基于大连理工大学的情感词汇表的中文情感分析_大连理工大学情感词汇本体库

作者：IT小白 | 2024-04-27 11:04:44

踩

大连理工大学情感词汇本体库

前言

为什么要写这篇文章？
前段时间帮人写了一个这样的小项目，在网上查找资料的过程中，有不少关于该项目的资料，由于各个博主写的代码不尽相同，且没有一个详尽的分析方法，所以我在完成该项目后，想到可以把该项目的分析方法写出来，供大家学习。

> 2021/6/14日更新：最下面有百度网盘的下载链接和提取码。
> 另外我还上传到了gitee，可以直接下载压缩文件在解压，打开项目即可。
1
2

准备工作及环境

工具：pycharm、python 3.8.6
其他：大连理工大学情感词汇本体(excel)、程度副词(excel)、否定词列表(txt)
大连理工大学情感词汇下载地址：https://github.com/ZaneMuir/DLUT-Emotionontology
程度副词采用三个等级：1, 1.5, 2
后续会把项目上传到我的资源，如果没有下载积分可以留邮箱，我可以把整个项目发送过去。

项目分析

相信打开这篇文章的同学对情感分析有一定的了解，这里就简单阐述下中文情感分析的大概思路（基个人思路）：

jieba库进行分词 – > 分词后，一个词一个词分析是否在情感词表中 --> 如果存在，则在该情感词前寻找是否有程度副词和否定词 --> 如果有，则对该情感词进行处理。

情感倾向的数学表达式：
在这里插入图片描述

要点1：一个情感词可能会有不同的情感极性（消极或是积极），例如情感词：八面玲珑。改成语具有褒贬两个不同的情感极性，在有的句子中是褒义，有的却是贬义，那么该情感词如何确定极性呢？这里我引入了K-近邻算法中的思想：

对于这种具有两种不同极性的词语，它的极性由前后各四个情感值的极性来确定，且前四个占比75%，后四个占比25%，得出两个结果之和，在计算该情感值两个极性（一般都是由两个极性构成，且都是数字，例如0（中性），-1（消极））离这个结果的绝对距离的大小，小的则表示该情感词极性更接近该极性，那么就可以确定该极性。
例如前四个结果为2，后四个结果为-1，相加之和：1，该情感词具有两个极性分别为1和-1，算绝对距离为0和2，0<2，所以可以确定该词的极性为中性（0）
为什么这么做？可以这么理解：在一段文字中，所具有的情感大概率是一致的，就比如你在夸奖某个人，即便你夸奖的词语中出现了一个不确定情感的词，那么因为你大篇幅都是在夸奖ta，所以你这个词大概率也是在夸奖（积极的）他，而不是在阴阳怪气（消极的）。

要点2：双重否定为肯定，或者换个说法：奇数个否定词为否定，偶数个否定词为肯定。所以在计算否定词的时候，不是直接赋值为-1，而是要根据否定词的个数来，所以应该是 W₃ *= -1

整个项目代码

import jieba
import re
import math
from openpyxl import load_workbook


negative_file = '否定词.txt'
adv_file = '程度副词.xlsx'
emotional_file = '情感词汇本体.xlsx'
test_file = '测试文章.txt'

alpha = 0.75   # 不确定的情感值极性前后判断因素的比例，默认为0.75

'''
判断情感词极性，传入参数：情感词，情感字典
判断依据：情感分为0， 1， -1， 3，分别表示：中性，积极，消极，褒(积)贬(消)不一四种
1、若一个情感词有两种相同的极性，例如都是1，或者-1,0，那么情感值由第一个[强度，极性]确定
2、若一个情感词有两种相同的极性且都是3，那么该情感值的极性由该情感词前0-4个的情感值极性*0.75(可以修改前后比重), 后0-4个情感值极性*0.25的和共同确定，计算只包括0,1,-1。
    最后结果根据离-1，0,1这三个数的绝对距离确定
3、若一个情感词前后极性不同，那么该情感值的极性同上。
4、若只有一个情感词，则直接返回该数值即可

'''
def anaysisPolarity(word, dict_of_emtion):
    str1 = dict_of_emtion[word][0][0]  # 第一个强度
    plo1 = dict_of_emtion[word][0][1]  # 第一个极性
    if len(dict_of_emtion[word]) > 1:   # 若有两个极性
        str2 = dict_of_emtion[word][1][0]
        plo2 = dict_of_emtion[word][1][1]
        if plo1 == plo2 and plo1 in [-1, 0, 1]:  # 判断依据1
            return [[str1, plo1]]            #  返回第一个强度，极性
        elif (plo1 == plo2 and plo1 == 3) or (plo1 != plo2):  # 判断依据2,3
            return [[str1, plo1], [str2, plo2]]         # 两个都返回
    else:
        return [[str1, plo1]]

'''传入参数：文段，情感字典，副词字典，否定词列表'''

def analysisWords(words, dict_of_emtion, dict_of_adv, list_of_negative, par_W):
    for word in words:
        if word in dict_of_emtion.keys():  # 如果这个词在情感词中，则进行分析
            w3 = 1  # 默认没有否定词
            w4 = 1  # 默认副词为没有，也就是弱，为1
            w1w2 = anaysisPolarity(word, dict_of_emtion)  # 判断极性
            for num in range(1, words.index(word)):
                index = words.index(word) - num
                index_w = words[index]  # 当前下标表示的词语
                if index_w == '，':
                    break
                else:
                    if index_w in list_of_negative:  # 如果在否定词列表中
                        w3 *= -1  # 找到了否定词，置为-1
                    if index_w in dict_of_adv.keys():
                        w4 = dict_of_adv[index_w]  # 副词
            try:
                par_W.append([w1w2, w3, w4])
            except Exception as e:
                print("错误:", e)

def main():
    '''读取情感词汇到字典'''
    wb = load_workbook(emotional_file)
    ws = wb[wb.sheetnames[0]]  # 读取第一个sheet
    dict_of_emtion = {}
    for i in range(2, ws.max_row):
        word = ws['A' + str(i)].value
        strength = ws['F' + str(i)].value  # 一个强度
        polarity = ws['G' + str(i)].value  # 一个极性
        if polarity == 2:
            polarity = -1
        assist = ws['H' + str(i)].value  # 辅助情感分类
        if word not in dict_of_emtion.keys():
            dict_of_emtion[word] = list([[strength, polarity]])
        else:
            dict_of_emtion[word].append([strength, polarity])  # 添加二义性的感情词
        if assist != None:
            str2 = ws['I' + str(i)].value
            pola2 = ws['J' + str(i)].value
            if pola2 == 2:
                pola2 = -1
            dict_of_emtion[word].append([str2, pola2])

    '''读取程度副词副字典'''
    dict_of_adv = {}
    wb = load_workbook(adv_file)
    ws = wb[wb.sheetnames[0]]
    for i in range(2, ws.max_row):
        dict_of_adv[ws['A' + str(i)].value] = ws['B' + str(i)].value
    '''读取否定词列表'''
    list_of_negative = []
    with open(negative_file, "r", encoding='utf-8') as f:
        temps = f.readlines()
    for temp in temps:
        list_of_negative.append(temp.replace("\n", ""))

    para_W = []  # W1*W2*W3*W4参数的值
    with open(test_file, 'r', encoding="utf-8") as f:
        txt = f.readlines()
    for info in txt:
        article = re.findall(r'[^。！？\s]+', info)  # 一句一句分析
        if len(article) != 0:
            for par in article:
                words = jieba.lcut(par)  # 一句一句分词
                analysisWords(words, dict_of_emtion, dict_of_adv, list_of_negative, para_W)
    new_para_W = {}
    index = 1  # 情感参数的数量
    for x in para_W:  # 将只有一个情感极值的列表合并
        if len(x[0]) == 1:
            w = x[0][0][0] * x[0][0][1]
            for numx in x[1:]:
                w *= numx
            new_para_W[index] = w
        else:
            new_para_W[index] = x
        index += 1
    for i in range(1, len(new_para_W) + 1):
        if type(new_para_W[i]) == list:  # 如果该情感值是未计算的
            temp_result = 0
            k = i-1 if i-1 != 0 else i
            index = 1
            while index <= 4:  #  计算0-4个的值
                if type(new_para_W[k]) != list:
                    temp_result += new_para_W[k] * alpha   # 当前值乘以alaph
                else:
                    temp_result += new_para_W[k][0][0][1] * alpha  #如果没有，则默认为第一个极性
                k -= 1
                index += 1
                if k <= 0:
                    break
            k = i + 1 if i+1 < len(new_para_W) else i  #  计算后四个的值
            index = 1
            while index <= 4:
                if type(new_para_W[k]) != list and new_para_W[k] != 3:  # 只考虑后面
                    temp_result += new_para_W[k] * (1-alpha)
                k += 1
                index += 1
                if k > len(new_para_W):  # 如果超出了最长长度，后面则不考虑计算
                    break
            w2 = distance_of_num(temp_result, new_para_W[i][0][0][1], new_para_W[i][0][1][1])  # 求出w2
            dict_of_str_plo = {}  # 存放极值---强度的字典
            str1 = new_para_W[i][0][0][0]
            plo1 = w2 if new_para_W[i][0][0][1] == 3 else new_para_W[i][0][0][1]  # 将褒贬不一的置为求出的局部感情极值
            str2 = new_para_W[i][0][1][0]
            plo2 = w2 if new_para_W[i][0][1][1] == 3 else new_para_W[i][0][1][1]
            dict_of_str_plo[plo2] = str2
            dict_of_str_plo[plo1] = str1
            if w2 == 0:
                new_para_W[i] = 0
            else:
                try:
                    new_para_W[i] = dict_of_str_plo[w2] * new_para_W[i][1] * new_para_W[i][2]
                except Exception as e:
                    print("错误：", e)
    molecular = 0   # 分子
    denominator = 0  # 分母
    for value in new_para_W.values():
        molecular += value
        denominator += math.fabs(value)
    if denominator == 0:
        print("情感倾向 = 0.00")
    else:
        print("情感倾向 = %.4f" % (molecular / denominator))

def distance_of_num(result, x1, x2):
    num1 = math.fabs(result - x1)
    num2 = math.fabs(result - x2)
    if num1 > num2:
        return x2
    else:
        return x1


if __name__ == '__main__':
    main()

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175

文章测试

这里随便找一篇文章进行测试：https://baijiahao.baidu.com/s?id=1698154205016909657&wfr=spider&for=pc
在这里插入图片描述
可以观察到改文章比较偏消极，本人直观上也感受到改文章偏负面多一点。
另一篇文章：https://www.xcar.com.cn/bbs/viewthread.php?tid=96468962

其他

否定次txt文本：

不大
不丁点儿
不甚
不怎么
聊
没怎么
不可以
怎么不
几乎不
从来不
从不
不用
不曾
不该
不必
不会
不好
不能
很少
极少
没有
不是
难以
放下
扼杀
终止
停止
放弃
反对
缺乏
缺少
不
甭
勿
别
未
反
没
否
木有
非
无
请勿
无须
并非
毫无
决不
休想
永不
不要
未尝
未曾
毋
莫
从未
从未有过
尚未
一无
并未
尚无
从没
绝非
远非
切莫
绝不
毫不
禁止
忌
拒绝
杜绝
弗

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72

程度副词excel数据，可以先复制到txt，在excel内通过“数据”导入到excel内：

词语	强弱程度
百分之百	2
倍加	2
备至	2
不得了	2
不堪	2
不可开交	2
不亦乐乎	2
不折不扣	2
彻头彻尾	2
充分	2
到头	2
地地道道	2
非常	2
极	2
极度	2
极端	2
极其	2
极为	2
截然	2
尽	2
惊人地	2
绝	2
绝顶	2
绝对	2
绝对化	2
刻骨	2
酷	2
满	2
满贯	2
满心	2
莫大	2
奇	2
入骨	2
甚为	2
十二分	2
十分	2
十足	2
死	2
滔天	2
痛	2
透	2
完全	2
完完全全	2
万	2
万般	2
万分	2
万万	2
无比	2
无度	2
无可估量	2
无以复加	2
无以伦比	2
要命	2
要死	2
已极	2
已甚	2
异常	2
逾常	2
贼	2
之极	2
之至	2
至极	2
卓绝	2
最为	2
佼佼	2
郅	2
綦	2
齁	2
最	2
不过	1.5
不少	1.5
不胜	1.5
惨	1.5
沉	1.5
沉沉	1.5
出奇	1.5
大为	1.5
多	1.5
多多	1.5
多加	1.5
多么	1.5
分外	1.5
格外	1.5
够瞧的	1.5
够戗	1.5
好	1.5
好不	1.5
何等	1.5
很	1.5
很是	1.5
坏	1.5
可	1.5
老	1.5
老大	1.5
良	1.5
颇	1.5
颇为	1.5
甚	1.5
实在	1.5
太	1.5
太甚	1.5
特	1.5
特别	1.5
尤	1.5
尤其	1.5
尤为	1.5
尤以	1.5
远	1.5
着实	1.5
曷	1.5
碜	1.5
大不了	1
多	1
更	1
更加	1
更进一步	1
更为	1
还	1
还要	1
较	1
较比	1
较为	1
进一步	1
那般	1
那么	1
那样	1
强	1
如斯	1
益	1
益发	1
尤甚	1
逾	1
愈	1
愈 ... 愈	1
愈发	1
愈加	1
愈来愈	1
愈益	1
远远	1
越 ... 越	1
越发	1
越加	1
越来越	1
越是	1
这般	1
这样	1
足	1
足足	1
点点滴滴	1
多多少少	1
怪	1
好生	1
还	1
或多或少	1
略	1
略加	1
略略	1
略微	1
略为	1
蛮	1
稍	1
稍稍	1
稍微	1
稍为	1
稍许	1
挺	1
未免	1
相当	1
些	1
些微	1
些小	1
一点	1
一点儿	1
一些	1
有点	1
有点儿	1
有些	1
半点	1
不大	1
不丁点儿	1
不甚	1
不怎么	1
聊	1
没怎么	1
轻度	1
弱	1
丝毫	1
微	1
相对	1
不为过	1.5
超	1.5
超额	1.5
超外差	1.5
超微结构	1.5
超物质	1.5
出头	1.5
多	1.5
浮	1.5
过	1.5
过度	1.5
过分	1.5
过火	1.5
过劲	1.5
过了头	1.5
过猛	1.5
过热	1.5
过甚	1.5
过头	1.5
过于	1.5
过逾	1.5
何止	1.5
何啻	1.5
开外	1.5
苦	1.5
老	1.5
偏	1.5
强	1.5
溢	1.5
忒	1.5

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221

有不足之处欢迎指出。

有时候不能及时通过邮件发送，所以我特意上传到百度网盘了，有需要的小伙伴可以直接下载：
链接: https://pan.baidu.com/s/1TwvgGze_LBzh8DX4Gh13rA
提取码: nkdx
1m多大小，普通用户一分钟也能下载完。

懒的用百度网盘的可以选择从gitee下载：
https://gitee.com/russianready/Sentiment-Analysis

第三次更新：2021/11/8
本次更新，将原先的代码进行了扩展，有的小伙伴可能需要对大量不同的数据进行批次处理，那么使用本代码的话，会极其麻烦，所以我修改了源代码，可以满足上述要求：

import jieba
import re
import math

import openpyxl
from openpyxl import load_workbook


negative_file = '否定词.txt'
adv_file = '程度副词.xlsx'
emotional_file = '情感词汇本体.xlsx'
test_file = '测试文章.txt'

dict_of_emtion = {} # 情感词
dict_of_adv = {}    # 副词
list_of_negative = []  # 否定词列表
alpha = 0.75   # 不确定的情感值极性前后判断因素的比例，默认为0.75

'''
判断情感词极性，传入参数：情感词，情感字典
判断依据：情感分为0， 1， -1， 3，分别表示：中性，积极，消极，褒(积)贬(消)不一四种
1、若一个情感词有两种相同的极性，例如都是1，或者-1,0，那么情感值由第一个[强度，极性]确定
2、若一个情感词有两种相同的极性且都是3，那么该情感值的极性由该情感词前0-4个的情感值极性*0.75(可以修改前后比重), 后0-4个情感值极性*0.25的和共同确定，计算只包括0,1,-1。
    最后结果根据离-1，0,1这三个数的绝对距离确定
3、若一个情感词前后极性不同，那么该情感值的极性同上。
4、若只有一个情感词，则直接返回该数值即可
'''

def anaysisPolarity(word, dict_of_emtion):
    str1 = dict_of_emtion[word][0][0]  # 第一个强度
    plo1 = dict_of_emtion[word][0][1]  # 第一个极性
    if len(dict_of_emtion[word]) > 1:   # 若有两个极性
        str2 = dict_of_emtion[word][1][0]
        plo2 = dict_of_emtion[word][1][1]
        if plo1 == plo2 and plo1 in [-1, 0, 1]:  # 判断依据1
            return [[str1, plo1]]            #  返回第一个强度，极性
        elif (plo1 == plo2 and plo1 == 3) or (plo1 != plo2):  # 判断依据2,3
            return [[str1, plo1], [str2, plo2]]         # 两个都返回
    else:
        return [[str1, plo1]]


'''传入参数：文段，情感字典，副词字典，否定词列表'''
def analysisWords(words, dict_of_emtion, dict_of_adv, list_of_negative, par_W):
    for word in words:
        if word in dict_of_emtion.keys():  # 如果这个词在情感词中，则进行分析
            w3 = 1  # 默认没有否定词
            w4 = 1  # 默认副词为没有，也就是弱，为1
            w1w2 = anaysisPolarity(word, dict_of_emtion)  # 判断极性
            for num in range(1, words.index(word)):
                index = words.index(word) - num
                index_w = words[index]  # 当前下标表示的词语
                if index_w == '，':
                    break
                else:
                    if index_w in list_of_negative:  # 如果在否定词列表中
                        w3 *= -1  # 找到了否定词，置为-1
                    if index_w in dict_of_adv.keys():
                        w4 = dict_of_adv[index_w]  # 副词
            try:
                par_W.append([w1w2, w3, w4])
            except Exception as e:
                print("错误:", e)


# 处理之前加载各种信息
def load_infos():
	'''读取情感词汇到字典'''
    wb = load_workbook(emotional_file)
    ws = wb[wb.sheetnames[0]]  # 读取第一个sheet
    for i in range(2, ws.max_row):
        word = ws['A' + str(i)].value
        strength = ws['F' + str(i)].value  # 一个强度
        polarity = ws['G' + str(i)].value  # 一个极性
        if polarity == 2:
            polarity = -1
        assist = ws['H' + str(i)].value  # 辅助情感分类
        if word not in dict_of_emtion.keys():
            dict_of_emtion[word] = list([[strength, polarity]])
        else:
            dict_of_emtion[word].append([strength, polarity])  # 添加二义性的感情词
        if assist != None:
            str2 = ws['I' + str(i)].value
            pola2 = ws['J' + str(i)].value
            if pola2 == 2:
                pola2 = -1
            dict_of_emtion[word].append([str2, pola2])

    '''读取程度副词副字典'''
    wb = load_workbook(adv_file)
    ws = wb[wb.sheetnames[0]]
    for i in range(2, ws.max_row):
        dict_of_adv[ws['A' + str(i)].value] = ws['B' + str(i)].value

    '''读取否定词列表'''
    with open(negative_file, "r", encoding='utf-8') as f:
        temps = f.readlines()
    for temp in temps:
        list_of_negative.append(temp.replace("\n", ""))


def distanceOfNum(result, x1, x2):
    num1 = math.fabs(result - x1)
    num2 = math.fabs(result - x2)
    if num1 > num2:
        return x2
    else:
        return x1


def cal_res(txt) -> float:
    para_W = []  # W1*W2*W3*W4参数的值
    article = re.findall(r'[^。！？\s]+', txt)  # 一句一句分析
    if len(article) != 0:
        for par in article:
            words = jieba.lcut(par)  # 一句一句分词
            analysisWords(words, dict_of_emtion, dict_of_adv, list_of_negative, para_W)
    new_para_W = {}
    index = 1  # 情感参数的数量
    for x in para_W:  # 将只有一个情感极值的列表合并
        if len(x[0]) == 1:
            w = x[0][0][0] * x[0][0][1]
            for numx in x[1:]:
                w *= numx
            new_para_W[index] = w
        else:
            new_para_W[index] = x
        index += 1
    for i in range(1, len(new_para_W) + 1):
        if type(new_para_W[i]) == list:  # 如果该情感值是未计算的
            temp_result = 0
            k = i - 1 if i - 1 != 0 else i
            index = 1
            while index <= 4:  # 计算0-4个的值
                if type(new_para_W[k]) != list:
                    temp_result += new_para_W[k] * alpha  # 当前值乘以alaph
                else:
                    temp_result += new_para_W[k][0][0][1] * alpha  # 如果没有，则默认为第一个极性
                k -= 1
                index += 1
                if k <= 0:
                    break
            k = i + 1 if i + 1 < len(new_para_W) else i  # 计算后四个的值
            index = 1
            while index <= 4:
                if type(new_para_W[k]) != list and new_para_W[k] != 3:  # 只考虑后面
                    temp_result += new_para_W[k] * (1 - alpha)
                k += 1
                index += 1
                if k > len(new_para_W):  # 如果超出了最长长度，后面则不考虑计算
                    break
            w2 = distanceOfNum(temp_result, new_para_W[i][0][0][1], new_para_W[i][0][1][1])  # 求出w2
            dict_of_str_plo = {}  # 存放极值---强度的字典
            str1 = new_para_W[i][0][0][0]
            plo1 = w2 if new_para_W[i][0][0][1] == 3 else new_para_W[i][0][0][1]  # 将褒贬不一的置为求出的局部感情极值
            str2 = new_para_W[i][0][1][0]
            plo2 = w2 if new_para_W[i][0][1][1] == 3 else new_para_W[i][0][1][1]
            dict_of_str_plo[plo2] = str2
            dict_of_str_plo[plo1] = str1
            if w2 == 0:
                new_para_W[i] = 0
            else:
                try:
                    new_para_W[i] = dict_of_str_plo[w2] * new_para_W[i][1] * new_para_W[i][2]
                except Exception as e:
                    print("错误：", e)
    molecular = 0  # 分子
    denominator = 0  # 分母
    for value in new_para_W.values():
        molecular += value
        denominator += math.fabs(value)
    if denominator == 0:
        return 0.0
    else:
        return (molecular / denominator)

if __name__ == '__main__':
    load_infos()  # 加载情感处理所需要的词汇信息
    # for txt in txts:
    txt = "在这里修改txt，调用 cal_res 方法即可返回结果。如果是有多个数据，写成for的形式，多次调用即可。"
    res = cal_res(txt)
    print(res)



1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/IT小白/article/detail/496391