R語言文本挖掘

1、膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄

2、蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈

3、芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂

4、蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇

5、莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈

6、薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋

7、莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)

8、羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆

9、蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁

10、莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅

11、薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿

12、莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆

13、艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀

14、蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅

15、芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿

16、薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅

17、荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇

18、膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂

19、蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿

20、芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃

21、薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇

22、莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁

23、膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆

24、蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀

25、芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇

26、蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁

27、莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅

28、膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀

29、蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄

30、芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈

31、蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞

32、莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿

33、膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿莈薅羈膅芄薄蝕羇膀薄袃芃薈薃羅肆蒄薂肇芁莀薁螇肄芆薀衿艿膂蠆羈肂蒁蚈蟻羋莇蚈螃肁莃蚇羆莆艿蚆肈腿薈蚅螈羂蒄蚄袀膇莀蚃羂羀芆螂螞膅膁螂螄羈蒀螁袇膄

34、蒆螀聿羇莂蝿蝿節(jié)羋螈袁肅薇螇羃芀蒃螆肅肅荿袆螅艿芅蒂袇肁膁蒁羀芇蕿蒀蝿肀蒅蒀袂蒞莁葿羄膈芇蒈肆羈薆蕆螆膆蒂薆袈罿 中文及英文的文本挖掘r語言所需要的包tm(text mining) rjava,snowball,zoo,xml,slam,rz, rweka,matlab1 文本挖掘概要文本挖掘是從大量的文本數(shù)據(jù)中抽取隱含的，求和的，可能有用的信息。通過文本挖掘?qū)崿F(xiàn)associate：關(guān)聯(lián)分析，根據(jù)同時出現(xiàn)的頻率找出關(guān)聯(lián)規(guī)則cluster：將相似的文檔（詞條）進行聚類categorize：將文本劃分到預(yù)先定義的類別里文檔自動摘要：利用計算機自動地從原始文檔中提取全面準(zhǔn)確地反映該文檔中心內(nèi)容的簡單

35、連貫描述性短文。文本挖掘的運用主要有如下幾方面l 智能信息檢索同義詞，簡稱詞，異形詞，同音字、贅字移除l 網(wǎng)絡(luò)內(nèi)容安全內(nèi)容監(jiān)控內(nèi)容過濾l 內(nèi)容管理自動分類檢測和追蹤l 市場監(jiān)測口碑監(jiān)測競爭情報系統(tǒng)市場分析2 英文文本挖掘?qū)嵗龑崿F(xiàn)多個英文文檔的聚類分析2.1 文本預(yù)處理2.1.1 讀取文本內(nèi)容#取得tm內(nèi)部文件texts/crude/下的文件目錄。>library("tm",lib.loc="d:/programfiles/r/r-3.0.3/library")> vignette("tm")#獲取相關(guān)幫助文檔的內(nèi)容，pdf

36、格式reut<-system.file("texts","crude",package='tm')# 用corpus命令讀取文本并生成語料庫文件由于要讀取的是xml文件，所以需要xml包reuters <- corpus(dirsource(reut), readercontrol = list(reader = readreut21578xml)# dirsource指示的是文件夾路徑，如果是單個向量要設(shè)為語料庫則vectorsource(向量名) readercontrol不用設(shè)置查看前兩個語料變量內(nèi)容另外可以從本地文件中

37、讀取用戶txt文件> inputtest<-read.csv(file.choose()2.1.2 文本清理對于xml格式的文檔用tm_map命令對語料庫文件進行預(yù)處理，將其轉(zhuǎn)為純文本并去除多余空格，轉(zhuǎn)換小寫，去除常用詞匯、合并異形同意詞匯，如此才能得到類似txt文件的效果需要用到的包snowballcreuters <- tm_map(reuters, plaintextdocument)#去除標(biāo)簽reuters <- tm_map(reuters, stripwhitespace)#去多余空白reuters <- tm_map(reuters, tolower

38、)#轉(zhuǎn)換小寫reuters <- tm_map(reuters, removewords, stopwords("english")tm_map(reuters, stemdocument)2.1.3 查找含有特定語句的文檔例如找出文檔編號為237而且包含句子indonesia seen at crossroads over economic change的文檔。> query <- "id = '237' & heading = 'indonesia seen at crossroads over economi

39、c change'"> tm_filter(reuters, fun = sfilter, query)找到由于語料庫已經(jīng)將大小寫轉(zhuǎn)換以及將介詞類刪除所以對應(yīng)的語句只是特有單詞的組合。2.1.4 生成詞頻矩陣并查看內(nèi)容dtm <- documenttermmatrix(reuters)查看某部分的詞頻內(nèi)容個數(shù)，其中dtm行提示哪個文件，列表示詞語。> inspect(dtm10:15,110:120)a document-term matrix (6 documents, 11 terms)non-/sparse entries: 6/60sparsity

40、: 91%maximal term length: 9 weighting : term frequency (tf) termsdocs activity. add added added. address addressed adherence adhering advantage advisers agency 1, 0 0 0 0 0 0 1 1 0 0 2 2, 0 0 0 0 0 0 0 0 0 0 0 3, 0 0 0 0 0 0 0 0 0 0 1 4, 0 0 0 0 0 0 0 1 0 0 2 5, 0 0 0 0 0 0 0 0 0 0 0 6, 0 0 0 0 0 0

41、0 0 0 0 02.1.5 查看含有特定詞的文檔若要考察多個文檔特定詞匯的出現(xiàn)頻率或以手工生成字典，并將其作為生成陣的參數(shù)> inspect(tdmc("price", "texas"),c("127","144","191","194")a term-document matrix (2 terms, 4 documents)non-/sparse entries: 6/2sparsity : 25%maximal term length: 5 weighting

42、: term frequency (tf) docsterms 127 144 191 194 price 2 1 2 2 texas 1 0 0 2> inspect(documenttermmatrix(reuters,+ list(dictionary = c("prices", "crude", "oil")a document-term matrix (20 documents, 3 terms)non-/sparse entries: 41/19sparsity : 32%maximal term length: 6

43、 weighting : term frequency (tf) termsdocs crude oil prices 127 3 5 4 144 0 11 4 191 3 2 0 194 4 1 0 211 0 2 0 236 1 7 2 237 0 3 02.1.6 元數(shù)據(jù)操作（詞元素） 查看詞條出現(xiàn)次數(shù)大于某個具體值的詞findfreqterms(dtm,5)#查看出現(xiàn)頻大于等于5的詞 查看與某一詞相關(guān)度大于0.8的詞條> findassocs(dtm,'opec',0.8) opecmeeting 0.8815.8 0.85oil 0.

44、85emergency 0.83analysts 0.82buyers 0.802.1.7 處理詞頻矩陣> dtm2<-removesparseterms(dtm,sparse=0.95) /parse值越少，最后保留的term數(shù)量就越少0.95是指如果某一詞出現(xiàn)在文檔的概率少于（1-0.95）則不再保留到詞頻矩陣。即刪除權(quán)重少的元素。2.1.8 轉(zhuǎn)換為標(biāo)準(zhǔn)陣temp=as.data.frame(inspect(dtm2)> temptoscale<-scale(temp)2.2 文本挖掘聚類分析> d <- dist(temptoscale, method

45、 = "euclidean")> fit <- hclust(d, method="ward")> plot(fit)2.3 分析結(jié)果從聚類圖可以看出，文檔16和17是比較接近的。而3，4，1，19可以聚成一類，1，6，11，10，13也可分別聚為一類3 中文文本挖掘?qū)嵗?.1 前期準(zhǔn)備3.1.1 mmseg4j分詞使用中文分詞法，由于詞之間無有像英文一樣的空隔，好在有java已經(jīng)解決了這樣的問題，我們只需要在r-console里加載rjava與rmmseg4j兩個工具包即可。如>mmseg4j("中國人民從此站起來了&

46、quot;)1 中國 人民 從此 站 起來但事實上其技術(shù)是好幾代之前的了，目前很少有人還在使用，并且其精度不高，用戶自定義詞典在r測試并無效。> teststring<-c('我要學(xué)習(xí)r語言，興趣小組，學(xué)無止盡')> mmseg4j(teststring)1 "我要 學(xué)習(xí) r 語言 興趣小組 學(xué) 無止 盡"盡管在d:program filesrr-3.0.3libraryrmmseg4juserdic中將自定義的詞典r語言寫入，但似乎并沒有被識別到。3.1.2 rwordseg介紹所需要的中文分詞包rwordseg，rjava包rwords

47、eg 是一個r環(huán)境下的中文分詞工具，使用rjava調(diào)用java分詞工具ansj。ansj 也是一個開源的 java 中文分詞工具，基于中科院的 ictclas 中文分詞算法，采用隱馬爾科夫模型（hidden markov model, hmm）。作者孫健重寫了一個java版本，并且全部開源，使得 ansi 可用于人名識別、地名識別、組織機構(gòu)名識別、多級詞性標(biāo)注、關(guān)鍵詞提取、指紋提取等領(lǐng)域，支持行業(yè)詞典、 用戶自定義詞典。 分詞segmentcn(strwords, analyzer = get("analyzer", envir = .rw

48、ordsegenv), nature = false, nosymbol = true, returntype = c("vector", "tm"), isfast = false, outfile = "", blocklines = 1000)nature用于設(shè)置是否輸出詞性，默認不用。> segmentcn(teststring) 1 "我" "要" "學(xué)習(xí)" "r語言" "興趣" "小組" "

49、;學(xué)" "無" "止" "盡" 加入用戶自定義詞典并進行測試 自定義詞典> insertwords(c("我要")> segmentcn(teststring)1 "我要" "學(xué)習(xí)" "r語言" "興趣" "小組" "學(xué)" "無" "止" "盡" 安裝新的詞典installdict(&q

50、uot;e:/default.dic") 人名識別設(shè)置> getoption("isnamerecognition")1 falsesegment.options(isnamerecognition = true)用于設(shè)置是否進行人名識別segment.options(isnamerecognition = true)3.1.3 讀取網(wǎng)站內(nèi)容> library("xml", lib.loc="d:/program files/r/r-3.0.3/library")> x <- htmlp

51、arse("/cn/")> iconv(xmlvalue(getnodeset(x, "/ahref")1), 'utf-8', '')#轉(zhuǎn)換編碼1 "cos論壇 | 統(tǒng)計之都"tables=readhtmltable(x)#讀取內(nèi)容> tables$nullnull$latest 帖子 發(fā)表新帖子 <u+00bb> 回復(fù) 作者 最后回復(fù) 最近更新1 cos論壇說明（新手必讀） - 23474849 979 謝益輝 cassiusoat 2 周3.1.

52、4 tm中文常識在tm 中主要的管理文件的結(jié)構(gòu)被稱為語料庫（corpus），代表了一系列的文檔集合。語料庫是一個概要性的概念，在這里分為動態(tài)語料庫（volatile corpus，作為r 對象保存在內(nèi)存中）和靜態(tài)語料庫（permanent corpus，r 外部保存）。在語料庫構(gòu)成中，x 必須有一個說明資料來源（input location）的源對象（source object）。我們可以看一下tm 中corpus（或vcorpus）函數(shù)的用法，對于動態(tài)語料庫：corpus(x,2 readercontrol = list(reader = x$defaultreader, language

53、= "en"),3 .)在tm 中靜態(tài)語料庫也是可以處理的，但需要使用filehash 包來支持：1 pcorpus(x,2 readercontrol = list(reader = x$defaultreader, language = "en"),3 dbcontrol = list(dbname = "", dbtype = "db1"),4 .)對于這些資料來源（即x），tm 包提供了一些相關(guān)的函數(shù)，比如 dirsource：處理目錄 vectorsource：由文檔構(gòu)成的向量 dataframesour

54、ce：數(shù)據(jù)框，就像csv 文件第二個參數(shù)是readercontrol，這里必須聲明reader 和language 兩個內(nèi)容。第一個reader是指從資料源創(chuàng)立的文本文件。tm 包提供了一系列的函數(shù)支持（比如，readplain(),readgmane(), readrcv1(), readreut21578xmlasplain(), readpdf(), readdoc() 等）。3.2 文件整理將各個文檔放入一個csv文件夾中，格式如下3.3 讀取文件> mydata<-read.csv(file.choose(),header=t)3.4 生成并處理語料庫> txt&l

55、t;-corpus(vectorsource(mydata)> txt<-tm_map(txt,removenumbers)#去除數(shù)字> txt<-tm_map(txt,stripwhitespace)#去除多余空格> txt<-tm_map(txt,removepunctuation)#去除標(biāo)點符號> txt<-tm_map(txt,removewords, stopwords("english")#將英文中的停詞刪掉：例如把thatat等英文介詞去掉。> txt<-tm_map(txt,plaintextdoc

56、ument)#去掉空文件> inspect(txt1)#查看內(nèi)容a corpus with 1 text documentthe metadata consists of 2 tag-value pairs and a data frameavailable tags are: create_date creator available variables in the data frame are: metaid $txt1 確定性趨勢3.5 中文分詞并重新生成語料庫txt<-segmentcn(as.character(txt)#將語料庫中的中文時行分詞txt<-corp

57、us(vectorsource(txt)3.6 導(dǎo)入中文停詞表將文件轉(zhuǎn)換成csv文件導(dǎo)入中文停詞表，并轉(zhuǎn)換成向量格式cnword<-read.csv(file.choose(),header=f,stringsasfactors=f)cnword<-as.vector(cnword1:dim(cnword)1,)#需要為向量格式3.7 生成詞頻矩陣并處理稀疏詞匯dtm<-documenttermmatrix(txt,control=list(dictionary=cnword,removepunctuation = true,stopwords=true, wordlengt

58、hs = c(1, inf)# punctuation是否去掉標(biāo)點符號默認falseremovenumbers是否去掉數(shù)字默認false，#dictionary設(shè)置要統(tǒng)計的中文詞語，如果不設(shè)置的話，默認會從所有的語料庫里統(tǒng)計。#wordlengths設(shè)置如果詞的長度大于x時舍去。> dtm2 = removesparseterms(dtm, sparse=0.9)df_dtm2<-as.data.frame(inspect(dtm2)#將詞頻矩陣轉(zhuǎn)換為數(shù)據(jù)框格式得到a document-term matrix (5 documents, 783 terms)non-/sparse entries: 890/3025sparsity : 77%maximal term length: 65 weighting : term frequency (tf)3.8 文