成unicode。來源：https://github.com/isnowfy/snownlp
以下功能都是筆者比較感興趣的：

情感分析（現在訓練數據主要是買賣東西時的評價，所以對其他的一些可能效果不是很好，待解決）

文本分類（Naive Bayes）
轉換成拼音（Trie樹實現的最大匹配）
繁體轉簡體（Trie樹實現的最大匹配）
提取文本關鍵詞（TextRank算法）
提取文本摘要（TextRank算法）
Tokenization（分割成句子）
文本相似（BM25）

# 轉化爲拼音
from snownlp import SnowNLP
s = SnowNLP("杭州西湖風景很好，是旅遊勝地！")
s.pinyin

['hang',
 'zhou',
 'xi',
 'hu',
 'feng',
 'jing',
 'hen',
 'hao',
 '，',
 'shi',
 'lv',
 'you',
 'sheng',
 'di',
 '！']

# 繁體轉爲簡體
s = SnowNLP(u'「繁體字」「繁體中文」的叫法在臺灣亦很常見。')
s.han

'「繁體字」「繁體中文」的叫法在臺灣亦很常見。'

# 自動摘要
text = u'''自然語言處理是計算機科學領域與人工智能領域中的一個重要方向。它研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法。自然語言處理是一門融語言學、計算機科學、數學於一體的科學。因此，這一領域的研究將涉及自然語言，即人們日常使用的語言，所以它與語言學的研究有着密切的聯繫，但又有重要的區別。自然語言處理並不是一般地研究自然語言，而在於研製能有效地實現自然語言通信的計算機系統，特別是其中的軟件系統。因而它是計算機科學的一部分。
'''
s = SnowNLP(text)
s.summary(5)

['因而它是計算機科學的一部分',
 '自然語言處理是計算機科學領域與人工智能領域中的一個重要方向',
 '自然語言處理是一門融語言學、計算機科學、數學於一體的科學',
 '所以它與語言學的研究有着密切的聯繫',
 '這一領域的研究將涉及自然語言']

# 計算BM2.5 相似性
s = SnowNLP([[u'這篇', u'文章',u'非常好'],
             [u'那篇', u'文章',u'一般般'],
             [u'這個']])
#s.tf
s.idf
s.sim([u'這篇', u'文章',u'非常好'])# [0.3756070762985226, 0, 0]

[0.45263029953948547, -0.45263029953948547, 0]

參考《文本相似度-bm25算法原理及實現》
BM25是通過q和s中的公共詞彙進行相似度計算的算法,BM25算法的相關性得分公式可總結爲：

本篇博客自己寫了一個bm2.5實現的軟件。
.

二、thulac

來源：https://github.com/thunlp/THULAC-Python

設置比較一般，內容也可能不夠多樣性。不過有:c++ java so，僅處理UTF8編碼中文文本，之後會逐漸增加支持其他編碼的功能，敬請期待，也有三個版本的分詞模型：

（1）簡單的分詞模型Model_1，僅支持分詞功能。該模型由人民日報分詞語料庫訓練得到。
（2）分詞和詞性標註聯合模型Model_2，支持同時分詞和詞性標註功能。該模型由人民日報分詞和詞性標註語料庫訓練得到。
（3）我們還提供更復雜、完善和精確的分詞和詞性標註聯合模型Model_3和分詞詞表。該模型是由多語料聯合訓練訓練得到（語料包括來自多文體的標註文本和人民日報標註文本等）。由於模型較大，如有機構或個人需要，通過審覈後我們會將相關資源發送給聯繫人。

thulac(user_dict=None, model_path=None, T2S=False, seg_only=False, filt=False, deli='_')初始化程序，進行自定義設置

user_dict 設置用戶詞典，用戶詞典中的詞會被打上uw標籤。詞典中每一個詞一行，UTF8編碼
T2S 默認False, 是否將句子從繁體轉化爲簡體
seg_only 默認False, 時候只進行分詞，不進行詞性標註
filt 默認False, 是否使用過濾器去除一些沒有意義的詞語，例如“可以”。
model_path 設置模型文件所在文件夾，默認爲models/
deli 默認爲‘_’, 設置詞與詞性之間的分隔符
rm_space 默認爲True, 是否去掉原文本中的空格後再進行分詞

初始化設置

thulac(user_dict=None, model_path=None, T2S=False, seg_only=False, filt=False, deli=’_’)

分詞結果

cut(文本, text=False) 對一句話進行分詞
cut_f(輸入文件, 輸出文件) 對文件進行分詞
cut和cut_f

命令行模式

python -m thulac input.txt output.txt

從input.txt讀入，並將分詞和詞性標註結果輸出到ouptut.txt中
如果只需要分詞功能，可在增加參數”seg_only”
python -m thulac input.txt output.txt seg_only

詞性解釋

n/名詞 np/人名 ns/地名 ni/機構名 nz/其它專名
m/數詞 q/量詞 mq/數量詞 t/時間詞 f/方位詞 s/處所詞
v/動詞 a/形容詞 d/副詞 h/前接成分 k/後接成分
i/習語 j/簡稱 r/代詞 c/連詞 p/介詞 u/助詞 y/語氣助詞
e/嘆詞 o/擬聲詞 g/語素 w/標點 x/其它

thu1 = thulac.thulac(model_path = '/usr/local/lib/python3.5/dist-packages/thulac/models')  #默認模式
text = thu1.cut("杭州西湖風景很好，是旅遊勝地！", text=False)  #進行一句話分詞
print(text)

Model loaded succeed
[['杭州', 'ns'], ['西湖', 'ns'], ['風景', 'n'], ['很', 'd'], ['好', 'a'], ['，', 'w'], ['是', 'v'], ['旅遊', 'v'], ['勝地', 'n'], ['！', 'w']]

# 與Jieba對比一下
import jieba
seg_list = jieba.cut("杭州西湖風景很好，是旅遊勝地！",
                     cut_all=False)
print("Full Mode: " + "/ ".join(seg_list))  # 全模式

Full Mode: 杭州/ 西湖/ 風景/ 很/ 好/ ，/ 是/ 旅遊勝地/ ！

三、pynlpir

文檔地址：http://pynlpir.readthedocs.io/en/latest/tutorial.html

加載之後就遇到了報錯：

RuntimeError: NLPIR function ‘NLPIR_Init’ failed.

問題提問地址：https://github.com/tsroten/pynlpir/issues/57
解決辦法就是更換license:
https://github.com/NLPIR-team/NLPIR/tree/master/License

License 這是授權文件夾，存放了十一個組件的授權文件 license for 7 days: 授權期限爲7天 license for one month: 授權期限爲一個月。
也就是說，要不斷更新license，開源的真不徹底，之後就沒嘗試其中的功能了。

import pynlpir
s = 'NLPIR分詞系統前身爲2000年發佈的ICTCLAS詞法分析系統，從2009年開始，爲了和以前工作進行大的區隔，並推廣NLPIR自然語言處理與信息檢索共享平臺，調整命名爲NLPIR分詞系統。'
pynlpir.segment(s)

四、CoreNLP3.8.0——多功能

github:https://github.com/Lynten/stanford-corenlp

分詞、詞性標註(Part-Of-Speech tag, POS-tag)、命名實體識別(Named Entity Recognition, NER)、句法分析(Syntactic Parse)等各項 NLP 領域的功能。
stanfordcorenlp是一個對Stanford CoreNLP進行了封裝的Python工具包，GitHub地址，使用非常方便。

4.1安裝（Ubuntu）

依賴，需求：
1.Java 1.8+ (Check with command: java -version)
2.Stanford CoreNLP 3.8.0（主模塊，.rar的解壓包，安裝路徑）
3.語言模型，這裏是中文模型，安裝路徑），其他還有的語言有：
阿拉伯語、漢語、英語、法語、德語、西班牙語（5大類，.jar格式）

下載完，解壓Stanford CoreNLP 3.8.0，然後把語言模型放在解壓目錄下就ok了！！

# sudo pip install stanfordcorenlp

簡單使用，記得參數lang=’zh’

from stanfordcorenlp import StanfordCoreNLP
nlp = StanfordCoreNLP(r'/home/gld/stanford-corenlp-full-2016-10-31/', lang='zh')
sentence = '清華大學位於北京。'
print nlp.word_tokenize(sentence)
print nlp.pos_tag(sentence)
print nlp.ner(sentence)
print nlp.parse(sentence)
print nlp.dependency_parse(sentence)

輸出：

[清華, 大學, 位於, 北京, 。]
[(清華, NR), (大學, NN), (位於, VV), (北京, NR), (。, PU)]
[(清華, ORGANIZATION), (大學, ORGANIZATION), (位於, O), (北京, GPE), (。, O)]
...

4.2案例：

from stanfordcorenlp import StanfordCoreNLP
nlp = StanfordCoreNLP(r'/.../corenlp/stanford-corenlp-full-2017-06-09/', lang='zh')

lang=’zh’代表中文，然後就會自動去搜索中文的語言模型的.jar文件。

sentence =  '元芳你怎麼看？我就趴窗口上看唄！'
print ('Tokenize:', nlp.word_tokenize(sentence))
print ('Part of Speech:', nlp.pos_tag(sentence))
print ('Named Entities:', nlp.ner(sentence))
print ('Constituency Parsing:', nlp.parse(sentence))
print ('Dependency Parsing:', nlp.dependency_parse(sentence))

現在這個版本非常簡潔，比用ltp要好不少，不過從筆者自己的實踐來看，分詞模塊還只是一般，而且沒看到有可以新加入詞典，畢竟不是本土研究機構。

現在的輸出結果如下：

Tokenize: ['元芳', '你', '怎麼', '看', '？', '我', '就', '趴', '窗口', '上看唄', '！']
Part of Speech: [('元芳', 'NR'), ('你', 'PN'), ('怎麼', 'AD'), ('看', 'VV'), ('？', 'PU'), ('我', 'PN'), ('就', 'AD'), ('趴', 'VV'), ('窗口', 'NN'), ('上看唄', 'NN'), ('！', 'PU')]
Named Entities: [('元芳', 'O'), ('你', 'O'), ('怎麼', 'O'), ('看', 'O'), ('？', 'O'), ('我', 'O'), ('就', 'O'), ('趴', 'O'), ('窗口', 'O'), ('上看唄', 'O'), ('！', 'O')]
Constituency Parsing: (ROOT
  (IP
    (IP
      (NP (NR 元芳))
      (IP
        (NP (PN 你))
        (VP
          (ADVP (AD 怎麼))
          (VP (VV 看))))
      (PU ？))
    (NP (PN 我))
    (VP
      (ADVP (AD 就))
      (VP (VV 趴)
        (NP (NN 窗口) (NN 上看唄))))
    (PU ！)))
Dependency Parsing: [('ROOT', 0, 4), ('nmod:topic', 4, 1), ('nsubj', 4, 2), ('advmod', 4, 3), ('punct', 4, 5), ('nsubj', 8, 6), ('advmod', 8, 7), ('conj', 4, 8), ('compound:nn', 10, 9), ('dobj', 8, 10), ('punct', 4, 11)]

貼一下之前版本的一些實驗結果圖：

Stanford CoreNLP提供了一個商用Python wrapper：
https://github.com/Wordseer/stanford-corenlp-python

4.3 詞性、句法分析、依存關係的符號解釋

（來源：Stanford Parser的使用——進行詞法語法分析）

詞性解釋

CC: conjunction, coordinatin 表示連詞
CD: numeral, cardinal 表示基數詞
DT: determiner 表示限定詞
EX: existential there 存在句
FW: foreign word 外來詞
IN: preposition or conjunction, subordinating 介詞或從屬連詞
JJ: adjective or numeral, ordinal 形容詞或序數詞
JJR: adjective, comparative 形容詞比較級
JJS: adjective, superlative 形容詞最高級
LS: list item marker 列表標識
MD: modal auxiliary 情態助動詞
NN: noun, common, singular or mass
NNS: noun, common, plural
NNP: noun, proper, singular
NNPS: noun, proper, plural
PDT: pre-determiner 前位限定詞
POS: genitive marker 所有格標記
PRP: pronoun, personal 人稱代詞
PRP:pronoun,possessive所有格代詞RB:adverb副詞RBR:adverb,comparative副詞比較級RBS:adverb,superlative副詞最高級RP:particle小品詞SYM:symbol符號TO:”to”asprepositionorinfinitivemarker作爲介詞或不定式標記UH:interjection插入語VB:verb,baseformVBD:verb,pasttenseVBG:verb,presentparticipleorgerundVBN:verb,pastparticipleVBP:verb,presenttense,not3rdpersonsingularVBZ:verb,presenttense,3rdpersonsingularWDT:WH−determinerWH限定詞WP:WH−pronounWH代詞WP: WH-pronoun, possessive WH所有格代詞
WRB:Wh-adverb WH副詞

句法分析（句法樹）

ROOT：要處理文本的語句
IP：簡單從句
NP：名詞短語
VP：動詞短語
PU：斷句符，通常是句號、問號、感嘆號等標點符號
LCP：方位詞短語
PP：介詞短語
CP：由‘的’構成的表示修飾性關係的短語
DNP：由‘的’構成的表示所屬關係的短語
ADVP：副詞短語
ADJP：形容詞短語
DP：限定詞短語
QP：量詞短語
NN：常用名詞
NR：固有名詞：表示僅適用於該項事物的名詞，含地名，人名，國名，書名，團體名稱以及一事件的名稱等。
NT：時間名詞
PN：代詞
VV：動詞
VC：是
CC：表示連詞
VE：有
VA：表語形容詞
AS：內容標記（如：了）
VRD：動補複合詞
CD: 表示基數詞
DT: determiner 表示限定詞
EX: existential there 存在句
FW: foreign word 外來詞
IN: preposition or conjunction, subordinating 介詞或從屬連詞
JJ: adjective or numeral, ordinal 形容詞或序數詞
JJR: adjective, comparative 形容詞比較級
JJS: adjective, superlative 形容詞最高級
LS: list item marker 列表標識
MD: modal auxiliary 情態助動詞
PDT: pre-determiner 前位限定詞
POS: genitive marker 所有格標記
PRP: pronoun, personal 人稱代詞
RB: adverb 副詞
RBR: adverb, comparative 副詞比較級
RBS: adverb, superlative 副詞最高級
RP: particle 小品詞
SYM: symbol 符號
TO:”to” as preposition or infinitive marker 作爲介詞或不定式標記
WDT: WH-determiner WH限定詞
WP: WH-pronoun WH代詞
WP$: WH-pronoun, possessive WH所有格代詞
WRB:Wh-adverb WH副詞

關係表示

abbrev: abbreviation modifier，縮寫
acomp: adjectival complement，形容詞的補充；
advcl : adverbial clause modifier，狀語從句修飾詞
advmod: adverbial modifier狀語
agent: agent，代理，一般有by的時候會出現這個
amod: adjectival modifier形容詞
appos: appositional modifier,同位詞
attr: attributive，屬性
aux: auxiliary，非主要動詞和助詞，如BE,HAVE SHOULD/COULD等到
auxpass: passive auxiliary 被動詞
cc: coordination，並列關係，一般取第一個詞
ccomp: clausal complement從句補充
complm: complementizer，引導從句的詞好重聚中的主要動詞
conj : conjunct，連接兩個並列的詞。
cop: copula。系動詞（如be,seem,appear等），（命題主詞與謂詞間的）連繫
csubj : clausal subject，從主關係
csubjpass: clausal passive subject 主從被動關係
dep: dependent依賴關係
det: determiner決定詞，如冠詞等
dobj : direct object直接賓語
expl: expletive，主要是抓取there
infmod: infinitival modifier，動詞不定式
iobj : indirect object，非直接賓語，也就是所以的間接賓語；
mark: marker，主要出現在有“that” or “whether”“because”, “when”,
mwe: multi-word expression，多個詞的表示
neg: negation modifier否定詞
nn: noun compound modifier名詞組合形式
npadvmod: noun phrase as adverbial modifier名詞作狀語
nsubj : nominal subject，名詞主語
nsubjpass: passive nominal subject，被動的名詞主語
num: numeric modifier，數值修飾
number: element of compound number，組合數字
parataxis: parataxis: parataxis，並列關係
partmod: participial modifier動詞形式的修飾
pcomp: prepositional complement，介詞補充
pobj : object of a preposition，介詞的賓語
poss: possession modifier，所有形式，所有格，所屬
possessive: possessive modifier，這個表示所有者和那個’S的關係
preconj : preconjunct，常常是出現在 “either”, “both”, “neither”的情況下
predet: predeterminer，前綴決定，常常是表示所有
prep: prepositional modifier
prepc: prepositional clausal modifier
prt: phrasal verb particle，動詞短語
punct: punctuation，這個很少見，但是保留下來了，結果當中不會出現這個
purpcl : purpose clause modifier，目的從句
quantmod: quantifier phrase modifier，數量短語
rcmod: relative clause modifier相關關係
ref : referent，指示物，指代
rel : relative
root: root，最重要的詞，從它開始，根節點
tmod: temporal modifier
xcomp: open clausal complement
xsubj : controlling subject 掌控者

參考：

使用Stanford CoreNLP的Python封裝包處理中文（分詞、詞性標註…
乾貨！詳述Python NLTK下如何使用stanford NLP工具包
.

五、 pyltp

“語言云” 以哈工大社會計算與信息檢索研究中心研發的 “語言技術平臺（LTP）” 爲基礎，爲用戶提供高效精準的中文自然語言處理雲服務。
pyltp 是 LTP 的 Python 封裝，提供了分詞，詞性標註，命名實體識別，依存句法分析，語義角色標註的功能。

技術文檔：http://pyltp.readthedocs.io/zh_CN/latest/api.html#id15
介紹文檔：https://www.ltp-cloud.com/intro/#introduction
介紹文檔：http://ltp.readthedocs.io/zh_CN/latest/appendix.html#id5

需要先載入他們訓練好的模型，下載地址

1.分詞

# -*- coding: utf-8 -*-
from pyltp import SentenceSplitter
sents = SentenceSplitter.split('元芳你怎麼看？我就趴窗口上看唄！')  # 分句
print '\n'.join(sents)
im
port os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目錄的路徑
cws_model_path = os.path.join(LTP_DATA_DIR, 'cws.model')  # 分詞模型路徑，模型名稱爲`cws.model`

from pyltp import Segmentor
segmentor = Segmentor()  # 初始化實例
segmentor.load(cws_model_path)  # 加載模型
words = segmentor.segment('元芳你怎麼看')  # 分詞
print '\t'.join(words)
segmentor.release()  # 釋放模型

SentenceSplitter分句子，把段落拆分成句子；segmentor.segment分詞

如果要使用外部詞典，需要，加載模型的時候，指定新的字典集：

segmentor = Segmentor()  # 初始化實例
segmentor.load_with_lexicon(cws_model_path, '/path/to/your/lexicon') # 加載模型，第二個參數是您的外部詞典文件路徑

2.詞性標註

import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目錄的路徑
pos_model_path = os.path.join(LTP_DATA_DIR, 'pos.model')  # 詞性標註模型路徑，模型名稱爲`pos.model`

from pyltp import Postagger
postagger = Postagger() # 初始化實例
postagger.load(pos_model_path)  # 加載模型

words = ['元芳', '你', '怎麼', '看']  # 分詞結果
postags = postagger.postag(words)  # 詞性標註

print '\t'.join(postags)
postagger.release()  # 釋放模型

3.命名實體識別

# -*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目錄的路徑
ner_model_path = os.path.join(LTP_DATA_DIR, 'ner.model')  # 命名實體識別模型路徑，模型名稱爲`pos.model`

from pyltp import NamedEntityRecognizer
recognizer = NamedEntityRecognizer() # 初始化實例
recognizer.load(ner_model_path)  # 加載模型

words = ['元芳', '你', '怎麼', '看']
postags = ['nh', 'r', 'r', 'v']
netags = recognizer.recognize(words, postags)  # 命名實體識別

print '\t'.join(netags)
recognizer.release()  # 釋放模型

4.依存句法分析

依存語法 (Dependency Parsing, DP) 通過分析語言單位內成分之間的依存關係揭示其句法結構。直觀來講，依存句法分析識別句子中的“主謂賓”、“定狀補”這些語法成分，並分析各成分之間的關系。

# -*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目錄的路徑
par_model_path = os.path.join(LTP_DATA_DIR, 'parser.model')  # 依存句法分析模型路徑，模型名稱爲`parser.model`

from pyltp import Parser
parser = Parser() # 初始化實例
parser.load(par_model_path)  # 加載模型

words = ['元芳', '你', '怎麼', '看']
postags = ['nh', 'r', 'r', 'v']
arcs = parser.parse(words, postags)  # 句法分析

print "\t".join("%d:%s" % (arc.head, arc.relation) for arc in arcs)
parser.release()  # 釋放模型

words 和 postags 分別爲分詞和詞性標註的結果。輸出結果：

4:SBV       4:SBV   4:ADV   0:HED

arc.head 表示依存弧的父節點詞的索引。ROOT節點的索引是0，第一個詞開始的索引依次爲1、2、3…
arc.relation 表示依存弧的關係。
arc.head 表示依存弧的父節點詞的索引，arc.relation 表示依存弧的關係。
每個詞的符號具體含義（可見文檔）

5.語義角色分析

語義角色標註 (Semantic Role Labeling, SRL) 是一種淺層的語義分析技術，標註句子中某些短語爲給定謂詞的論元 (語義角色) ，如施事、受事、時間和地點等。其能夠對問答系統、信息抽取和機器翻譯等應用產生推動作用。

# -*- coding: utf-8 -*-
import os
LTP_DATA_DIR = '/path/to/your/ltp_data'  # ltp模型目錄的路徑
srl_model_path = os.path.join(LTP_DATA_DIR, 'srl')  # 語義角色標註模型目錄路徑，模型目錄爲`srl`。注意該模型路徑是一個目錄，而不是一個文件。

from pyltp import SementicRoleLabeller
labeller = SementicRoleLabeller() # 初始化實例
labeller.load(srl_model_path)  # 加載模型

words = ['元芳', '你', '怎麼', '看']
postags = ['nh', 'r', 'r', 'v']
netags = ['S-Nh', 'O', 'O', 'O']
# arcs 使用依存句法分析的結果
roles = labeller.label(words, postags, netags, arcs)  # 語義角色標註

# 打印結果
for role in roles:
    print role.index, "".join(
        ["%s:(%d,%d)" % (arg.name, arg.range.start, arg.range.end) for arg in role.arguments])
labeller.release()  # 釋放模型

arg.name 表示語義角色關係，arg.range.start 表示起始詞位置，arg.range.end 表示結束位置。
結果如下

3 A0:(0,0)A0:(1,1)ADV:(2,2)

第一個詞開始的索引依次爲0、1、2…
由於結果輸出一行，所以“元芳你怎麼看”有一組語義角色。
其謂詞索引爲3，即“看”。
這個謂詞有三個語義角色，範圍分別是(0,0)即“元芳”，(1,1)即“你”，(2,2)即“怎麼”，類型分別是A0、A0、ADV。
核心的語義角色爲 A0-5 六種，A0 通常表示動作的施事，A1通常表示動作的影響等，A2-5 根據謂語動詞不同會有不同的語義含義。其餘的15個語義角色爲附加語義角色，如LOC 表示地點，TMP 表示時間等。附加語義角色列表如下：

原文：https://blog.csdn.net/sinat_26917383/article/details/77067515

python︱六款中文分詞模塊嘗試:jieba、THULAC、SnowNLP、pynlpir、CoreNLP、pyLTP

THULAC

一、SnowNLP

二、thulac

初始化設置

分詞結果

命令行模式

詞性解釋

三、pynlpir

四、CoreNLP3.8.0——多功能

4.1安裝（Ubuntu）

4.2案例：

貼一下之前版本的一些實驗結果圖：

4.3 詞性、句法分析、依存關係的符號解釋

詞性解釋

句法分析（句法樹）

關係表示

參考：

五、 pyltp

1.分詞

2.詞性標註

3.命名實體識別

4.依存句法分析

5.語義角色分析

修改瀏覽器滾動條樣式（兼容火狐，谷歌)

mysql-connector-java各版本及與mysql、JDK版本的對應

視頻直播m3u8協議以及跨域問題和Videojs加載m3u8視頻彙總

html2canvas以及domtoimage的使用踩坑總結

ArcGIS JS 加載WMTS服務（超圖示例）

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結