久久国产乱子伦精品免费M,亚洲一区二区三区91,欧美国产在线视频,国产精品视频久久

  1. 馬哥教育官網(wǎng)首頁
  2. 技術(shù)干貨
  3. Python開發(fā)

Python自然語言處理工具小結(jié)

Python開發(fā) 11145

1 Python 的幾個自然語言處理工具

  1. NLTK:NLTK 在用 Python 處理自然語言的工具中處于領(lǐng)先的地位。它提供了 WordNet 這種方便處理詞匯資源的借口，還有分類、分詞、除莖、標注、語法分析、語義推理等類庫。
  2. Pattern:Pattern 的自然語言處理工具有詞性標注工具(Part-Of-Speech Tagger)，N元搜索(n-gram search)，情感分析(sentiment analysis)，WordNet。支持機器學(xué)習(xí)的向量空間模型，聚類，向量機。
  3. TextBlob:TextBlob 是一個處理文本數(shù)據(jù)的 Python 庫。提供了一些簡單的api解決一些自然語言處理的任務(wù)，例如詞性標注、名詞短語抽取、情感分析、分類、翻譯等等。
  4. Gensim:Gensim 提供了對大型語料庫的主題建模、文件索引、相似度檢索的功能。它可以處理大于RAM內(nèi)存的數(shù)據(jù)。作者說它是“實現(xiàn)無干預(yù)從純文本語義建模的最強大、最高效、最無障礙的軟件。
  5. PyNLPI:它的全稱是：Python自然語言處理庫（Python Natural Language Processing Library，音發(fā)作: pineapple） 這是一個各種自然語言處理任務(wù)的集合，PyNLPI可以用來處理N元搜索，計算頻率表和分布，建立語言模型。他還可以處理向優(yōu)先隊列這種更加復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，或者像 Beam 搜索這種更加復(fù)雜的算法。
  6. spaCy:這是一個商業(yè)的開源軟件。結(jié)合Python和Cython，它的自然語言處理能力達到了工業(yè)強度。是速度最快，領(lǐng)域內(nèi)最先進的自然語言處理工具。
  7. Polyglot:Polyglot 支持對海量文本和多語言的處理。它支持對165種語言的分詞，對196中語言的辨識，40種語言的專有名詞識別，16種語言的詞性標注，136種語言的情感分析，137種語言的嵌入，135種語言的形態(tài)分析，以及69中語言的翻譯。
  8. MontyLingua:MontyLingua 是一個自由的、訓(xùn)練有素的、端到端的英文處理工具。輸入原始英文文本到 MontyLingua ，就會得到這段文本的語義解釋。適合用來進行信息檢索和提取，問題處理，回答問題等任務(wù)。從英文文本中，它能提取出主動賓元組，形容詞、名詞和動詞短語，人名、地名、事件，日期和時間，等語義信息。
  9. BLLIP Parser:BLLIP Parser（也叫做Charniak-Johnson parser）是一個集成了產(chǎn)生成分分析和最大熵排序的統(tǒng)計自然語言工具。包括?命令行?和?Python接口?。
  10. Quepy:Quepy是一個Python框架，提供將自然語言轉(zhuǎn)換成為數(shù)據(jù)庫查詢語言。可以輕松地實現(xiàn)不同類型的自然語言和數(shù)據(jù)庫查詢語言的轉(zhuǎn)化。所以，通過Quepy，僅僅修改幾行代碼，就可以實現(xiàn)你自己的自然語言查詢數(shù)據(jù)庫系統(tǒng)。GitHub:https://github.com/machinalis/quepy
  11. HanNLP：HanLP是由一系列模型與算法組成的Java工具包，目標是普及自然語言處理在生產(chǎn)環(huán)境中的應(yīng)用。不僅僅是分詞，而是提供詞法分析、句法分析、語義理解等完備的功能。HanLP具備功能完善、性能高效、架構(gòu)清晰、語料時新、可自定義的特點。文檔使用操作說明：Python調(diào)用自然語言處理包HanLP?和?菜鳥如何調(diào)用HanNLP

2?OpenNLP：進行中文命名實體識別

OpenNLP是Apach下的Java自然語言處理API，功能齊全。如下給大家介紹一下使用OpenNLP進行中文語料命名實體識別的過程。

首先是預(yù)處理工作，分詞去聽用詞等等的就不啰嗦了，其實將分詞的結(jié)果中間加上空格隔開就可以了，OpenNLP可以將這樣形式的的語料照處理英文的方式處理，有些關(guān)于字符處理的注意點在后面會提到。

其次我們要準備各個命名實體類別所對應(yīng)的詞庫，詞庫被存在文本文檔中，文檔名即是命名實體類別的TypeName，下面兩個function分別是載入某類命名實體詞庫中的詞和載入命名實體的類別。

/**
?????* 載入詞庫中的命名實體
?????*
?????* @param nameListFile
?????* @return
?????* @throws Exception
?????*/
????public?static?List<String> loadNameWords(File nameListFile)
????????????throws Exception {
????????List<String> nameWords =?new?ArrayList<String>();
????????if?(!nameListFile.exists() || nameListFile.isDirectory()) {
????????????System.err.println("不存在那個文件");
????????????return?null;
????????}
????????BufferedReader br =?new?BufferedReader(new?FileReader(nameListFile));
????????String line =?null;
????????while?((line = br.readLine()) !=?null) {
????????????nameWords.add(line);
????????}
????????br.close();
????????return?nameWords;
????}
????/**
?????* 獲取命名實體類型
?????*
?????* @param nameListFile
?????* @return
?????*/
????public?static?String getNameType(File nameListFile) {
????????String nameType = nameListFile.getName();
????????return?nameType.substring(0, nameType.lastIndexOf("."));
????}

因為OpenNLP要求的訓(xùn)練語料是這樣子的：

XXXXXX<START:Person>????<END>XXXXXXXXX<START:Action>????<END>XXXXXXX

被標注的命名實體被放在<START><END>范圍中，并標出了實體的類別。接下來是對命名實體識別模型的訓(xùn)練，先上代碼：

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.StringReader;
import java.util.Collections;
import opennlp.tools.namefind.NameFinderME;
import opennlp.tools.namefind.NameSample;
import opennlp.tools.namefind.NameSampleDataStream;
import opennlp.tools.namefind.TokenNameFinderModel;
import opennlp.tools.util.ObjectStream;
import opennlp.tools.util.PlainTextByLineStream;
import opennlp.tools.util.featuregen.AggregatedFeatureGenerator;
import opennlp.tools.util.featuregen.PreviousMapFeatureGenerator;
import opennlp.tools.util.featuregen.TokenClassFeatureGenerator;
import opennlp.tools.util.featuregen.TokenFeatureGenerator;
import opennlp.tools.util.featuregen.WindowFeatureGenerator;
/**
?* 中文命名實體識別模型訓(xùn)練組件
?*
?* @author ddlovehy
?*
?*/
public?class?NamedEntityMultiFindTrainer {
????// 默認參數(shù)
????private?int?iterations = 80;
????private?int?cutoff = 5;
????private?String langCode =?"general";
????private?String type =?"default";
????// 待設(shè)定的參數(shù)
????private?String nameWordsPath;?// 命名實體詞庫路徑
????private?String dataPath;?// 訓(xùn)練集已分詞語料路徑
????private?String modelPath;?// 模型存儲路徑
????public?NamedEntityMultiFindTrainer() {
????????super();
????????// TODO Auto-generated constructor stub
????}
????public?NamedEntityMultiFindTrainer(String nameWordsPath, String dataPath,
????????????String modelPath) {
????????super();
????????this.nameWordsPath = nameWordsPath;
????????this.dataPath = dataPath;
????????this.modelPath = modelPath;
????}
????public?NamedEntityMultiFindTrainer(int?iterations,?int?cutoff,
????????????String langCode, String type, String nameWordsPath,
????????????String dataPath, String modelPath) {
????????super();
????????this.iterations = iterations;
????????this.cutoff = cutoff;
????????this.langCode = langCode;
????????this.type = type;
????????this.nameWordsPath = nameWordsPath;
????????this.dataPath = dataPath;
????????this.modelPath = modelPath;
????}
????/**
?????* 生成定制特征
?????*
?????* @return
?????*/
????public?AggregatedFeatureGenerator prodFeatureGenerators() {
????????AggregatedFeatureGenerator featureGenerators =?new?AggregatedFeatureGenerator(
????????????????new?WindowFeatureGenerator(new?TokenFeatureGenerator(), 2, 2),
????????????????new?WindowFeatureGenerator(new?TokenClassFeatureGenerator(), 2,
????????????????????????2),?new?PreviousMapFeatureGenerator());
????????return?featureGenerators;
????}
????/**
?????* 將模型寫入磁盤
?????*
?????* @param model
?????* @throws Exception
?????*/
????public?void?writeModelIntoDisk(TokenNameFinderModel model) throws Exception {
????????File outModelFile =?new?File(this.getModelPath());
????????FileOutputStream outModelStream =?new?FileOutputStream(outModelFile);
????????model.serialize(outModelStream);
????}
????/**
?????* 讀出標注的訓(xùn)練語料
?????*
?????* @return
?????* @throws Exception
?????*/
????public?String getTrainCorpusDataStr() throws Exception {
????????// TODO 考慮入持久化判斷直接載入標注數(shù)據(jù)的情況 以及增量式訓(xùn)練
????????String trainDataStr =?null;
????????trainDataStr = NameEntityTextFactory.prodNameFindTrainText(
????????????????this.getNameWordsPath(),?this.getDataPath(),?null);
????????return?trainDataStr;
????}
????/**
?????* 訓(xùn)練模型
?????*
?????* @param trainDataStr
?????*??????????? 已標注的訓(xùn)練數(shù)據(jù)整體字符串
?????* @return
?????* @throws Exception
?????*/
????public?TokenNameFinderModel trainNameEntitySamples(String trainDataStr)
????????????throws Exception {
????????ObjectStream<NameSample> nameEntitySample =?new?NameSampleDataStream(
????????????????new?PlainTextByLineStream(new?StringReader(trainDataStr)));
????????
????????System.out.println("**************************************");
????????System.out.println(trainDataStr);
????????TokenNameFinderModel nameFinderModel = NameFinderME.train(
????????????????this.getLangCode(),?this.getType(), nameEntitySample,
????????????????this.prodFeatureGenerators(),
????????????????Collections.<String, Object> emptyMap(),?this.getIterations(),
????????????????this.getCutoff());
????????return?nameFinderModel;
????}
????/**
?????* 訓(xùn)練組件總調(diào)用方法
?????*
?????* @return
?????*/
????public?boolean execNameFindTrainer() {
????????try?{
????????????String trainDataStr =?this.getTrainCorpusDataStr();
????????????TokenNameFinderModel nameFinderModel =?this
????????????????????.trainNameEntitySamples(trainDataStr);
????????????// System.out.println(nameFinderModel);
????????????this.writeModelIntoDisk(nameFinderModel);
????????????return?true;
????????}?catch?(Exception e) {
????????????// TODO Auto-generated catch block
????????????e.printStackTrace();
????????????return?false;
????????}
????}
｝

注：

  • 參數(shù)：iterations是訓(xùn)練算法迭代的次數(shù)，太少了起不到訓(xùn)練的效果，太大了會造成過擬合，所以各位可以自己試試效果；
  • cutoff：語言模型掃描窗口的大小，一般設(shè)成5就可以了，當(dāng)然越大效果越好，時間可能會受不了；
  • langCode：語種代碼和type實體類別，因為沒有專門針對中文的代碼，設(shè)成“普通”的即可，實體的類別因為我們想訓(xùn)練成能識別多種實體的模型，于是設(shè)置為“默認”。

說明：

  • prodFeatureGenerators()方法用于生成個人訂制的特征生成器，其意義在于選擇什么樣的n-gram語義模型，代碼當(dāng)中顯示的是選擇窗口大小為5，待測命名實體詞前后各掃描兩個詞的范圍計算特征（加上自己就是5個），或許有更深更準確的意義，請大家指正；
  • trainNameEntitySamples()方法，訓(xùn)練模型的核心，首先是將如上標注的訓(xùn)練語料字符串傳入生成字符流，再通過NameFinderME的train()方法傳入上面設(shè)定的各個參數(shù)，訂制特征生成器等等，關(guān)于源實體映射對，就按默認傳入空Map就好了。

源代碼開源在：https://github.com/Ailab403/ailab-mltk4j，test包里面對應(yīng)有完整的調(diào)用demo，以及file文件夾里面的測試語料和已經(jīng)訓(xùn)練好的模型。

3 StanfordNLP：

Stanford NLP?Group是斯坦福大學(xué)自然語言處理的團隊，開發(fā)了多個NLP工具。其開發(fā)的工具包括以下內(nèi)容：

  • Stanford CoreNLP?: 采用Java編寫的面向英文的處理工具，下載網(wǎng)址為：。主要功能包括分詞、詞性標注、命名實體識別、語法分析等。
  • Stanford Word Segmenter?: 采用CRF（條件隨機場）算法進行分詞，也是基于Java開發(fā)的，同時可以支持中文和Arabic，官方要求Java版本1.6以上，推薦內(nèi)存至少1G。

簡單的示例程序：Stanford POS Tagger?: 采用Java編寫的面向英文、中文、法語、阿拉伯語、德語的命名實體識別工具。

//設(shè)置分詞器屬性。
???Properties props =?new?Properties();
//字典文件地址，可以用絕對路徑，如d:/data
???props.setProperty("sighanCorporaDict",?"data");
//字典壓縮包地址，可以用絕對路徑
???props.setProperty("serDictionary","data/dict-chris6.ser.gz");
//輸入文字的編碼；
???props.setProperty("inputEncoding",?"UTF-8");
???props.setProperty("sighanPostProcessing",?"true");
//初始化分詞器，
???CRFClassifier classifier =?new?CRFClassifier(props);
//從持久化文件中加載分詞器設(shè)置；
???classifier.loadClassifierNoExceptions("data/ctb.gz", props);
???// flags must be re-set after data is loaded
???classifier.flags.setProperties(props);
//分詞
???List words = classifier.segmentString("語句內(nèi)容");
  • Stanford Named Entity Recognizer?： 采用條件隨機場模型的命名實體工具。
  • Stanford Parser?： 進行語法分析的工具，支持英文、中文、阿拉伯文和法語。
  • Stanford Classifier?: 采用Java編寫的分類器。

最后附上關(guān)于中文分詞器性能比較的一篇文章:http://www.cnblogs.com/wgp13x/p/3748764.html

實現(xiàn)中文命名實體識別

1、分詞介紹

斯坦福大學(xué)的分詞器，該系統(tǒng)需要JDK 1.8+，從上面鏈接中下載stanford-segmenter-2014-10-26，解壓之后，如下圖所示

Python自然語言處理工具小結(jié)

進入data目錄，其中有兩個gz壓縮文件，分別是ctb.gz和pku.gz，其中CTB：賓州大學(xué)的中國樹庫訓(xùn)練資料?，PKU：中國北京大學(xué)提供的訓(xùn)練資料。當(dāng)然了，你也可以自己訓(xùn)練，一個訓(xùn)練的例子可以在這里面看到http://nlp.stanford.edu/software/trainSegmenter-20080521.tar.gz

2、NER介紹

斯坦福NER是采用Java實現(xiàn)，可以識別出（PERSON，ORGANIZATION，LOCATION），使用本軟件發(fā)表的研究成果需引用下述論文：

下載地址在：http://nlp.stanford.edu/~manning/papers/gibbscrf3.pdf

在NER頁面可以下載到兩個壓縮文件，分別是stanford-ner-2014-10-26和stanford-ner-2012-11-11-chinese

將兩個文件解壓可看到

Python自然語言處理工具小結(jié)

Python自然語言處理工具小結(jié)

默認NER可以用來處理英文，如果需要處理中文要另外處理。

3、分詞和NER使用

在Eclipse中新建一個Java Project，將data目錄拷貝到項目根路徑下，再把stanford-ner-2012-11-11-chinese解壓的內(nèi)容全部拷貝到classifiers文件夾下，將stanford-segmenter-3.5.0加入到classpath之中，將classifiers文件夾拷貝到項目根目錄，將stanford-ner-3.5.0.jar和stanford-ner.jar加入到classpath中。最后，去http://nlp.stanford.edu/software/corenlp.shtml下載stanford-corenlp-full-2014-10-31，將解壓之后的stanford-corenlp-3.5.0也加入到classpath之中。最后的Eclipse中結(jié)構(gòu)如下：

Python自然語言處理工具小結(jié)

Chinese NER：這段說明，很清晰，需要將中文分詞的結(jié)果作為NER的輸入，然后才能識別出NER來。

同時便于測試，本Demo使用junit-4.10.jar，下面開始上代碼

import edu.stanford.nlp.ie.AbstractSequenceClassifier;
import edu.stanford.nlp.ie.crf.CRFClassifier;
import edu.stanford.nlp.ling.CoreLabel;
/**
*
* <p>
* ClassName ExtractDemo
* </p>
* <p>
* Description 加載NER模塊
*
*/
public?class?ExtractDemo {
private?static?AbstractSequenceClassifier<CoreLabel> ner;
public?ExtractDemo() {
InitNer();
}
public?void?InitNer() {
String serializedClassifier =?"classifiers/chinese.misc.distsim.crf.ser.gz";?// chinese.misc.distsim.crf.ser.gz
if?(ner ==?null) {
ner = CRFClassifier.getClassifierNoExceptions(serializedClassifier);
}
}
public?String doNer(String sent) {
return?ner.classifyWithInlineXML(sent);
}
public?static?void?main(String args[]) {
String str =?"我 去 吃飯 ， 告訴 李強 一聲 。";
ExtractDemo extractDemo =?new?ExtractDemo();
System.out.println(extractDemo.doNer(str));
System.out.println("Complete!");
}
}
import java.io.File;
import java.io.IOException;
import java.util.Properties;
import org.apache.commons.io.FileUtils;
import edu.stanford.nlp.ie.crf.CRFClassifier;
import edu.stanford.nlp.ling.CoreLabel;
/**
*
* <p>
* Description 使用Stanford CoreNLP進行中文分詞
* </p>
*
*/
public?class?ZH_SegDemo {
public?static?CRFClassifier<CoreLabel> segmenter;
static?{
// 設(shè)置一些初始化參數(shù)
Properties props =?new?Properties();
props.setProperty("sighanCorporaDict",?"data");
props.setProperty("serDictionary",?"data/dict-chris6.ser.gz");
props.setProperty("inputEncoding",?"UTF-8");
props.setProperty("sighanPostProcessing",?"true");
segmenter =?new?CRFClassifier<CoreLabel>(props);
segmenter.loadClassifierNoExceptions("data/ctb.gz", props);
segmenter.flags.setProperties(props);
}
public?static?String doSegment(String sent) {
String[] strs = (String[]) segmenter.segmentString(sent).toArray();
StringBuffer buf =?new?StringBuffer();
for?(String s : strs) {
buf.append(s +?" ");
}
System.out.println("segmented res: "?+ buf.toString());
return?buf.toString();
}
public?static?void?main(String[] args) {
try?{
String readFileToString = FileUtils.readFileToString(new?File("澳門141人食物中毒與進食“問題生蠔”有關(guān).txt"));
String doSegment = doSegment(readFileToString);
System.out.println(doSegment);
ExtractDemo extractDemo =?new?ExtractDemo();
System.out.println(extractDemo.doNer(doSegment));
System.out.println("Complete!");
}?catch?(IOException e) {
e.printStackTrace();
}
}
}

注意一定是JDK 1.8+的環(huán)境，最后輸出結(jié)果如下：

Python自然語言處理工具小結(jié)

?4?IKAnalyzer

IK Analyzer是一個開源的，基于Java語言開發(fā)的輕量級的中文分詞工具包。IK支持細粒度和智能分詞兩種切分模式，支持英文字母、數(shù)字、中文詞匯等分詞處理，兼容韓文、日文字符。可以支持用戶自定義的詞典，通過配置IKAnalyzer.cfg.xml文件來實現(xiàn)，可以配置自定義的擴展詞典和停用詞典。詞典需要采用UTF-8無BOM格式編碼，并且每個詞語占一行。配置文件如下所示：

<properties>?
????<comment>IK Analyzer 擴展配置</comment>
????<!--用戶可以在這里配置自己的擴展字典-->
????<entry key="ext_dict">ext.dic;</entry>
????
????<!--用戶可以在這里配置自己的擴展停止詞字典-->
????<entry key="ext_stopwords">stopword.dic;chinese_stopword.dic</entry>
????
</properties>

只需要把IKAnalyzer2012_u6.jar部署于項目的lib中，同時將IKAnalyzer.cfg.xml文件以及詞典文件置于src中，即可通過API的方式開發(fā)調(diào)用。IK簡單、易于擴展，分詞結(jié)果較好并且采用Java編寫，因為我平時的項目以Java居多，所以是我平時處理分詞的首選工具。示例代碼：

/**
?????* IK分詞功能實現(xiàn)
?????* @return
?????*/
????public?String spiltWords(String srcString){
????????StringBuffer wordsBuffer =?new?StringBuffer("");
????????try{
????????????IKSegmenter ik=new?IKSegmenter(new?StringReader(srcString),?true);?
????????????Lexeme lex=null;?
????????????while((lex=ik.next())!=null){?
//????????????? System.out.print(lex.getLexemeText()+" ");
????????????????wordsBuffer.append(lex.getLexemeText()).append(" ");
????????????}
????????}catch(Exception e){
????????????logger.error(e.getMessage());
????????}
????????return?wordsBuffer.toString();
????}

5 中科院ICTCLAS

ICTCLAS是由中科院計算所歷經(jīng)數(shù)年開發(fā)的分詞工具，采用C++編寫。最新版本命名為ICTCLAS2013，又名為NLPIR漢語分詞系統(tǒng)。主要功能包括中文分詞、詞性標注、命名實體識別、用戶詞典功能，同時支持GBK編碼、UTF8編碼、BIG5編碼，新增微博分詞、新詞發(fā)現(xiàn)與關(guān)鍵詞提取。可以可視化界面操作和API方式調(diào)用。

6?FudanNLP

FudanNLP主要是為中文自然語言處理而開發(fā)的工具包，也包含為實現(xiàn)這些任務(wù)的機器學(xué)習(xí)算法和數(shù)據(jù)集。FudanNLP及其包含數(shù)據(jù)集使用LGPL3.0許可證。主要功能包括：

  • 信息檢索：文本分類，新聞聚類。
  • 中文處理：中文分詞，詞性標注，實體名識別，關(guān)鍵詞抽取，依存句法分析，時間短語識別。
  • 結(jié)構(gòu)化學(xué)習(xí)：在線學(xué)習(xí)，層次分類，聚類，精確推理。

工具采用Java編寫，提供了API的訪問調(diào)用方式。下載安裝包后解壓后，內(nèi)容如下圖所示：

Python自然語言處理工具小結(jié)

在使用時將fudannlp.jar以及l(fā)ib中的jar部署于項目中的lib里面。models文件夾中存放的模型文件，主要用于分詞、詞性標注和命名實體識別以及分詞所需的詞典；文件夾example中主要是使用的示例代碼，可以幫助快速入門和使用；java-docs是API幫助文檔；src中存放著源碼；PDF文檔中有著比較詳細的介紹和自然語言處理基礎(chǔ)知識的講解。初始運行程序時初始化時間有點長，并且加載模型時占用內(nèi)存較大。在進行語法分析時感覺分析的結(jié)果不是很準確。

————金三銀四課程特惠————馬哥教育精英線下Linux班鄭州校區(qū)開班倒計時，優(yōu)惠四重享，贈送高達4000元的學(xué)習(xí)大禮包：

第一重：4月30日前報名，立減400元，名額有限搶完為止；

第二重：4月30日前報名，贈送馬哥教育內(nèi)部Linux知識精講教材一本（價值666元）；

第三重：4月30日前報名，贈送馬哥教育實體服務(wù)器使用資格（價值1666元）；

第四重：4月30日前報名，贈送馬哥教育云學(xué)堂學(xué)習(xí)權(quán)限1個（價值1999元）；

上一篇：

下一篇：

相關(guān)新聞

歷經(jīng)多年發(fā)展,已成為國內(nèi)好評如潮的Linux云計算運維、SRE、Devops、網(wǎng)絡(luò)安全、云原生、Go、Python開發(fā)專業(yè)人才培訓(xùn)機構(gòu)!

      2. 

    2. 
主站蜘蛛池模板：
绥棱县|
东阿县|
洮南市|
武山县|
甘泉县|
乌兰浩特市|
崇明县|
太和县|
克东县|
刚察县|
太谷县|
西乡县|
衡山县|
沁水县|
都江堰市|
惠来县|
鄂温|
杨浦区|
宁强县|
晋城|
封丘县|
绵竹市|
宁河县|
常州市|
阜阳市|
盐城市|
湖口县|
武义县|
平山县|
宁南县|
南安市|
石泉县|
宜黄县|
德钦县|
萝北县|
来安县|
铅山县|
兴国县|
修武县|
香格里拉县|
句容市|