文章目录

1、中文用 jieba，英文用 word_tokenize

jieba 对中文分词已经讲过，这里跳过

你可以把 NLTK 想象成 NLP 领域的“瑞士军刀”兼“教科书”。它不仅仅是一个工具库，更是自然语言处理（NLP）入门和学术研究的基石。

  1. NLTK 是什么？
  • 全称：Natural Language Toolkit（自然语言工具包）。
  • 身份：它是 Python 编程语言中一个领先的平台，专门用于构建处理人类语言数据（文本、语音等）的程序。
  • 地位：
    • 学术界的标准：自 2001 年项目启动以来，它一直是全球大学 NLP 课程的首选教学工具。绝大多数经典的 NLP 论文和算法实现都基于或参考了 NLTK。
    • 原型开发的利器：由于功能丰富且接口统一，研究人员和工程师常用它来快速验证想法、测试算法原型。
  • 核心哲学：“教育 + 实用”。它不仅提供能运行的代码，还提供了大量的文档、教程和数据集，旨在帮助用户理解语言学原理和算法逻辑。
  1. NLTK 是做什么的？（核心能力版图）

NLTK 的功能覆盖了从“原始文本”到“深度语义理解”的全流程。对于你的汉译英任务，它主要承担预处理和后处理的角色。

它的核心能力可以分为以下几个层级：

A. 基础预处理层（你的训练数据最需要的）

这是 NLTK 最常用的功能，负责把杂乱的文本变成模型能读懂的结构化数据。

  • 分词 (Tokenization)：
    • 单词分词：把句子切成单词（如 word_tokenize），智能处理标点、缩写（如将 don't 拆为 do + n't）。
    • 句子分词：把长文章切成独立的句子（sent_tokenize），识别句号、问号等结束符。
  • 词干提取与词形还原 (Stemming & Lemmatization)：
    • 把 running, runs, ran 还原为原形 run。
    • ⚠️ 注意：在机器翻译任务中，通常不使用此功能，因为时态、语态和单复数信息对翻译结果至关重要；此功能更多用于搜索或文本分类任务。
  • 停用词过滤 (Stopwords Filtering)：
    • 识别并移除像 the, is, at, on 这样高频但信息量低的词。
    • ⚠️ 注意：同样，翻译任务通常保留停用词，因为它们承载了语法结构信息。

B. 语法结构层

分析句子的内部构造，理解词与词之间的关系。

  • 词性标注 (POS Tagging)：
    • 给每个词打上标签，区分它是名词 (NN)、动词 (VB)、形容词 (JJ) 还是标点。例如：smiled/VBD (过去式动词)。
  • 组块分析 (Chunking)：
    • 识别短语结构，如名词短语 (NP)、动词短语 (VP)。
  • 句法分析 (Parsing)：
    • 生成句法树，展示句子的层级结构（谁修饰谁，谁是主语，谁是谓语）。

C. 语义与应用层

尝试理解文本的含义。

  • 命名实体识别 (NER)：
    • 自动识别文本中的人名、地名、机构名、时间、货币等。
  • 情感分析 (Sentiment Analysis)：
    • 判断一段文字是积极的、消极的还是中立的。
  • 文本分类 (Text Classification)：
    • 将文档归类（如：垃圾邮件检测、新闻主题分类）。
  • 语义相似度：
    • 利用 WordNet（见下文）计算两个词的语义距离。

D. 资源与数据层（它的宝藏）

NLTK 不仅仅有代码，还内置了海量的语料库 (Corpora) 和 词典 (Lexical Resources)，一键即可下载调用：

  • 语料库：古腾堡计划书籍、布朗语料库、新闻文本、电影评论等，用于训练和测试。
  • WordNet：一个巨大的英语词汇数据库，记录了单词之间的同义、反义、上下位关系（类似超级字典）。
  • 预训练模型：如前面提到的 punkt (分词规则)、averaged_perceptron_tagger (词性标注模型) 等。
  1. NLTK 的安装与资源获取

安装 NLTK 分为两步：安装库本身 和 下载所需的数据包。这与其他库（如 requests 或 pandas）略有不同，需要特别注意。

第一步：安装 Python 库

使用 Python 的包管理工具 pip 进行安装。

  • 命令：

    pip install nltk

  • 验证：
    在 Python 中输入 import nltk，如果没有报错，说明库安装成功。

第二步：下载数据资源包（关键！）

NLTK 的核心功能依赖于外部数据文件（如分词规则、词性标注模型、语料库）。这些文件不会随库自动安装，需要手动下载。

  • 存储位置：下载的文件默认存储在用户主目录下的 nltk_data 文件夹中（例如 ~/nltk_data 或 C:\Users\Name\nltk_data）。

  • 方法一：交互式下载（推荐初学者）
    在 Python 环境中运行以下代码，会弹出一个图形化界面，你可以用鼠标勾选需要的包（如 punkt, averaged_perceptron_tagger, stopwords, wordnet 等）进行下载。

    import nltk

# 可能报错
nltk.download()

  • 方法二：命令行指定下载（推荐服务器/自动化脚本）
    如果你知道具体需要什么包（例如你只需要分词功能），可以直接下载特定的包，节省空间和时间。

    import nltk

# 下载分词所需的 punkt 包
nltk.download('punkt')

# 下载词性标注所需的包
nltk.download('averaged_perceptron_tagger')

# 下载停用词列表
nltk.download('stopwords')

# 下载 WordNet 词典
nltk.download('wordnet')

  • 方法三：下载所有数据（不推荐，体积很大）
    如果你想把 NLTK 的所有功能都试用一遍，可以下载全部数据（约几 GB）。

    nltk.download('all')
  1. NLTK 的优缺点分析（帮你判断是否适合你）

为了让你更清晰地定位 NLTK，我们需要客观地看它的长处和短处。

✅ 优点（为什么选它）

  1. 功能极其全面：从分词到句法分析，一站式解决，无需拼凑多个库。
  2. 文档与教程极佳：官方提供的《NLTK Book》是公认的 NLP 入门圣经，代码示例丰富，解释详尽。
  3. 标准化程度高：它的分词和标注标准（Penn Treebank）是业界通用语言，使用它能保证你的数据格式与主流研究接轨。
  4. 易于调试和学习：因为它主要是纯 Python 编写且逻辑透明，非常适合用来理解算法原理。

❌ 缺点（需要注意的地方）

  1. 速度较慢：由于是纯 Python 实现且注重代码可读性，NLTK 的处理速度远不如基于 C/C++ 或 Cython 优化的库（如 spaCy 或 Stanza）。在处理亿级数据时可能会成为瓶颈。
  2. 不适合生产环境的高并发场景：在需要毫秒级响应的线上服务中，NLTK 往往不是首选。
  3. 深度学习支持较弱：NLTK 主要专注于传统机器学习方法和规则方法。虽然它可以作为预处理工具配合 PyTorch/TensorFlow 使用，但它本身不提供构建深度神经网络模型的功能（这点不同于 Hugging Face Transformers）。
  4. 多语言能力有限：虽然支持多种语言，但其核心优势主要集中在英语。对于中文等其他语言，其内置模型的效果通常不如专用工具（如中文用 jieba，多语言用 spaCy 或 Stanza）。
  1. 总结：NLTK 在汉译英项目中的角色

在项目中，NLTK 不是用来“训练模型”的（那是 PyTorch/TensorFlow/Fairseq 的工作），也不是用来“部署服务”的（那是 spaCy 或 C++ 引擎的工作）。

它的角色是：数据清洗工 & 质检员。

  • 输入端（预处理）：它负责把原始英文句子，按照标准的学术规范，切分成干净的 Token 序列（处理标点、拆分缩写），生成高质量的训练语料。
  • 输出端（后处理/Detokenization）：它负责把模型预测出来的 Token 序列，智能地还原成符合人类阅读习惯的自然句子（去除多余空格、合并缩写、调整标点间距）。

一句话定位：
NLTK 是构建高质量汉译英数据集的必备预处理工具，它保证了数据“格式标准、干净规范”，从而让后续的模型训练更加高效、准确。


2、nltk.download('punkt') 介绍

关于 punkt 包的详细信息如下：

  1. punkt 的全称是什么？

它没有更长的“全称”，punkt 就是它的正式名称。

  • 词源：这个名字来源于德语单词 “Punkt”，意思是 “点” 或 “句点”（即标点符号中的句号 .）。
  • 命名含义：之所以叫这个名字，是因为这个包的核心算法（Punkt Sentence Tokenizer）最初是由 Kisiel 和 Palmer 在 2003 年提出的，专门用于智能地识别句子边界。它能区分作为小数点的“点”（如 3.14）、作为缩写的“点”（如 Mr.）和作为句子结束的“点”（.）。
  • 在 NLTK 中的路径：在 NLTK 的数据结构中，它位于 tokenizers/punkt 目录下。
  1. 这个包适用于什么语言？

punkt 是一个多语言支持的分词/分句模型包，不仅仅适用于英语。

当你运行 nltk.download('punkt') 时，你下载的其实是一个包含多种语言预训练模型的集合包。

  • 支持的语言：
    它内置了超过 17+ 种语言 的无监督分句模型，包括但不限于：

    • 🇺🇸 英语 (english)
    • 🇩🇪 德语 (german)
    • 🇫🇷 法语 (french)
    • 🇪🇸 西班牙语 (spanish)
    • 🇮🇹 意大利语 (italian)
    • 🇵🇹 葡萄牙语 (portuguese)
    • 🇳🇱 荷兰语 (dutch)
    • 🇸🇮 斯洛文尼亚语 (slovene)
    • 🇵🇱 波兰语 (polish)
    • 🇨🇿 捷克语 (czech)
    • 🇷🇺 俄语 (russian)
    • 🇪🇪 爱沙尼亚语 (estonian)
    • 以及更多…

  • 如何指定语言？
    虽然你下载的是一个大包，但在使用时，NLTK 默认会使用英语模型。如果你想处理其他语言，需要显式指定：

    from nltk.tokenize import sent_tokenize, word_tokenize

text = "Bonjour tout le monde. Comment ça va?"

# 默认使用英语模型（效果可能不好）
# sent_tokenize(text) 

# 指定使用法语模型
sent_tokenize(text, language='french')

  • 对中文的支持情况：
    ⚠️ 注意：punkt 不支持中文分词。

    • 原因：中文没有像英文那样的空格分隔，且句号（。）与英文句点（.）不同。punkt 算法是基于空白字符和特定标点逻辑设计的，无法直接处理连续的中文字符串。
    • 解决方案：处理中文请使用 jieba、HanLP 或 NLTK 中其他特定的中文模块（如果有），但在实际生产中，中文通常专用 jieba。

总结

  • 名称：punkt (源自德语“句点”)。
  • 用途：提供基于统计学的智能句子分割和单词分割规则。
  • 语言支持：多语言（英、德、法、西等欧洲语言为主），不支持中文。
  • 你的场景：在做汉译英时，你只需要用它来处理英文部分（源语言或目标语言的英文侧），此时它默认加载英语模型，完美适用。

3、nltk.download('punkt') 报错解决

import nltk
nltk.download('punkt')

运行这段代码可能报错：

F:\Anaconda\python.exe F:\Pycharm\works-space\NL\main.py 
[nltk_data] Error loading punkt: <urlopen error [Errno 11004]
[nltk_data]     getaddrinfo failed>

这个错误 [Errno 11004] getaddrinfo failed 是一个非常典型的 DNS 解析失败 或 网络连接问题。

简单来说：你的 Python 程序试图连接 NLTK 的官方服务器（通常在 GitHub 或 Google Storage 上）去下载数据，但是你的电脑找不到这个服务器的地址，或者被防火墙/网络环境拦截了。这在大陆地区的网络环境下非常常见。

手动下载并离线安装

既然自动下载不行，我们就手动把文件下载下来，放到 NLTK 指定的文件夹里。这就像你去应用商店下载失败，直接去官网下载安装包安装一样。

第 1 步：下载数据包

请点击以下链接之一下载 punkt.zip 文件（如果链接失效，请搜索 “nltk punkt zip github”）：

注意：下载下来的是一个 punkt.zip 压缩包，不要解压。

第 2 步：找到 NLTK 的数据存储目录

你需要知道 NLTK 想把文件存在哪里。运行下面这段简短的 Python 代码，它会打印出默认路径：

import nltk
# 这会打印出类似 'C:\\Users\\YourName\\AppData\\Roaming\\nltk_data' 的路径
print(nltk.data.path)

输出示例：

['C:\\Users\\asus/nltk_data', 'F:\\Anaconda\\nltk_data', 'F:\\Anaconda\\share\\nltk_data', 'F:\\Anaconda\\lib\\nltk_data', 'C:\\Users\\asus\\AppData\\Roaming\\nltk_data', 'C:\\nltk_data', 'D:\\nltk_data', 'E:\\nltk_data']

它告诉我们 NLTK 会按顺序在这些路径中查找数据文件。只要文件存在于其中任何一个路径下，NLTK 就能成功加载！

注意到列表的第一个路径是：'C:\\Users\\asus/nltk_data'

通常路径是：

  • Windows: C:\Users\你的用户名\AppData\Roaming\nltk_data
  • Mac/Linux: ~/nltk_data 或 /usr/local/share/nltk_data

提示：AppData 文件夹通常是隐藏的。你可以在文件资源管理器地址栏直接输入 %APPDATA% 然后回车，就能快速进入 Roaming 文件夹。

你会发现，上面的任何一个路径都找不到 叫 “nltk_data” 的文件夹

正因为没有，所以你才需要手动创建它。

NLTK 的逻辑是：“我去这些路径找找看有没有数据，如果有就用，如果没有我就尝试联网下载”。
之前报错是因为它发现没有本地文件，于是尝试联网下载，结果网络失败了。
现在的任务就是：你手动把这个“家”建好，把文件放进去，这样它就不用联网了。

第 3 步：放置文件

  1. 在上述路径下，找到一个叫 nltk_data 的文件夹（如果没有就新建一个）。
  2. 在 nltk_data 里面，创建一个叫 tokenizers 的文件夹（如果没有就新建）。
  3. 把你下载的 punkt.zip 文件，直接放入 tokenizers 文件夹中。
    • 最终路径结构应该是这样的：
      .../nltk_data/tokenizers/punkt.zip
    • ⚠️ 关键点：确保 punkt.zip 就在 tokenizers 目录下，不需要解压它！NLTK 可以直接读取 zip 包。

第 4 步：验证

重新运行你的代码：

import nltk
# 这次它会发现本地已经有文件了，不会尝试联网，直接返回 True
nltk.download('punkt') 
print("成功！")

import nltk
from nltk.tokenize import word_tokenize

# 1. 不要管 download 的返回值，直接尝试使用功能
test_sentence = "Don't worry, it works!"

try:
    # 尝试分词。如果本地文件正确，这步会瞬间完成，无需联网。
    tokens = word_tokenize(test_sentence)
    
    print("✅ 验证通过！NLTK 工作正常。")
    print(f"原始句子: {test_sentence}")
    print(f"分词结果: {tokens}")
    
except LookupError as e:
    # 如果报这个错，说明真的没找到文件
    print("❌ 验证失败：找不到 punkt 数据。")
    print("错误详情:", e)
    print("请再次检查文件路径是否正确：C:\\Users\\asus\\nltk_data\\tokenizers\\punkt.zip")
    print("注意：必须是 punkt.zip，且不能解压，必须在 tokenizers 文件夹内。")
    
except Exception as e:
    # 其他错误
    print("❌ 发生其他错误:", e)

如果还报错，继续往下看：

报错内容：

F:\Anaconda\python.exe F:\Pycharm\works-space\NL\main.py 
❌ 验证失败：找不到 punkt 数据。
错误详情: 
**********************************************************************
  Resource punkt_tab not found.
  Please use the NLTK Downloader to obtain the resource:

  >>> import nltk
  >>> nltk.download('punkt_tab')
  
  For more information see: https://www.nltk.org/data.html

  Attempted to load tokenizers/punkt_tab/english/

  Searched in:
    - 'C:\\Users\\asus/nltk_data'
    - 'F:\\Anaconda\\nltk_data'
    - 'F:\\Anaconda\\share\\nltk_data'
    - 'F:\\Anaconda\\lib\\nltk_data'
    - 'C:\\Users\\asus\\AppData\\Roaming\\nltk_data'
    - 'C:\\nltk_data'
    - 'D:\\nltk_data'
    - 'E:\\nltk_data'
**********************************************************************

请再次检查文件路径是否正确：C:\Users\asus\nltk_data\tokenizers\punkt.zip
注意：必须是 punkt.zip，且不能解压，必须在 tokenizers 文件夹内。

进程已结束，退出代码为 0

这是一个非常关键的发现！错误信息变了：

❌ 之前报错：Resource punkt not found
✅ 现在报错：Resource punkt_tab not found

原因揭秘：
你安装的 NLTK 版本比较新（可能是 3.9 或更高版本）。在新版本中，NLTK 升级了分词器，默认使用一个新的、更优化的数据包，名字叫 punkt_tab，而不是旧的 punkt。
你之前辛苦下载的 punkt.zip 是旧版数据，虽然还在，但新版 NLTK 优先寻找 punkt_tab，找不到就报错了。

解决方案：
你需要下载 punkt_tab.zip 而不是 punkt.zip。步骤和之前完全一样，只是文件名变了。

🚀 修正步骤（只需 2 分钟）

第 1 步：下载新的数据包 punkt_tab.zip

请使用浏览器下载这个新文件（旧的那个 punkt.zip 可以留着备用，但这次主要用新的）：

注意：下载后文件名必须是 punkt_tab.zip，不要解压。

第 2 步：放入正确的文件夹

路径和之前完全一样，只是把文件换成新的。

  1. 打开路径：C:\Users\asus\nltk_data\tokenizers\
    • 如果 tokenizers 文件夹还没建，请按之前的步骤新建它。
  2. 将下载的 punkt_tab.zip 放入该文件夹。

✅ 最终确认路径：
C:\Users\asus\nltk_data\tokenizers\punkt_tab.zip

(此时你的 tokenizers 文件夹里可能既有 punkt.zip 也有 punkt_tab.zip，这没关系，只要有了 punkt_tab.zip 就能解决当前问题)

第 3 步：再次运行验证代码

不需要修改代码，直接再次运行你刚才那段验证代码：

import nltk
from nltk.tokenize import word_tokenize

test_sentence = "Don't worry, it works!"

try:
    tokens = word_tokenize(test_sentence)
    print("✅ 验证通过！NLTK 工作正常。")
    print(f"原始句子: {test_sentence}")
    print(f"分词结果: {tokens}")
except LookupError as e:
    print("❌ 依然失败。请确认是否下载了 punkt_tab.zip 并放入了 tokenizers 文件夹。")
    print("当前需要文件:", "C:\\Users\\asus\\nltk_data\\tokenizers\\punkt_tab.zip")
except Exception as e:
    print("❌ 其他错误:", e)

💡 为什么会出现这种情况？

NLTK 在 2024-2025 年期间进行了更新，引入了 punkt_tab 作为默认的英语分词模型，因为它加载速度更快、内存占用更小。老教程通常只提 punkt，导致很多新用户下载错了包。

总结：

  1. 下载 punkt_tab.zip。
  2. 放到 C:\Users\asus\nltk_data\tokenizers\。
  3. 搞定！

快去试试，这次应该能直接输出分词结果了！

如果，还报错！

F:\Anaconda\python.exe F:\Pycharm\works-space\NL\main.py 
❌ 发生其他错误: [Errno 2] No such file or directory: 'F:\\Anaconda\\nltk_data\\tokenizers\\punkt_tab.zip\\punkt_tab\\english/collocations.tab'

就快成功了！！！笑吧，哈哈哈哈

这个错误非常具体且关键：
[Errno 2] No such file or directory: '.../punkt_tab.zip\\punkt_tab\\english/collocations.tab'

问题诊断：
这说明 NLTK 找到了 punkt_tab.zip 文件，但是它试图直接读取 zip 包内部的文件结构时失败了。
通常原因有两个：

  1. Zip 包结构不对：你下载的 zip 包解压后，第一层文件夹名字可能不是 punkt_tab，或者里面缺少了 english/collocations.tab 这个具体文件。
  2. NLTK 版本与数据包不匹配：某些新版本的 NLTK 对 zip 包的读取逻辑变了，或者你下载的数据包版本过旧/过新，导致内部路径对不上。
  3. 最可能的情况：你下载的 punkt_tab.zip 可能是一个包含文件夹的压缩包（例如 punkt_tab/punkt_tab/...），或者 NLTK 期望的是解压后的文件夹而不是 zip 包。

🚀 终极解决方案：直接解压！
既然读取 zip 报错，我们就手动解压它。NLTK 完全支持读取文件夹形式的数据。

步骤 1：找到并解压文件

  1. 打开路径：C:\Users\asus\nltk_data\tokenizers\

  2. 找到你刚才放入的 punkt_tab.zip。

  3. 右键点击 -> 解压到当前文件夹 (或者使用 WinRAR/7-Zip 解压)。

    • 解压后，你应该会看到一个名为 punkt_tab 的文件夹。

  4. 关键检查：

    • 进入 punkt_tab 文件夹。
    • 再进入 english 文件夹。
    • 确认里面有一个叫 collocations.tab 的文件。
    • 正确结构：
      C:\Users\asus\nltk_data\tokenizers\punkt_tab\english\collocations.tab

    (如果解压后发现是 punkt_tab\punkt_tab\english...，请把里面那一层 punkt_tab 文件夹移出来，确保 english 文件夹直接在 punkt_tab 下)

步骤 2：删除或保留 zip 包（可选）

解压成功后，你可以删除 punkt_tab.zip，也可以留着。NLTK 会优先读取文件夹。

步骤 3：再次运行验证代码

现在再次运行你的 Python 代码：

import nltk
from nltk.tokenize import word_tokenize

test_sentence = "Don't worry, it works!"

try:
    tokens = word_tokenize(test_sentence)
    print("✅ 验证通过！NLTK 工作正常。")
    print(f"原始句子: {test_sentence}")
    print(f"分词结果: {tokens}")
except LookupError as e:
    print("❌ 依然找不到数据。")
    print("请确认文件夹结构是否正确：")
    print("C:\\Users\\asus\\nltk_data\\tokenizers\\punkt_tab\\english\\collocations.tab 必须存在")
except Exception as e:
    print("❌ 发生其他错误:", e)
    import traceback
    traceback.print_exc()

输出：

F:\Anaconda\python.exe F:\Pycharm\works-space\NL\main.py 
✅ 验证通过！NLTK 工作正常。
原始句子: Don't worry, it works!
分词结果: ['Do', "n't", 'worry', ',', 'it', 'works', '!']

进程已结束，退出代码为 0

💡 为什么之前 zip 不行？

NLTK 在某些 Windows 环境下，对嵌套 zip 包的路径解析（尤其是涉及 / 和 \ 混用时）偶尔会抽风。直接解压成文件夹是最稳定、最不容易出错的方式，相当于把“安装包”变成了“绿色版”。

只要看到 collocations.tab 文件在正确的位置，代码一定能跑通！ 快去解压试试。


4、punkt_tab 数据包所支持的具体语言

在这里插入图片描述

截图中的这些文件夹名字（czech, danish, english, french 等），正是 punkt_tab 数据包所支持的具体语言列表。

🔍 详细解读

  1. 多语言支持：
    NLTK 的 punkt 算法是一个无监督的句子分割模型。它不需要像深度学习模型那样庞大的训练数据，而是通过分析文本中的缩写、标点频率等统计特征来工作。因此，它可以为多种语言分别训练一套规则参数。

  2. 文件夹的作用：
    每一个文件夹（例如 english）里都存放着该语言特有的统计数据文件（如 .collocations.tab, .orthography_context.tab 等）。

    • 当你调用 word_tokenize(text, language='english') 时，NLTK 就会去读取 english 文件夹里的数据。
    • 如果你处理法语文本，调用 language='french'，它就会去读 french 文件夹。

  3. 默认行为：
    如果你在调用 word_tokenize(text) 时不指定 language 参数，NLTK 默认会使用 english 文件夹里的数据。这就是为什么我们之前必须确保 english 文件夹存在且完整的原因。

📝 支持的语言列表（基于我的截图）

我的 punkt_tab 包支持以下语言：

  • 🇨🇿 Czech (捷克语)
  • 🇩🇰 Danish (丹麦语)
  • 🇳🇱 Dutch (荷兰语)
  • 🇺🇸/🇬🇧 English (英语) 👈 最常用的
  • 🇪🇪 Estonian (爱沙尼亚语)
  • 🇫🇮 Finnish (芬兰语)
  • 🇫🇷 French (法语)
  • 🇩🇪 German (德语)
  • 🇬🇷 Greek (希腊语)
  • 🇮🇹 Italian (意大利语)
  • 🇮🇳 Malayalam (马拉雅拉姆语)
  • 🇳🇴 Norwegian (挪威语)
  • 🇵🇱 Polish (波兰语)
  • 🇵🇹 Portuguese (葡萄牙语)
  • 🇷🇺 Russian (俄语)
  • 🇸🇮 Slovene (斯洛文尼亚语)
  • 🇪🇸 Spanish (西班牙语)
  • 🇸🇪 Swedish (瑞典语)
  • 🇹🇷 Turkish (土耳其语)

⚠️ 重要提示：关于中文

请注意，这个列表中没有 Chinese (中文)。

  • 原因：punkt 算法依赖于空格和特定的标点逻辑来切分句子和单词。中文是连续字符，没有空格分隔，且标点习惯不同，所以 punkt 无法直接处理中文。
  • 解决方案：这就是为什么你在处理汉译英数据时，英文部分用 NLTK (word_tokenize)，中文部分必须用 Jieba (jieba.lcut) 的原因。两者各司其职，互补使用。

💡 如何使用其他语言？

如果你将来需要处理法语数据，代码只需改一行：

# 处理法语
from nltk.tokenize import word_tokenize
french_text = "Bonjour tout le monde. Comment ça va?"

# 指定 language='french' 
tokens = word_tokenize(french_text, language='french')

总结：你看到的这些文件夹就是 NLTK 内置的“多语言工具箱”，每个文件夹对应一种语言的规则库。对于你的汉译英任务，只要保证 english 文件夹完好无损即可！


5、NLTK 核心功能深度详解

专为汉译英机器翻译数据预处理场景设计，涵盖了从底层原理、函数签名深度解析、参数微调、多语言支持到工业级实战代码的全方位内容。重点聚焦 word_tokenize 和 sent_tokenize，并补充必要的辅助工具。

💡 版本提示：NLTK 3.9+ 版本默认使用 punkt_tab 数据包，旧版本使用 punkt。本手册基于新版编写，若遇 LookupError，请确认已下载对应包（nltk.download('punkt_tab') 或 nltk.download('punkt')）。

  1. 单词分词 (Word Tokenization)

核心地位：NLP 流水线的“第一公里”。对于机器翻译，它的质量直接决定了词汇表（Vocabulary）的纯净度和模型的学习效率。

📌 函数签名

nltk.tokenize.word_tokenize(text, language='english', preserve_line=False)

底层实现类：nltk.tokenize.TreebankWordTokenizer

⚙️ 参数深度详解

参数名 类型 默认值 深度解析与内部逻辑
text str (必填) 待处理的原始字符串。⚠️ 注意：1. 必须是 str 类型，传入 None 或 bytes 会报错。2. 确保文本编码正确（推荐 UTF-8）。
language str 'english' 指定语言规则包。- 机制：对应 punkt_tab (或 punkt) 数据包下的文件夹名称（如 'french', 'german'）。- 作用：加载特定语言的缩写列表（如英语 don't，法语 l'）和标点规则。- 限制：仅支持拉丁语系及有空格分隔的语言。不支持中文、日文、韩文（需用 jieba 等）。- 依赖：若对应文件夹不存在，抛出 LookupError。
preserve_line bool False 是否强制保留换行符作为分词边界。- False (默认)：\n 被视为普通空白，被忽略。适合常规句子。- True：遇到 \n 强制切断。即使句子未完也会断开。 注：在某些版本中，开启此选项可能会在结果列表中保留 \n 作为一个 token，或导致列表结构变化，需根据实际输出调整后续逻辑。适用于诗歌、歌词或多行对齐数据。

💻 常用操作与场景演示

A. 基础分词：处理标点与缩写 (标准模式)

遵循 Penn Treebank 标准，机器翻译首选。

from nltk.tokenize import word_tokenize

text = "I don't think it's good, do you? It costs $10.50."
tokens = word_tokenize(text)

print(tokens)
# 输出: ['I', 'do', "n't", 'think', 'it', "'s", 'good', ',', 'do', 'you', '?', 'It', 'costs', '$', '10.50', '.']
  • 关键点：
    • don't → ['do', "n't"] (拆分否定后缀，助模型学习语法)。
    • $10.50 → ['$', '10.50'] (符号分离，数字内小数点保留)。
    • 标点 , ? . 全部独立成词。

B. 多语言分词

处理非英语数据时必须指定 language。

french_text = "L'homme est mort. Bonjour!"
# 指定法语规则，识别 L' 为特有缩写
fr_tokens = word_tokenize(french_text, language='french')
# 输出可能为: ['L', "'", 'homme', ...] 或 ['L\'', 'homme', ...] 视具体规则版本

C. 批量处理列表

sentences = ["Hello world.", "How are you?", "I'm fine."]
all_tokens = [word_tokenize(s) for s in sentences]
# [['Hello', 'world', '.'], ['How', 'are', 'you', '?'], ['I', "'m", 'fine', '.']]
  1. 句子分词 (Sentence Tokenization)

将长文本切分为独立句子列表，是处理长文档翻译的第一步。

📌 函数签名

nltk.tokenize.sent_tokenize(text, language='english')

底层实现类：nltk.tokenize.PunktSentenceTokenizer

⚙️ 参数深度详解

参数名 类型 默认值 深度解析
text str (必填) 待处理的长文本。
language str 'english' 指定语言规则包。- 加载对应语言的缩写白名单（如 Mr., Dr.），防止误将缩写后的点判为句末。- 处理德语等大写名词丰富的语言时尤为重要。

💻 常用操作

A. 智能识别句号

from nltk.tokenize import sent_tokenize

text = "Hello world. Dr. Smith is here. Wait..."
sentences = sent_tokenize(text)
# ['Hello world.', 'Dr. Smith is here.', 'Wait...']
# Dr. 和 ... 未被误切分

B. 标准流水线：先分句，再分词

long_text = "First sentence. Second one!"
sents = sent_tokenize(long_text)
tokens_list = [word_tokenize(s) for s in sents]
# [['First', 'sentence', '.'], ['Second', 'one', '!']]
  1. 智能还原 (Detokenization)

至关重要：模型输出的是 Token 列表，直接拼接会出错（如 Do n't）。必须使用 Detokenizer 还原。

📌 类与方法

from nltk.tokenize.treebank import TreebankWordDetokenizer

detokenizer = TreebankWordDetokenizer()
text = detokenizer.detokenize(tokens_list)

💻 常用操作

A. 还原缩写与标点

tokens = ['I', 'do', "n't", 'know', '.', '"', 'Hello', '"']
detokenizer = TreebankWordDetokenizer()
restored_text = detokenizer.detokenize(tokens)    # tokens 只能是一维列表，如果是二维列表则看下面的“预测后处理模板”
# 输出: I don't know. "Hello"
  • 规则：自动合并 do + n't → don't；去除标点前空格；处理引号间距。

B. 预测后处理模板

def post_process_prediction(model_output_tokens):
    detokenizer = TreebankWordDetokenizer()
    return [detokenizer.detokenize(tokens) for tokens in model_output_tokens]  # model_output_tokens是二维
  1. 辅助功能 (按需使用)

A. 停用词过滤 (Stopwords)

⚠️ 警告：机器翻译任务通常不使用，因 the, is 等词承载语法信息。移除会导致译文破碎。仅用于搜索/分类。

from nltk.corpus import stopwords
stop_words = set(stopwords.words('english'))
# filtered = [w for w in tokens if w.lower() not in stop_words]

B. 词性标注 (POS Tagging)

用于数据分析或特征工程。

from nltk import pos_tag
# 需下载: averaged_perceptron_tagger
tagged = pos_tag(word_tokenize("The baby smiled."))
# [('The', 'DT'), ('baby', 'NN'), ('smiled', 'VBD'), ('.', '.')]
  1. 综合实战：汉译英数据预处理生产级代码

此脚本整合了核心功能，包含错误处理和进度反馈，可直接用于百万级数据清洗。

import nltk
import jieba
from nltk.tokenize import word_tokenize
from nltk.tokenize.treebank import TreebankWordDetokenizer
import os

# --- 配置区域 ---
INPUT_FILE = 'raw_parallel_corpus.txt'
OUTPUT_FILE = 'processed_corpus.txt'
BATCH_SIZE = 1000

# 初始化还原器 (可选，若只需分词训练可不初始化)
detokenizer = TreebankWordDetokenizer()

def process_line(line, line_num):
    """处理单行平行语料：英文<TAB>中文"""
    line = line.strip()
    if not line:
        return None
    
    parts = line.split('\t')
    if len(parts) != 2:
        print(f"⚠️ 第 {line_num} 行: 格式错误，跳过。")
        return None
    
    en_raw, zh_raw = parts
    
    try:
        # 1. 英文分词 (NLTK)
        # 自动处理标点、缩写，遵循 Penn Treebank 标准
        en_tokens = word_tokenize(en_raw)
        en_final = " ".join(en_tokens)
        
        # 2. 中文分词 (Jieba)
        # NLTK 不适用于中文，必须使用 Jieba
        zh_tokens = jieba.lcut(zh_raw)
        zh_final = " ".join(zh_tokens)
        
        return f"{en_final}\t{zh_final}"
    
    except Exception as e:
        print(f"❌ 第 {line_num} 行: 处理异常 - {e}")
        return None

def main():
    if not os.path.exists(INPUT_FILE):
        print(f"错误: 找不到输入文件 {INPUT_FILE}")
        return

    print(f"开始处理: {INPUT_FILE} ...")
    success_count = 0
    error_count = 0
    
    with open(INPUT_FILE, 'r', encoding='utf-8') as f_in, \
         open(OUTPUT_FILE, 'w', encoding='utf-8') as f_out:
        
        for line_num, line in enumerate(f_in, 1):
            result = process_line(line, line_num)
            if result:
                f_out.write(result + '\n')
                success_count += 1
            else:
                error_count += 1
            
            if line_num % BATCH_SIZE == 0:
                print(f"🔄 进度: {line_num} 行 (成功:{success_count}, 失败:{error_count})")

    print(f"\n✅ 完成! 成功:{success_count}, 失败:{error_count}")
    print(f"输出至: {OUTPUT_FILE}")

if __name__ == "__main__":
    # 首次运行需确保下载资源，之后可离线运行
    # nltk.download('punkt_tab') # 新版
    # nltk.download('punkt')     # 旧版兼容
    main()

📝 数据流转示例

输入:

The baby smiled at me.	宝宝对我笑了。
"I don't know," she said.	她说：“我不知道。”

输出:

The baby smiled at me .	宝宝 对 我 笑 了。
" I do n't know , " she said .	她 说： “ 我 不 知道。 ”

关键变化：

  • 英文：标点分离 (me .)，缩写拆分 (do n't)，引号独立 (" I)。
  • 中文：Jieba 切分 (宝宝 对 我)。
  1. 避坑指南与最佳实践
场景 常见错误 ✅ 正确做法 原因
中文处理 用 word_tokenize 处理中文 用 jieba.lcut NLTK 基于空格，会将中文按字切开，破坏语义。
缩写处理 手动合并 do n't 保持原样，预测后还原 训练时需拆分以学习语法；预测后用 Detokenizer 智能还原。
标点处理 用 split() 分词 用 word_tokenize() split() 无法分离粘连标点，导致词汇表膨胀。
多语言 不指定 language 指定对应语言代码 不同语言缩写规则不同（如法语 L'），默认英语规则会出错。
性能 循环中重复 download() 仅在启动时检查一次 避免不必要的 IO 和网络请求。
还原输出 直接用 " ".join() 用 TreebankWordDetokenizer 直接 join 会产生 Do n't 等错误格式，Detokenizer 能智能去空格。

6、英文句子什么时候转小写？

问题：映射“token-ID”时，需要把英文词转成小写吗？

答案：强烈建议转为小写（Lowercase）。

理由：

  1. 减少词汇表大小（Vocabulary Size）：
    • 如果不转小写："Apple" (苹果) 和 "apple" (苹果) 会被视为两个不同的词，占用两个 ID。
    • 如果转小写：它们合并为一个词 "apple"，只占用一个 ID。
    • 好处：在 6w 条数据下，这能显著减少 <UNK> (未知词) 的出现概率，让模型更专注于学习词义而不是区分大小写形式。
  2. 符合大多数基线模型做法：
    • 除非你的任务对大小写非常敏感（例如：命名实体识别，或者需要区分 “us” (我们) 和 “US” (美国)），否则在基础的机器翻译任务中，统一小写是标准操作。
  3. 注意一致性：
    • 训练时：全部转小写。
    • 推理时：输入给模型的句子也必须先转小写，再转 ID。输出结果后，如果你需要恢复首字母大写，可以后期用规则处理（比如句首字母大写），但模型内部全程用小写。

例外情况：如果你发现翻译专有名词（如人名、地名）效果很差，可以尝试保留大小写，但这会增加词汇表负担。对于初学者，先统一小写是最稳妥的选择。

在特定的句子里，转成小写会丢失部分信息，甚至改变指代的精确性。

  • 原句：Table 1, Table S3, Supplementary Appendix
    • 这里的大写不仅仅是语法规范，更是专有名词的一部分，用来特指文档中的某个具体对象。
  • 转小写后：table 1, table s3, supplementary appendix
    • 后果 1（语义模糊）：table 变成了普通名词“桌子”或“表格”，失去了“特指图表编号”的强调意味。
    • 后果 2（歧义风险）：s3 变成小写后，可能无法区分是“附表3”（Supplementary Table 3 的缩写）还是其他含义（比如亚马逊云存储 S3，虽然语境不同，但在模型看来只是字符串）。
    • 后果 3（翻译质量）：在翻译成中文时，模型可能无法准确识别出这是需要保留格式的专有引用，可能会翻译成“桌子 1”或者漏翻“S3”的特殊含义。

🤔 那么，还要不要转小写？

这取决于你的任务目标和数据领域：

情况 A：通用机器翻译 / 日常对话 / 文学小说

  • 建议：坚决转小写。
  • 理由：这类数据中，大小写主要是语法规范（句首大写、人名大写）。统一小写能大幅减少词汇表，让模型更容易学习“Apple”和“apple”是同一个概念。损失的那点专有名词信息，通常可以通过上下文补全。

情况 B：生物医学 / 学术论文 / 法律文档 / 代码（你的数据属于此类！）

  • 建议：保留大小写（Case-Sensitive），或者使用混合策略。
  • 理由：
    1. 专有名词密集：如 PCR, DNA, HIV, Table S3, Figure 2A, p-value。转小写后 dna 和 Dna (如果是拼写错误) 难以区分，p-value 变成 p-value (没问题) 但 P (概率) 变成 p 可能混淆。
    2. 引用格式敏感：如你例子中的 Table 1，这是学术引用的标准格式，模型需要学会保留这种格式。
    3. 单位与变量：m (米) vs M (摩尔浓度)，s (秒) vs S (西门子)，大小写完全不同。

鉴于你有 6w 条数据，且看起来是生物医学领域的论文摘要（提到 “Supplementary Appendix”, “diagnosis”, “median age”），我强烈建议你：不要简单粗暴地全部转小写！

🚀 针对医学/学术数据的最佳实践方案

既然不能无脑转小写，那怎么解决词汇表爆炸的问题？有三种进阶方案：

方案 1：保留大小写（最推荐，简单有效）

  • 做法：完全不转小写，原样输入。
  • 优点：信息零丢失，Table 和 table 被区分开，模型能学到“大写的 Table 通常后面跟数字”。
  • 缺点：词汇表体积会增加约 30%-50%（因为每个词都有大写和小写两个版本）。
  • 可行性：你有 6w 条数据，这对于现代 Transformer 来说完全够用！词汇表稍微大一点（比如从 1万 增加到 1.5万）对显存和训练速度的影响微乎其微，但能显著提升专业术语的翻译准确度。
  • 结论：对于医学数据，请放弃“转小写”的执念，直接保留原文大小写。

方案 2：使用子词分词器（Subword Tokenization，如 BPE 或 WordPiece）

  • 做法：不使用简单的“按空格分词”，而是使用像 SentencePiece 或 HuggingFace 的 BertTokenizer。
  • 原理：它会把 Table 拆分成 Tab + ##le 或者类似的子词。大小写信息会被保留在子词中（例如 T 和 t 是不同的子词），但共享大部分词根。
  • 优点：既保留了大小写信息，又极大地控制了词汇表大小，还能很好地处理未登录词（如新出现的基因名 GENE-X123）。
  • 操作：如果你现在是用简单的 split() 分词，建议升级到 SentencePiece。

方案 3：特殊标记恢复法（复杂，不推荐）

  • 先转小写训练，然后在推理时通过规则把 table 1 强行改回 Table 1。
  • 缺点：规则很难写完美，容易出错，且模型本身没学过大小写的区别，效果通常不好。

💡 最终建议与修改后的处理流程

针对 6w 条医学/学术数据，请执行以下修改后的流程：

  1. 不要转小写！ (sentence.lower() 这行代码删掉)。
  2. 保留原始大小写，让模型去学习 Table 和 table 的区别。
  3. 特殊标记依然要加尖括号，防止冲突（这点不变）。
    • 特殊标记：['<pad>', '<unk>', '<sos>', '<eos>']
    • 真实词汇：'Table', 'table', 'S3', 's3' 都会作为不同的词进入词汇表。

总结

对于通用数据，转小写是好事；但对于医学/学术数据（尤其是包含大量 Table, Figure, Gene Name 的数据），保留大小写是必须的。你的 6w 条数据量完全支撑得起稍大一点的词汇表，请务必保留大小写以保证专业术语的准确性。


7、特殊 token 避免和英文单词冲突

问题：特殊 Tokens (PAD, UNK, SOS, EOS) 会和英语句子冲突吗？

答案：会有冲突风险，必须避免！

场景举例：
假设你的特殊标记定义为：

  • PAD -> 字符串 "pad"
  • UNK -> 字符串 "unk"
  • SOS -> 字符串 "sos"
  • EOS -> 字符串 "eos"

如果英语句子里恰好包含这些词：

  • 句子：“Call the police, it’s an emergency, sos!”
  • 句子：“I don’t know, it’s unk to me.” (虽然 unk 不是常用词，但 pad, sos, eos 很常见)

后果：
在构建词汇表时，程序会困惑：这个 "sos" 到底是代表“救命”这个单词，还是代表“句子开始”的特殊标记？

  • 如果映射错了，模型会把真正的单词 "sos" 当成控制符，导致翻译逻辑混乱。
  • 或者，模型永远学不到 "sos" 这个词的真实含义，因为它被特殊标记占用了。

✅ 解决方案：如何避免冲突？

业界标准的做法是使用**“不可见字符”或“特殊前缀”，确保特殊标记的字符串绝对不可能**出现在正常文本中。

方法 A：使用特殊前缀（推荐，最简单）

给所有特殊标记加上一个不会在自然语言中出现的符号，比如 < 和 >。

  • ❌ 错误定义：

    special_tokens = ['PAD', 'UNK', 'SOS', 'EOS'] 
# 风险：句子里可能有 "pad" 或 "sos"

  • ✅ 正确定义：

    special_tokens = ['<pad>', '<unk>', '<sos>', '<eos>']
# 安全：正常英语句子里几乎不可能出现 "<pad>" 这种带尖括号的组合

方法 B：使用 Unicode 控制字符（高级，不推荐初学者）

有些库会使用 Unicode 中的私有区域字符（如 \uE000 等）作为特殊标记。这些字符在正常文本中绝对不会出现。但这种方法调试时肉眼看不见，不方便排查错误，所以**方法 A（加尖括号）**是最佳选择。

📝 总结与行动清单

  1. 预处理策略：

    • 统一转小写：在分词和映射 ID 之前，对所有英文句子执行 .lower()。
    • 特殊标记格式化：将特殊标记定义为 ['<pad>', '<unk>', '<sos>', '<eos>']，务必加上尖括号。

  2. 检查代码：

    • 检查你的 build_vocab.py 或数据处理脚本，确保特殊标记的字符串包含特殊符号。
    • 检查你的推理代码，确保输入句子也经过了 .lower() 处理。

  3. 验证冲突：

    • 你可以特意构造一个包含 “sos”, “pad”, “unknown” 的测试句子，跑一遍映射流程，打印出对应的 ID。
    • 如果 "sos" 映射到的 ID 不等于 <sos> 的 ID（通常是 2），说明冲突避免成功！

8、代码

【config.py】部分内容

# --- 特殊 Token ---
PAD = 0
UNK = 1
SOS = 2
EOS = 3
# 所有特殊标记加上一个不会在自然语言中出现的符号，比如 `<` 和 `>`。
special_tokens = {'<PAD>': PAD, '<UNK>': UNK, '<SOS>': SOS, '<EOS>': EOS}

读取数据集, 构建平行预料 代码：

# 该函数是去读 【open_access】 数据集的，这个数据集里的中文和英文都分好词了，直接按空格分隔就行了
def get_data_open_access():
    with open(r'data/open_access/top90_zh.txt', mode='r', encoding='utf-8') as f:
        zh_lines = f.readlines()
    with open(r'data/open_access/top90_en.txt', mode='r', encoding='utf-8') as f:
        en_lines = f.readlines()

    zh_sentence = []    # 中文句子
    en_sentence = []    # 英文句子

    # 映射 词-ID
    zh_word_inx = {} | config.special_tokens   # 中文 词-ID
    en_word_inx = {} | config.special_tokens   # 英文 词-ID

    zh_cn = zip(zh_lines, en_lines)
    for zh, en in zh_cn:
        zh_sentence.append(zh.strip())
        en_sentence.append(en.strip())

        # zh = zh.strip().split(' ')   # 去掉两边的空白符, 按照空格分隔
        # zh = ''.join(zh)
        # for word in jieba.lcut(zh):   # 用jieba重新分词, 但最终效果与数据集中的原始数据结果相差不大
        for word in zh.strip().split(' '):
            if word not in zh_word_inx:
                zh_word_inx[word] = len(zh_word_inx)

        for word in en.strip().split(' '):
            if word not in en_word_inx:
                en_word_inx[word] = len(en_word_inx)

    # print(f'中文词表长度 = {len(zh_word_inx)}')   # 693 【对于 6w 条的原始数据: 32683(原始数据的词表)    33715(重新合并句子, 使用jieba分词) 】
    # print(f'英文词表长度 = {len(en_word_inx)}')   # 716 【对于 6w 条的原始数据: 36145(原词)            32985(转小写) 】
    # print(zh_word_inx)     # {'<PAD>': 0, '<UNK>': 1, '<SOS>': 2, '<EOS>': 3, '也许': 4, '不能': 5, ':': 6, '分析': 7, '结果': 8, ...}
    # print(en_word_inx)     # {'<PAD>': 0, '<UNK>': 1, '<SOS>': 2, '<EOS>': 3, 'probably': 4, 'not': 5, ':': 6, 'analysis': 7, 'suggests': 8, ...}


    # index to word
    zh_inx_word = {v: k for k, v in zh_word_inx.items()}
    en_inx_word = {v: k for k, v in en_word_inx.items()}
    # print(zh_inx_word)     # {0: '<PAD>', 1: '<UNK>', 2: '<SOS>', 3: '<EOS>', 4: '也许', 5: '不能', 6: ':', 7: '分析', 8: '结果', ...}
    # print(en_inx_word)     # {0: '<PAD>', 1: '<UNK>', 2: '<SOS>', 3: '<EOS>', 4: 'probably', 5: 'not', 6: ':', 7: 'analysis', 8: 'suggests', ...}

    return (
        zh_sentence,        # 中文句子, list[str], 每个元素是个已经分好词的句子
        en_sentence,        # 英文句子, list[str], 每个元素是个已经分好词的句子
        zh_word_inx,        # 中文词 - ID
        en_word_inx,        # 英文词 - ID
        zh_inx_word,        # ID - 中文词
        en_inx_word         # ID - 英文词
    )

Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

C语言的认识：入门

printf:使用时必须要使用#include<stdio.h>，即：阐述了C语言的头文件依赖。简单说就是：在使用任何标准库函数之前，都必须包含相应的头文件。C语言是面向过程的底层语言，遵循“头文件+main主函数+功能语句”的固定框架，在后续学习中将会沿着这七个阶段循序渐进的学习。存储单位：Bit->Byte->KB->MB->GB->TB。换而言之即：自己语言所表达的意思，计算机能听懂语言是什

avatar AtomGit开源社区

基于PLC的恒压供水控制系统西门子s7-1200变频恒压供水系统程序(设计源文件+万字报告+讲解)（支持资料、图片参考_降重降ai）

基于PLC的恒压供水控制系统西门子s7-1200变频恒压供水系统程序(设计源文件+万字报告+讲解)（支持资料、图片参考_降重降ai）5.带万字配套报告(恒压供水设计文档word版/pdf版)博途v16及其以上可打开。3.有图纸(I/O表主电路控制电路图CAD图纸dwg格式，以及总体程序流程图)1.有动态过程画面仿真和梯形图程序。4.程序打开运行视频。

avatar AtomGit开源社区
cover

Python优化TVA实时数据流水线

avatar AtomGit开源社区