import pandas
as pd
import jieba
數據源：http://www.sogou.com/labs/resource/ca.php
df_news
= pd
. read_table
( './data/val.txt' , names
= [ 'category' , 'theme' , 'URL' , 'content' ] , encoding
= 'utf-8' )
df_news
= df_news
. dropna
( )
df_news
. head
( )
categorythemeURLcontent 0汽車 新輝騰 ４．２ Ｖ８ ４座加長Ｉｎｄｉｖｉｄｕａｌ版２０１１款 最新報價 http://auto.data.people.com.cn/model_15782/ 經銷商 電話 試駕／訂車Ｕ憬杭州濱江區江陵路１７８０號４００８－１１２２３３轉５８６４＃保常... 1汽車 ９１８ Ｓｐｙｄｅｒ概念車 http://auto.data.people.com.cn/prdview_165423.... 呼叫熱線 ４００８－１００－３００ 服務郵箱 ｋｆ＠ｐｅｏｐｌｅｄａｉｌｙ．ｃｏｍ．ｃｎ 2汽車 日內瓦亮相 ＭＩＮＩ性能版／概念車－１．６Ｔ引擎 http://auto.data.people.com.cn/news/story_5249... ＭＩＮＩ品牌在二月曾經公布了最新的ＭＩＮＩ新概念車Ｃｌｕｂｖａｎ效果圖，不過現在在日內瓦車展... 3汽車 清倉大甩賣一汽夏利Ｎ５威志Ｖ２低至３．３９萬 http://auto.data.people.com.cn/news/story_6144... 清倉大甩賣！一汽夏利Ｎ５、威志Ｖ２低至３．３９萬＝日，啟新中國一汽強勢推出一汽夏利Ｎ５、威志... 4汽車 大眾敞篷家族新成員 高爾夫敞篷版實拍 http://auto.data.people.com.cn/news/story_5686... 在今年３月的日內瓦車展上，我們見到了高爾夫家族的新成員，高爾夫敞篷版，這款全新敞篷車受到了眾...
df_news
. shape
(5000, 4)
分詞：使用結吧分詞器
content
= df_news
. content
. values
. tolist
( )
print ( content
[ 1000 ] )
阿里巴巴集團昨日宣布，將在集團管理層面設立首席數據官崗位（Ｃｈｉｅｆ Ｄａｔａ Ｏｆｆｉｃｅｒ），阿里巴巴Ｂ２Ｂ公司ＣＥＯ陸兆禧將會出任上述職務，向集團ＣＥＯ馬云直接匯報。＞菹ぃ和６月初的首席風險官職務任命相同，首席數據官亦為阿里巴巴集團在完成與雅虎股權談判，推進“ｏｎｅ ｃｏｍｐａｎｙ”目標后，在集團決策層面新增的管理崗位。０⒗錛團昨日表示，“變成一家真正意義上的數據公司”已是戰略共識。記者劉夏
content_S
= [ ]
for line
in content
: current_segment
= jieba
. lcut
( line
) if len ( current_segment
) > 1 and current_segment
!= '\r\n' : content_S
. append
( current_segment
)
Building prefix dict from the default dictionary ...
Loading model from cache C:\Users\YIUYE\AppData\Local\Temp\jieba.cache
Loading model cost 1.209 seconds.
Prefix dict has been built succesfully.
content_S
[ 1000 ]
['阿里巴巴','集團','昨日','宣布','，','將','在','集團','管理','層面','設立','首席','Ｃ','記者','劉夏'等等]
df_content
= pd
. DataFrame
( { 'content_S' : content_S
} )
df_content
. head
( )
content_S 0[經銷商, , 電話, , 試駕, ／, 訂車, Ｕ, 憬, 杭州, 濱江區, 江陵, ... 1[呼叫, 熱線, , ４, ０, ０, ８, －, １, ０, ０, －, ３, ０, ０... 2[Ｍ, Ｉ, Ｎ, Ｉ, 品牌, 在, 二月, 曾經, 公布, 了, 最新, 的, Ｍ, Ｉ... 3[清倉, 大, 甩賣, ！, 一汽, 夏利, Ｎ, ５, 、, 威志, Ｖ, ２, 低至, ... 4[在, 今年, ３, 月, 的, 日內瓦, 車展, 上, ，, 我們, 見到, 了, 高爾夫...
stopwords
= pd
. read_csv
( "stopwords.txt" , index_col
= False , sep
= "\t" , quoting
= 3 , names
= [ 'stopword' ] , encoding
= 'utf-8' )
stopwords
. head
( 20 )
stopword 0! 1" 2# 3$ 4% 5& 6' 7( 8) 9* 10+ 11, 12- 13-- 14. 15.. 16... 17...... 18................... 19./
def drop_stopwords ( contents
, stopwords
) : contents_clean
= [ ] all_words
= [ ] for line
in contents
: line_clean
= [ ] for word
in line
: if word
in stopwords
: continue line_clean
. append
( word
) all_words
. append
( str ( word
) ) contents_clean
. append
( line_clean
) return contents_clean
, all_wordscontents
= df_content
. content_S
. values
. tolist
( )
stopwords
= stopwords
. stopword
. values
. tolist
( )
contents_clean
, all_words
= drop_stopwords
( contents
, stopwords
)
df_content
= pd
. DataFrame
( { 'contents_clean' : contents_clean
} )
df_content
. head
( )
contents_clean 0[經銷商, 電話, 試駕, 訂車, Ｕ, 憬, 杭州, 濱江區, 江陵, 路, 號, 轉, ... 1[呼叫, 熱線, 服務, 郵箱, ｋ, ｆ, ｐ, ｅ, ｏ, ｐ, ｌ, ｅ, ｄ, ａ,... 2[Ｍ, Ｉ, Ｎ, Ｉ, 品牌, 二月, 公布, 最新, Ｍ, Ｉ, Ｎ, Ｉ, 新, 概念... 3[清倉, 甩賣, 一汽, 夏利, Ｎ, 威志, Ｖ, 低至, 萬, 啟新, 中國, 一汽, ... 4[日內瓦, 車展, 見到, 高爾夫, 家族, 新, 成員, 高爾夫, 敞篷版, 款, 全新,...
df_all_words
= pd
. DataFrame
( { 'all_words' : all_words
} )
df_all_words
. head
( )
words_count
= df_all_words
. groupby
( by
= [ 'all_words' ] ) [ 'all_words' ] . agg
( { "count" : numpy
. size
} )
words_count
= words_count
. reset_index
( ) . sort_values
( by
= [ "count" ] , ascending
= False )
words_count
. head
( )
all_wordscount 4077中 5199 4209中國 3115 88255說 3055 104747Ｓ 2646 1373萬 2390
from wordcloud
import WordCloud
import matplotlib
. pyplot
as plt
% matplotlib inline
import matplotlib
matplotlib
. rcParams
[ 'figure.figsize' ] = ( 10.0 , 5.0 ) wordcloud
= WordCloud
( font_path
= "./data/simhei.ttf" , background_color
= "white" , max_font_size
= 80 )
word_frequence
= { x
[ 0 ] : x
[ 1 ] for x
in words_count
. head
( 100 ) . values
}
wordcloud
= wordcloud
. fit_words
( word_frequence
)
plt
. imshow
( wordcloud
)
<matplotlib.image.AxesImage at 0x186064c64e0>
TF-IDF ：提取關鍵詞###
import jieba
. analyse
index
= 2400
print ( df_news
[ 'content' ] [ index
] )
content_S_str
= "" . join
( content_S
[ index
] )
print ( " " . join
( jieba
. analyse
. extract_tags
( content_S_str
, topK
= 5 , withWeight
= False ) ) )
法國ＶＳ西班牙、里貝里ＶＳ哈維，北京時間６月２４日凌晨一場的大戰舉世矚目，而這場勝利不僅僅關乎兩支頂級強隊的命運，同時也是他們背后的球衣贊助商耐克和阿迪達斯之間的一次角逐。Ｔ諶胙”窘炫分薇的１６支球隊之中，阿迪達斯和耐克的勢力范圍也是幾乎旗鼓相當：其中有５家球衣由耐克提供，而阿迪達斯則贊助了６家，此外茵寶有３家，而剩下的兩家則由彪馬贊助。而當比賽進行到現在，率先挺進四強的兩支球隊分別被耐克支持的葡萄牙和阿迪達斯支持的德國占據，而由于最后一場１／４決賽是茵寶（英格蘭）和彪馬（意大利）的對決，這也意味著明天凌晨西班牙同法國這場阿迪達斯和耐克在１／４決賽的唯一一次直接交手將直接決定兩家體育巨頭在此次歐洲杯上的勝負。８據評估，在２０１２年足球商品的銷售額能總共超過４０億歐元，而單單是不足一個月的歐洲杯就有高達５億的銷售額，也就是說在歐洲杯期間將有７００萬件球衣被搶購一空。根據市場評估，兩大巨頭阿迪達斯和耐克的市場占有率也是并駕齊驅，其中前者占據３８％，而后者占據３６％。體育權利顧問奧利弗－米歇爾在接受《隊報》采訪時說：“歐洲杯是耐克通過法國翻身的一個絕佳機會！”Ｃ仔爾接著談到兩大贊助商的經營策略：“競技體育的成功會燃起球衣購買的熱情，不過即便是水平相當，不同國家之間的歐洲杯效應卻存在不同。在德國就很出色，大約１／４的德國人通過電視觀看了比賽，而在西班牙效果則差很多，由于民族主義高漲的加泰羅尼亞地區只關注巴薩和巴薩的球衣，他們對西班牙國家隊根本沒什么興趣。”因此盡管西班牙接連拿下歐洲杯和世界杯，但是阿迪達斯只為西班牙足協支付每年２６００萬的贊助費＃相比之下盡管最近兩屆大賽表現糟糕法國足協將從耐克手中每年可以得到４０００萬歐元。米歇爾解釋道：“法國創紀錄的４０００萬歐元贊助費得益于阿迪達斯和耐克競逐未來１５年歐洲市場的競爭。耐克需要籠絡一個大國來打贏這場歐洲大陸的戰爭，而盡管德國拿到的贊助費并不太高，但是他們卻顯然牢牢掌握在民族品牌阿迪達斯手中。從長期投資來看，耐克給法國的贊助并不算過高。”
耐克 阿迪達斯 歐洲杯 球衣 西班牙
LDA ：主題模型###
格式要求：list of list形式，分詞好的的整個語料
from gensim
import corpora
, models
, similarities
import gensim
dictionary
= corpora
. Dictionary
( contents_clean
)
corpus
= [ dictionary
. doc2bow
( sentence
) for sentence
in contents_clean
]
lda
= gensim
. models
. ldamodel
. LdaModel
( corpus
= corpus
, id2word
= dictionary
, num_topics
= 20 )
print ( lda
. print_topic
( 1 , topn
= 5 ) )
0.007*"中" + 0.006*"說" + 0.004*"觀眾" + 0.002*"賽區" + 0.002*"歲"
for topic
in lda
. print_topics
( num_topics
= 20 , num_words
= 5 ) : print ( topic
[ 1 ] )
0.007*"女人" + 0.006*"男人" + 0.006*"Ｍ" + 0.004*"Ｓ" + 0.004*"說"
0.004*"中" + 0.004*"訓練" + 0.003*"說" + 0.003*"學校" + 0.002*"研究生"
0.006*"戲" + 0.006*"導演" + 0.005*"該劇" + 0.004*"中" + 0.004*"演員"
0.007*"中" + 0.006*"說" + 0.004*"觀眾" + 0.002*"賽區" + 0.002*"歲"
0.004*"萬" + 0.003*"號" + 0.003*"中" + 0.002*"Ｓ" + 0.002*"Ｒ"
0.014*"電影" + 0.009*"導演" + 0.007*"影片" + 0.006*"中國" + 0.005*"中"
0.006*"中" + 0.005*"比賽" + 0.004*"說" + 0.003*"撒" + 0.002*"時間"
0.006*"賽季" + 0.005*"中" + 0.003*"聯賽" + 0.003*"中國" + 0.002*"航母"
0.005*"李小璐" + 0.004*"中" + 0.002*"賈乃亮" + 0.002*"Ｗ" + 0.002*"皮膚"
0.004*"萬" + 0.003*"號" + 0.003*"Ｖ" + 0.003*"Ｔ" + 0.003*"劉濤"
0.021*"男人" + 0.008*"女人" + 0.007*"考生" + 0.004*"說" + 0.003*"中"
0.005*"中" + 0.005*"食物" + 0.004*"ｉ" + 0.004*"ａ" + 0.004*"吃"
0.006*"中" + 0.004*"電影" + 0.004*"說" + 0.002*"中國" + 0.002*"高考"
0.007*"中" + 0.006*"孩子" + 0.004*"說" + 0.003*"教育" + 0.003*"中國"
0.005*"中" + 0.005*"節目" + 0.004*"說" + 0.004*"表演" + 0.003*"歲"
0.007*"電視劇" + 0.004*"中" + 0.003*"說" + 0.003*"飛行" + 0.002*"飛機"
0.007*"中" + 0.006*"球隊" + 0.005*"選手" + 0.004*"觀眾" + 0.004*"ｉ"
0.005*"中" + 0.005*"天籟" + 0.004*"產品" + 0.004*"肌膚" + 0.003*"職場"
0.008*"中國" + 0.008*"飾演" + 0.007*"中" + 0.004*"說" + 0.004*"節目"
0.021*"ｅ" + 0.021*"ａ" + 0.016*"ｏ" + 0.013*"ｉ" + 0.013*"ｎ"
df_train
= pd
. DataFrame
( { 'contents_clean' : contents_clean
, 'label' : df_news
[ 'category' ] } )
df_train
. tail
( )
contents_cleanlabel 4995[天氣, 炎熱, 補水, 變得, 美國, 跑步, 世界, 雜志, 報道, 喝水, 身體, 補... 時尚 4996[不想, 說, 話, 刺激, 說, 做, 只能, 走, 離開, 傷心地, 想起, 一句, 話... 時尚 4997[歲, 劉曉慶, 最新, 嫩照, Ｏ, 衷, 詰, 牧蹕, 慶, 看不出, 歲, 秒殺, 劉... 時尚 4998[導語, 做, 爸爸, 一種, 幸福, 無論是, 領養, 親生, 更何況, 影視劇, 中, ... 時尚 4999[全球, 最美, 女人, 合成圖, 國, 整形外科, 教授, 李承哲, 國際, 學術, 雜志... 時尚
df_train
. label
. unique
( )
array(['汽車', '財經', '科技', '健康', '體育', '教育', '文化', '軍事', '娛樂', '時尚'], dtype=object)
label_mapping
= { "汽車" : 1 , "財經" : 2 , "科技" : 3 , "健康" : 4 , "體育" : 5 , "教育" : 6 , "文化" : 7 , "軍事" : 8 , "娛樂" : 9 , "時尚" : 0 }
df_train
[ 'label' ] = df_train
[ 'label' ] . map ( label_mapping
)
df_train
. head
( )
contents_cleanlabel 0[經銷商, 電話, 試駕, 訂車, Ｕ, 憬, 杭州, 濱江區, 江陵, 路, 號, 轉, ... 1 1[呼叫, 熱線, 服務, 郵箱, ｋ, ｆ, ｐ, ｅ, ｏ, ｐ, ｌ, ｅ, ｄ, ａ,... 1 2[Ｍ, Ｉ, Ｎ, Ｉ, 品牌, 二月, 公布, 最新, Ｍ, Ｉ, Ｎ, Ｉ, 新, 概念... 1 3[清倉, 甩賣, 一汽, 夏利, Ｎ, 威志, Ｖ, 低至, 萬, 啟新, 中國, 一汽, ... 1 4[日內瓦, 車展, 見到, 高爾夫, 家族, 新, 成員, 高爾夫, 敞篷版, 款, 全新,... 1
from sklearn
. model_selection
import train_test_splitx_train
, x_test
, y_train
, y_test
= train_test_split
( df_train
[ 'contents_clean' ] . values
, df_train
[ 'label' ] . values
, random_state
= 1 )
x_train
[ 0 ] [ 1 ]
'上海'
words
= [ ]
for line_index
in range ( len ( x_train
) ) : try : words
. append
( ' ' . join
( x_train
[ line_index
] ) ) except : print ( line_index
, word_index
)
words
[ 0 ]
'中新網 上海 日電 于俊 父親節 網絡 吃 一頓 電影 快餐 微 電影 爸 對不起 我愛你 定于 本月 父親節 當天 各大 視頻 網站 首映 葜 譜 鞣 劍 保慈 障蚣 欽 囈 檣 埽 ⒌ 纈 埃 ǎ 停 椋 悖 潁 鎩 媯 椋 恚 稱 微型 電影 新 媒體 平臺 播放 狀態 短時 休閑 狀態 觀看 完整 策劃 系統 制作 體系 支持 顯示 較完整 故事情節 電影 微 超短 放映 微 周期 制作 天 數周 微 規模 投資 人民幣 幾千 數萬元 每部 內容 融合 幽默 搞怪 時尚 潮流 人文 言情 公益 教育 商業 定制 主題 單獨 成篇 系列 成劇 唇 開播 微 電影 爸 對不起 我愛你 講述 一對 父子 觀念 缺少 溝通 導致 關系 父親 傳統 固執 鐘情 傳統 生活 方式 兒子 新派 音樂 達 習慣 晚出 早 生活 性格 張揚 叛逆 兩種 截然不同 生活 方式 理念 差異 一場 父子 間 拉開序幕 子 失手 打破 父親 心愛 物品 父親 趕出 家門 劇情 演繹 父親節 妹妹 哥哥 化解 父親 這場 矛盾 映逋壞 嚼 斫 狻 ⒍ 粵 ⒌ 槳容 爭執 退讓 傳統 尷尬 父子 尷尬 情 男人 表達 心中 那份 感恩 一杯 濾掛 咖啡 父親節 變得 溫馨 鎂 纈 繕 蝦 Ｎ 逄 煳 幕 傳播 迪歐 咖啡 聯合 出品 出品人 希望 觀摩 捫心自問 父親節 父親 記得 父親 生日 哪一天 父親 愛喝 跨出 家門 那一刻 感覺 一顆 顫動 心 操勞 天下 兒女 父親節 大聲 喊出 父親 家人 愛 完'
print ( len ( words
) )
3750
from sklearn
. feature_extraction
. text
import CountVectorizer
texts
= [ "dog cat fish" , "dog cat cat" , "fish bird" , 'bird' ]
cv
= CountVectorizer
( )
cv_fit
= cv
. fit_transform
( texts
) print ( cv
. get_feature_names
( ) )
print ( cv_fit
. toarray
( ) ) print ( cv_fit
. toarray
( ) . sum ( axis
= 0 ) )
['bird', 'cat', 'dog', 'fish']
[[0 1 1 1][0 2 1 0][1 0 0 1][1 0 0 0]]
[2 3 2 2]
from sklearn
. feature_extraction
. text
import CountVectorizer
texts
= [ "dog cat fish" , "dog cat cat" , "fish bird" , 'bird' ]
cv
= CountVectorizer
( ngram_range
= ( 1 , 4 ) )
cv_fit
= cv
. fit_transform
( texts
) print ( cv
. get_feature_names
( ) )
print ( cv_fit
. toarray
( ) ) print ( cv_fit
. toarray
( ) . sum ( axis
= 0 ) )
['bird', 'cat', 'cat cat', 'cat fish', 'dog', 'dog cat', 'dog cat cat', 'dog cat fish', 'fish', 'fish bird']
[[0 1 0 1 1 1 0 1 1 0][0 2 1 0 1 1 1 0 0 0][1 0 0 0 0 0 0 0 1 1][1 0 0 0 0 0 0 0 0 0]]
[2 3 1 1 2 2 1 1 2 1]
from sklearn
. feature_extraction
. text
import CountVectorizervec
= CountVectorizer
( analyzer
= 'word' , max_features
= 4000 , lowercase
= False )
vec
. fit
( words
)
from sklearn
. naive_bayes
import MultinomialNB
classifier
= MultinomialNB
( )
classifier
. fit
( vec
. transform
( words
) , y_train
)
MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True)
test_words
= [ ]
for line_index
in range ( len ( x_test
) ) : try : test_words
. append
( ' ' . join
( x_test
[ line_index
] ) ) except : print ( line_index
, word_index
)
test_words
[ 0 ]
'國家 公務員 考試 申論 應用文 類 試題 實質 一道 集 概括 分析 提出 解決問題 一體 綜合性 試題 說 一道 客觀 凝練 申發 論述 文章 題目 分析 歷年 國考 申論 真題 公文 類 試題 類型 多樣 包括 公文 類 事務性 文書 類 題材 從題 干 作答 材料 內容 整合 分析 無需 太 創造性 發揮 縱觀 歷年 申論 真題 作答 應用文 類 試題 文種 格式 作出 特別 重在 內容 考查 行文 格式 考生 平常心 面對 應用文 類 試題 準確 把握 作答 領會 內在 含義 把握 題材 主旨 材料 結構 輕松 應對 應用文 類 試題 Ｒ 弧 ⒆ 釩 鹽 展文 寫作 原則 Ｔ 材料 中來 應用文 類 試題 材料 總體 把握 客觀 考生 材料 中來 材料 中 把握 材料 準確 理解 題材 主旨 Ｔ 政府 角度 作答 應用文 類 試題 更應 注重 政府 角度 觀點 政府 角度 出發 原則 表述 觀點 提出 解決 之策 考生 作答 站 政府 人員 角度 看待 提出 解決問題 Ｔ 文體 結構 形式 考查 重點 文體 結構 大部分 評分 關鍵點 解答 方法 薄 ⒆ ス 丶 詞 明 方向 作答 題目 題干 作答 作答 方向 作答 角度 關鍵 向導 考生 仔細閱讀 題干 作答 抓住 關鍵詞 作答 方向 相關 要點 整理 作答 思路 年國考 地市級 真 題為 例 潦惺姓 府 宣傳 推進 近海 水域 污染 整治 工作 請 給定 資料 市政府 工作人員 身份 草擬 一份 宣傳 綱要 Ｒ 求 保對 宣傳 內容 要點 提綱挈領 陳述 玻 體現 政府 精神 全市 各界 關心 支持 污染 整治 工作 通俗易懂 超過 字 骯 丶 詞 近海 水域 污染 整治 工作 市政府 工作人員 身份 宣傳 綱要 提綱挈領 陳述 體現 政府 精神 全市 各界 關心 支持 污染 整治 工作 通俗易懂 提示 歸結 作答 要點 包括 污染 情況 原因 解決 對策 作答 思路 情況 原因 對策 意義 邏輯 順序 安排 文章 結構 病 ⒋ 缶殖 齜 ⅲ 明 結構 解答 應用文 類 試題 考生 材料 整體 出發 大局 出發 高屋建瓴 把握 材料 主題 思想 事件 起因 解決 對策 閱讀文章 構建 文章 結構 直至 快速 解答 場 ⒗ 硭 乘悸 罰明 邏輯 應用文 類 試題 嚴密 邏輯思維 情況 原因 對策 意義 考生 作答 先 弄清楚 解答 思路 統籌安排 脈絡 清晰 邏輯 表達 內容 表述 礎 把握 明 詳略 考生 仔細閱讀 分析 揣摩 應用文 類 試題 內容 答題 時要 詳略 得當 主次 分明 安排 內容 增加 文章 層次感 閱卷 老師 閱卷 時能 明白 清晰 一目了然 玻埃 保蹦旯 考 考試 申論 試卷 分為 省級 地市級 兩套 試卷 能力 大有 省級 申論 試題 考生 宏觀 角度看 注重 深度 廣度 考生 深謀遠慮 地市級 試題 考生 微觀 視角 觀察 側重 考查 解決 能力 考生 貫徹執行 作答 區別對待'
classifier
. score
( vec
. transform
( test_words
) , y_test
)
0.80400000000000005
from sklearn
. feature_extraction
. text
import TfidfVectorizervectorizer
= TfidfVectorizer
( analyzer
= 'word' , max_features
= 4000 , lowercase
= False )
vectorizer
. fit
( words
)
TfidfVectorizer(analyzer='word', binary=False, decode_error='strict',dtype=<class 'numpy.int64'>, encoding='utf-8', input='content',lowercase=False, max_df=1.0, max_features=4000, min_df=1,ngram_range=(1, 1), norm='l2', preprocessor=None, smooth_idf=True,stop_words=None, strip_accents=None, sublinear_tf=False,token_pattern='(?u)\\b\\w\\w+\\b', tokenizer=None, use_idf=True,vocabulary=None)
from sklearn
. naive_bayes
import MultinomialNB
classifier
= MultinomialNB
( )
classifier
. fit
( vectorizer
. transform
( words
) , y_train
)
MultinomialNB(alpha=1.0, class_prior=None, fit_prior=True)
classifier
. score
( vectorizer
. transform
( test_words
) , y_test
)
0.81520000000000004
總結
以上是生活随笔 為你收集整理的记录处理搜狗新闻分类 的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔 網站內容還不錯，歡迎將生活随笔 推薦給好友。
