當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

中文文本纠错工具推荐:pycorrector

發(fā)布時間：2023/12/9 编程问答 77 豆豆

生活随笔收集整理的這篇文章主要介紹了中文文本纠错工具推荐:pycorrector 小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

pycorrector

https://github.com/shibing624/pycorrector

中文文本糾錯工具。音似、形似錯字（或變體字）糾正，可用于中文拼音、筆畫輸入法的錯誤糾正。python3開發(fā)。

pycorrector依據(jù)語言模型檢測錯別字位置，通過拼音音似特征、筆畫五筆編輯距離特征及語言模型困惑度特征糾正錯別字。

Guide

Question
Solution
Feature
Evaluate
Install
Usage
Deep Model Usage
Dataset
Custom Language Model
Reference

Question

中文文本糾錯任務(wù)，常見錯誤類型包括：

諧音字詞，如配副眼睛-配副眼鏡
混淆音字詞，如流浪織女-牛郎織女
字詞順序顛倒，如伍迪艾倫-艾倫伍迪
字詞補全，如愛有天意-假如愛有天意
形似字錯誤，如高梁-高粱
中文拼音全拼，如 xingfu-幸福
中文拼音縮寫，如 sz-深圳
語法錯誤，如想象難以-難以想象

當然，針對不同業(yè)務(wù)場景，這些問題并不一定全部存在，比如輸入法中需要處理前四種，搜索引擎需要處理所有類型，語音識別后文本糾錯只需要處理前兩種，
其中’形似字錯誤’主要針對五筆或者筆畫手寫輸入等。本項目重點解決其中的諧音、混淆音、形似字錯誤、中文拼音全拼、語法錯誤帶來的糾錯任務(wù)。

Solution

規(guī)則的解決思路

中文糾錯分為兩步走，第一步是錯誤檢測，第二步是錯誤糾正；

錯誤檢測部分先通過結(jié)巴中文分詞器切詞，由于句子中含有錯別字，所以切詞結(jié)果往往會有切分錯誤的情況，這樣從字粒度和詞粒度兩方面檢測錯誤，
整合這兩種粒度的疑似錯誤結(jié)果，形成疑似錯誤位置候選集；

錯誤糾正部分，是遍歷所有的疑似錯誤位置，并使用音似、形似詞典替換錯誤位置的詞，然后通過語言模型計算句子困惑度，對所有候選集結(jié)果比較并排序，得到最優(yōu)糾正詞。

PS：網(wǎng)友源碼解讀

深度模型的解決思路

端到端的深度模型可以避免人工提取特征，減少人工工作量，RNN序列模型對文本任務(wù)擬合能力強，rnn_attention在英文文本糾錯比賽中取得第一名成績，證明應(yīng)用效果不錯；

CRF會計算全局最優(yōu)輸出節(jié)點的條件概率，對句子中特定錯誤類型的檢測，會根據(jù)整句話判定該錯誤，阿里參賽2016中文語法糾錯任務(wù)并取得第一名，證明應(yīng)用效果不錯；

Seq2Seq模型是使用Encoder-Decoder結(jié)構(gòu)解決序列轉(zhuǎn)換問題，目前在序列轉(zhuǎn)換任務(wù)中（如機器翻譯、對話生成、文本摘要、圖像描述）使用最廣泛、效果最好的模型之一；

BERT/ELECTRA/ERNIE/MacBERT等預(yù)訓(xùn)練模型強大的語言表征能力，對NLP屆帶來翻天覆地的改變，海量的訓(xùn)練數(shù)據(jù)擬合的語言模型效果無與倫比，基于其MASK掩碼的特征，可以簡單改造預(yù)訓(xùn)練模型用于糾錯，加上fine-tune，效果輕松達到最優(yōu)。

Feature

模型

kenlm：kenlm統(tǒng)計語言模型工具，規(guī)則方法，語言模型糾錯，利用混淆集，擴展性強
deep_context模型：參考Stanford University的nlc模型，該模型是參加2014英文文本糾錯比賽并取得第一名的方法
Seq2Seq模型：在Seq2Seq模型加上attention機制，對于長文本效果更好，模型更容易收斂，但容易過擬合
ConvSeq2Seq模型：基于Facebook出品的fairseq，北京語言大學團隊改進ConvS2S模型用于中文糾錯，在NLPCC-2018的中文語法糾錯比賽中，是唯一使用單模型并取得第三名的成績
transformer模型：全attention的結(jié)構(gòu)代替了lstm用于解決sequence to sequence問題，語義特征提取效果更好
BERT模型：中文fine-tuned模型，使用MASK特征糾正錯字
ELECTRA模型：斯坦福和谷歌聯(lián)合提出的一種更具效率的預(yù)訓(xùn)練模型，學習文本上下文表示優(yōu)于同等計算資源的BERT和XLNet
ERNIE模型：百度公司提出的基于知識增強的語義表示模型，有可適配中文的強大語義表征能力。在情感分析、文本匹配、自然語言推理、詞法分析、閱讀理解、智能問答等16個公開數(shù)據(jù)集上超越世界領(lǐng)先技術(shù)
MacBERT模型：來自哈工大SCIR實驗室2020年的工作，改進了BERT模型的訓(xùn)練方法，使用全詞掩蔽和N-Gram掩蔽策略適配中文表達，和通過用其相似的單詞來掩蓋單詞，從而縮小訓(xùn)練前和微調(diào)階段之間的差距

錯誤檢測

字粒度：語言模型困惑度（ppl）檢測某字的似然概率值低于句子文本平均值，則判定該字是疑似錯別字的概率大。
詞粒度：切詞后不在詞典中的詞是疑似錯詞的概率大。

錯誤糾正

通過錯誤檢測定位所有疑似錯誤后，取所有疑似錯字的音似、形似候選詞，
使用候選詞替換，基于語言模型得到類似翻譯模型的候選排序結(jié)果，得到最優(yōu)糾正詞。

思考

現(xiàn)在的處理手段，在詞粒度的錯誤召回還不錯，但錯誤糾正的準確率還有待提高，更多優(yōu)質(zhì)的糾錯集及糾錯詞庫會有提升，我更希望算法上有更大的突破。

另外，現(xiàn)在的文本錯誤不再局限于字詞粒度上的拼寫錯誤，需要提高中文語法錯誤檢測（CGED, Chinese Grammar Error Diagnosis）及糾正能力，列在TODO中，后續(xù)調(diào)研。

Demo

http://42.193.145.218/product/corrector/

Evaluate

查看評估結(jié)論

提供評估腳本pycorrector/utils/eval.py和評估執(zhí)行腳本examples/evaluate_models.py，該腳本有兩個功能：

構(gòu)建評估樣本集：評估集pycorrector/data/eval_corpus.json, 包括字粒度錯誤100條、詞粒度錯誤100條、語法錯誤100條，正確句子200條。用戶可以修改條數(shù)生成其他評估樣本分布。
計算兩個數(shù)據(jù)集的糾錯準召率：采用保守計算方式，簡單把糾錯之后與正確句子完成匹配的視為正確，否則為錯。

測試環(huán)境：

機器：linux(centos7) 線上機
CPU：28核 Intel? Xeon? Gold 5117 CPU @ 2.00GHz
GPU：Tesla P40，顯存 22919 MiB(22 GB)
內(nèi)存：251 GB

數(shù)據(jù)集模型cpu/gpu準確率召回率每百條預(yù)測時長（秒）QPS

sighan_15	rule	cpu	17.98%	15.37%	11	9
sighan_15	bert	gpu	37.62%	36.46%	95	1.05
sighan_15	ernie	gpu	29.70%	28.13%	102	0.98
sighan_15	macbert	gpu	63.64%	63.64%	2	50
corpus500	rule	cpu	48.60%	28.13%	11	9
corpus500	bert	gpu	58.60%	35.00%	95	1.05
corpus500	ernie	gpu	59.80%	41.33%	102	0.98
corpus500	macbert	gpu	56.20%	42.67%	2	50

Install

全自動安裝：pip install pycorrector
半自動安裝：

git clone https://github.com/shibing624/pycorrector.git cd pycorrector python setup.py install

通過以上兩種方法的任何一種完成安裝都可以。如果不想安裝依賴包，直接使用docker拉取安裝好的部署環(huán)境即可。

安裝依賴

docker使用

docker run -it -v ~/.pycorrector:/root/.pycorrector shibing624/pycorrector:0.0.2

后續(xù)調(diào)用python3使用即可，該鏡像已經(jīng)安裝好kenlm、pycorrector等包，具體參見Dockerfile。

使用示例：

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-2ngSbsRv-1636205742536)(docs/git_image/docker.png)]

kenlm安裝

pip install https://github.com/kpu/kenlm/archive/master.zip

安裝kenlm-wiki

其他庫包安裝

pip install -r requirements.txt

Usage

文本糾錯

示例base_demo.py

import pycorrectorcorrected_sent, detail = pycorrector.correct('少先隊員因該為老人讓坐') print(corrected_sent, detail)

output:

少先隊員應(yīng)該為老人讓座 [('因該', '應(yīng)該', 4, 6), ('坐', '座', 10, 11)]

規(guī)則方法默認會從路徑~/.pycorrector/datasets/zh_giga.no_cna_cmn.prune01244.klm加載kenlm語言模型文件，如果檢測沒有該文件，則程序會自動聯(lián)網(wǎng)下載。當然也可以手動下載模型文件(2.8G)并放置于該位置。

查看更多使用說明

錯誤檢測

示例detect_demo.py

import pycorrectoridx_errors = pycorrector.detect('少先隊員因該為老人讓坐') print(idx_errors)

output:

[['因該', 4, 6, 'word'], ['坐', 10, 11, 'char']]

返回類型是list, [error_word, begin_pos, end_pos, error_type]，pos索引位置以0開始。

關(guān)閉字粒度糾錯

示例disable_char_error.py

import pycorrectorerror_sentence_1 = '我的喉嚨發(fā)炎了要買點阿莫細林吃' correct_sent = pycorrector.correct(error_sentence_1) print(correct_sent)

output:

'我的喉嚨發(fā)炎了要買點阿莫西林吉', [('細林', '西林', 12, 14), ('吃', '吉', 14, 15)]

上例中吃發(fā)生誤糾，如下代碼關(guān)閉字粒度糾錯：

import pycorrectorerror_sentence_1 = '我的喉嚨發(fā)炎了要買點阿莫細林吃' pycorrector.enable_char_error(enable=False) correct_sent = pycorrector.correct(error_sentence_1) print(correct_sent)

output:

'我的喉嚨發(fā)炎了要買點阿莫西林吃', [('細林', '西林', 12, 14)]

默認字粒度、詞粒度的糾錯都打開，一般情況下單字錯誤發(fā)生較少，而且字粒度糾錯準確率較低。關(guān)閉字粒度糾錯，這樣可以提高糾錯準確率，提高糾錯速度。

默認enable_char_error方法的enable參數(shù)為True，即打開錯字糾正，這種方式可以召回字粒度錯誤，但是整體準確率會低；

如果追求準確率而不追求召回率的話，建議將enable設(shè)為False，僅使用錯詞糾正。

加載自定義混淆集

通過加載自定義混淆集，支持用戶糾正已知的錯誤，包括兩方面功能：1）錯誤補召回；2）誤殺加白。

示例use_custom_confusion.py

import pycorrectorpycorrector.set_log_level('INFO') error_sentences = ['買iphonex，要多少錢','共同實際控制人蕭華、霍榮銓、張旗康', ] for line in error_sentences:print(pycorrector.correct(line))print('*' * 42) pycorrector.set_custom_confusion_dict(path='./my_custom_confusion.txt') for line in error_sentences:print(pycorrector.correct(line))

output:

('買iphonex，要多少錢', []) # "iphonex"漏召，應(yīng)該是"iphoneX" ('共同實際控制人蕭華、霍榮銓、張啟康', [['張旗康', '張啟康', 14, 17]]) # "張啟康"誤殺，應(yīng)該不用糾 ***************************************************** ('買iphonex，要多少錢', [['iphonex', 'iphoneX', 1, 8]]) ('共同實際控制人蕭華、霍榮銓、張旗康', [])

具體demo見example/use_custom_confusion.py，其中./my_custom_confusion.txt的內(nèi)容格式如下，以空格間隔：

iPhone差 iPhoneX 100 張旗康張旗康

set_custom_confusion_dict方法的path參數(shù)為用戶自定義混淆集文件路徑。

加載自定義語言模型

默認提供下載并使用的kenlm語言模型zh_giga.no_cna_cmn.prune01244.klm文件是2.8G，內(nèi)存較小的電腦使用pycorrector程序可能會吃力些。

支持用戶加載自己訓(xùn)練的kenlm語言模型，或使用2014版人民日報數(shù)據(jù)訓(xùn)練的模型，模型小（140M），準確率低些。

示例load_custom_language_model.py，其中people2014corpus_chars.klm(密碼o5e9)是自定義語言模型文件。

from pycorrector import Corrector import os pwd_path = os.path.abspath(os.path.dirname(__file__)) lm_path = os.path.join(pwd_path, './people2014corpus_chars.klm') model = Corrector(language_model_path=lm_path)corrected_sent, detail = model.correct('少先隊員因該為老人讓坐') print(corrected_sent, detail)

output:

少先隊員應(yīng)該為老人讓座 [('因該', '應(yīng)該', 4, 6), ('坐', '座', 10, 11)]

英文拼寫糾錯

支持英文單詞的拼寫錯誤糾正。

示例en_correct_demo.py

import pycorrectorsent = "what happending? how to speling it, can you gorrect it?" corrected_text, details = pycorrector.en_correct(sent) print(sent, '=>', corrected_text) print(details)

output:

what happending? how to speling it, can you gorrect it? => what happening? how to spelling it, can you correct it? [('happending', 'happening', 5, 15), ('speling', 'spelling', 24, 31), ('gorrect', 'correct', 44, 51)]

中文簡繁互換

支持中文繁體到簡體的轉(zhuǎn)換，和簡體到繁體的轉(zhuǎn)換。

示例traditional_simplified_chinese_demo.py

import pycorrectortraditional_sentence = '憂郁的臺灣烏龜' simplified_sentence = pycorrector.traditional2simplified(traditional_sentence) print(traditional_sentence, '=>', simplified_sentence)simplified_sentence = '憂郁的臺灣烏龜' traditional_sentence = pycorrector.simplified2traditional(simplified_sentence) print(simplified_sentence, '=>', traditional_sentence)

output:

憂郁的臺灣烏龜 => 憂郁的臺灣烏龜憂郁的臺灣烏龜 => 憂郁的臺灣烏龜

命令行模式

支持批量文本糾錯

python -m pycorrector -h usage: __main__.py [-h] -o OUTPUT [-n] [-d] input@description:positional arguments:input the input file path, file encode need utf-8.optional arguments:-h, --help show this help message and exit-o OUTPUT, --output OUTPUTthe output file path.-n, --no_char disable char detect mode.-d, --detail print detail info

case：

python -m pycorrector input.txt -o out.txt -n -d

輸入文件：input.txt；輸出文件：out.txt；關(guān)閉字粒度糾錯；打印詳細糾錯信息；糾錯結(jié)果以\t間隔

Deep Model Usage

安裝依賴

pip install -r requirements-dev.txt

介紹

本項目的初衷之一是比對、共享各種文本糾錯方法，拋磚引玉的作用，如果對大家在文本糾錯任務(wù)上有一點小小的啟發(fā)就是我莫大的榮幸了。

主要使用了多種深度模型應(yīng)用于文本糾錯任務(wù)，分別是前面模型小節(jié)介紹的seq2seq、
transformer、bert、macbert、electra，各模型方法內(nèi)置于pycorrector文件夾下，有README.md詳細指導(dǎo)，各模型可獨立運行，相互之間無依賴。

使用方法

各模型均可獨立的預(yù)處理數(shù)據(jù)、訓(xùn)練、預(yù)測。

MacBert模型

基于MacBert預(yù)訓(xùn)練模型的糾錯

示例macbert_demo.py，詳細教程參考README

模型下載

下載fine-tune后的預(yù)訓(xùn)練MacBert MLM模型-密碼QKz3，解壓后放置于~/.pycorrector/dataset/macbert_models/chinese_finetuned_correction目錄下。

macbert_models └── chinese_finetuned_correction├── config.json├── added_tokens.json├── pytorch_model.bin├── special_tokens_map.json├── tokenizer_config.json└── vocab.txt

糾錯

import syssys.path.append("..") from pycorrector.macbert.macbert_corrector import MacBertCorrectorif __name__ == '__main__':error_sentences = ['真麻煩你了。希望你們好好的跳無','少先隊員因該為老人讓坐','機七學習是人工智能領(lǐng)遇最能體現(xiàn)智能的一個分知','一只小魚船浮在平凈的河面上','我的家鄉(xiāng)是有明的漁米之鄉(xiāng)',]m = MacBertCorrector()for line in error_sentences:correct_sent, err = m.macbert_correct(line)print("query:{} => {}, err:{}".format(line, correct_sent, err))

output：

query:真麻煩你了。希望你們好好的跳無 => 真麻煩你了。希望你們好好的跳舞, err:[('無', '舞', 14, 15)] query:少先隊員因該為老人讓坐 => 少先隊員應(yīng)該為老人讓坐, err:[('因', '應(yīng)', 4, 5)] query:機七學習是人工智能領(lǐng)遇最能體現(xiàn)智能的一個分知 => 機器學習是人工智能領(lǐng)域最能體現(xiàn)智能的一個分知, err:[('七', '器', 1, 2), ('遇', '域', 10, 11)] query:一只小魚船浮在平凈的河面上 => 一只小魚船浮在平凈的河面上, err:[] query:我的家鄉(xiāng)是有明的漁米之鄉(xiāng) => 我的家鄉(xiāng)是有名的漁米之鄉(xiāng), err:[('明', '名', 6, 7)] 查看Seq2Seq模型

Seq2Seq模型

seq2seq 模型使用示例:

配置

通過修改config.py。

數(shù)據(jù)預(yù)處理

cd seq2seq # 數(shù)據(jù)預(yù)處理 python preprocess.py

自動新建文件夾output，在output下生成train.txt和test.txt文件，以TAB（"\t"）間隔錯誤文本和糾正文本，文本以空格切分詞，文件內(nèi)容示例：

希望少吸煙。希望煙民們少吸煙。以前，包括中國，我國也是。以前，不僅中國，我國也是。我現(xiàn) 在好得多了。我現(xiàn) 在好多了。

訓(xùn)練

python train.py

設(shè)置config.py中arch='convseq2seq'，訓(xùn)練sighan數(shù)據(jù)集（2104條樣本），200個epoch，單卡P40GPU訓(xùn)練耗時：3分鐘。

預(yù)測

python infer.py

預(yù)測輸出效果樣例截圖：

[外鏈圖片轉(zhuǎn)存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-ptmhIWA3-1636205742537)(./docs/git_image/convseq2seq_ret.png)]

PS：

如果訓(xùn)練數(shù)據(jù)太少（不足萬條），深度模型擬合不足，會出現(xiàn)預(yù)測結(jié)果全為unk的情況，解決方法：增大訓(xùn)練樣本集，使用下方提供的糾錯熟語料(nlpcc2018+hsk，130萬對句子)測試。

深度模型訓(xùn)練耗時長，有GPU盡量用GPU，加速訓(xùn)練，節(jié)省時間。

Dataset

數(shù)據(jù)集語料下載鏈接壓縮包大小

人民日報2014版語料	人民日報2014版	百度網(wǎng)盤（密碼uc11）飛書（密碼cHcu）	383M
NLPCC 2018 GEC官方數(shù)據(jù)集	NLPCC2018-GEC	官方trainingdata	114M
NLPCC 2018+HSK熟語料	nlpcc2018+hsk+CGED	百度網(wǎng)盤（密碼m6fg）飛書（密碼gl9y）	215M
NLPCC 2018+HSK原始語料	HSK+Lang8	百度網(wǎng)盤（密碼n31j）飛書（密碼Q9LH）	81M

NLPCC 2018 GEC官方數(shù)據(jù)集NLPCC2018-GEC，
訓(xùn)練集trainingdata[解壓后114.5MB]，該數(shù)據(jù)格式是原始文本，未做切詞處理。

漢語水平考試（HSK）和lang8原始平行語料[HSK+Lang8]百度網(wǎng)盤（密碼n31j），該數(shù)據(jù)集已經(jīng)切詞，可用作數(shù)據(jù)擴增

以上語料，再加上CGED16、CGED17、CGED18的數(shù)據(jù)，經(jīng)過以字切分，繁體轉(zhuǎn)簡體，打亂數(shù)據(jù)順序的預(yù)處理后，生成用于糾錯的熟語料(nlpcc2018+hsk)，網(wǎng)盤鏈接:https://pan.baidu.com/s/1BkDru60nQXaDVLRSr7ktfA 密碼:m6fg [130萬對句子，215MB]

Custom Language Model

什么是語言模型？-wiki

語言模型對于糾錯步驟至關(guān)重要，當前默認使用的是從千兆中文文本訓(xùn)練的中文語言模型zh_giga.no_cna_cmn.prune01244.klm(2.8G)，
此處也提供人民日報2014版語料訓(xùn)練得到的輕量版語言模型people2014corpus_chars.klm(密碼o5e9)。

大家可以用中文維基（繁體轉(zhuǎn)簡體，pycorrector.utils.text_utils下有此功能）等語料數(shù)據(jù)訓(xùn)練通用的語言模型，或者也可以用專業(yè)領(lǐng)域語料訓(xùn)練更專用的語言模型。更適用的語言模型，對于糾錯效果會有比較好的提升。

kenlm語言模型訓(xùn)練工具的使用，請見博客：http://blog.csdn.net/mingzai624/article/details/79560063

附上訓(xùn)練語料<人民日報2014版熟語料>，包括：
1）標準人工切詞及詞性數(shù)據(jù)people2014.tar.gz，
2）未切詞文本數(shù)據(jù)people2014_words.txt，
3）kenlm訓(xùn)練字粒度語言模型文件及其二進制文件people2014corpus_chars.arps/klm，
4）kenlm詞粒度語言模型文件及其二進制文件people2014corpus_words.arps/klm。

尊重版權(quán)，傳播請注明出處。

Todo

優(yōu)化形似字字典，提高形似字糾錯準確率
整理中文糾錯訓(xùn)練數(shù)據(jù)，使用seq2seq做深度中文糾錯模型
添加中文語法錯誤檢測及糾正能力
規(guī)則方法添加用戶自定義糾錯集，并將其糾錯優(yōu)先度調(diào)為最高
seq2seq_attention 添加dropout，減少過擬合
在seq2seq模型框架上，新增Pointer-generator network、Beam search、Unknown words replacement、Coverage mechanism等特性
更新bert的fine-tuned使用wiki，適配transformers 2.10.0庫
升級代碼，兼容TensorFlow 2.0庫
升級bert糾錯邏輯，提升基于mask的糾錯效果
新增基于electra模型的糾錯邏輯，參數(shù)更小，預(yù)測更快
新增專用于糾錯任務(wù)深度模型，使用bert/ernie預(yù)訓(xùn)練模型，加入文本音似、形似特征。
規(guī)則方法，改進generate_items疑似錯字生成函數(shù)，提速并優(yōu)化邏輯。
預(yù)測提速，規(guī)則方法加入vertebi動態(tài)規(guī)劃，深度模型使用beamsearch搜索結(jié)果，引入GPU + fp16預(yù)測部署。
語言模型糾錯ppl閾值參數(shù)，使用動態(tài)調(diào)整方法替換寫死的閾值。

Reference

基于文法模型的中文糾錯系統(tǒng)
Norvig’s spelling corrector
Chinese Spelling Error Detection and Correction Based on Language Model, Pronunciation, and Shape[Yu, 2013]
Chinese Spelling Checker Based on Statistical Machine Translation[Chiu, 2013]
Chinese Word Spelling Correction Based on Rule Induction[yeh, 2014]
Neural Language Correction with Character-Based Attention[Ziang Xie, 2016]
Chinese Spelling Check System Based on Tri-gram Model[Qiang Huang, 2014]
Neural Abstractive Text Summarization with Sequence-to-Sequence Models[Tian Shi, 2018]
基于深度學習的中文文本自動校對研究與實現(xiàn)[楊宗霖, 2019]
A Sequence to Sequence Learning for Chinese Grammatical Error Correction[Hongkai Ren, 2018]
ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators
Revisiting Pre-trained Models for Chinese Natural Language Processing

總結(jié)

以上是生活随笔為你收集整理的中文文本纠错工具推荐:pycorrector的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇： Android EditText 不得不
下一篇：图解 Excel 添加数据透视表