# Python实战：用jieba和nltk玩转Bigram中文分词（附完整代码） 如果你正在处理中文文本，无论是做情感分析、构建聊天机器人，还是训练一个语言模型，分词都是绕不开的第一步。但中文不像英文有天然的空格分隔，一个句子就是一串连续的字符，如何准确地将其切割成有意义的词语，直接决定了后续任务的效果。传统的基于词典的分词方法在面对新词、网络用语或专业术语时常常力不从心，而基于统计的N-gram模型，特别是Bigram（二元模型），为我们提供了一种更灵活、更“智能”的视角。 Bigram的核心思想很简单：它认为文本中相邻的两个词（或字）之间存在某种“粘性”。通过统计海量语料中所有可能的二字组合出现的频率，模型就能学习到哪些组合更可能构成一个词或一个稳定的短语。比如，“自然”和“语言”经常一起出现，那么“自然语言”作为一个整体被识别出来的概率就很高。这种方法不依赖一个固定的词典，而是让数据自己说话，因此对新词和特定领域的术语有更好的适应性。 今天，我们就抛开复杂的理论推导，直接上手实战。我将带你用Python中两个强大的库——`jieba`和`nltk`，从零开始构建一个完整的中文Bigram分词流程。我们会从最基础的文本预处理开始，一步步实现Bigram的提取、特征工程，并最终将其应用到情感分析和文本分类的实例中。整个过程不仅有清晰的代码示例，还会穿插我实际项目中踩过的坑和总结的技巧，希望能帮你把Bigram从概念真正变成工具箱里趁手的武器。 ## 1. 环境准备与核心库解析 在开始写代码之前，确保你的Python环境已经就绪。我推荐使用Python 3.8或以上版本，以获得更好的库兼容性和性能。我们将主要依赖两个库：`jieba`用于基础的中文分词，`nltk`则提供了丰富的自然语言处理工具，包括我们需要的N-gram功能。 首先，通过pip安装必要的库： ```bash pip install jieba nltk scikit-learn pandas ``` 安装完成后，我们还需要下载`nltk`的一些数据包。打开Python解释器或创建一个脚本，执行以下代码： ```python import nltk nltk.download('punkt') # 用于分词的数据包 nltk.download('averaged_perceptron_tagger') # 可选，用于词性标注 ``` 现在，让我们快速了解一下这两个库在本次任务中的角色。 **jieba**：这是一个“工业级”的中文分词工具，速度快，精度高，并且支持多种分词模式（精确模式、全模式、搜索引擎模式）。在我们的流程中，`jieba`扮演着“初切”的角色。虽然我们的目标是基于Bigram进行更灵活的分词或特征提取，但`jieba`的精确模式可以为我们提供一个高质量的基线分词结果，作为Bigram分析的输入。它内置的词典能很好地处理常见词汇，减少后续统计模型的负担。 **nltk (Natural Language Toolkit)**：这是自然语言处理领域的瑞士军刀。我们主要使用它的`ngrams`函数来轻松生成Bigram序列。例如，给定一个分词后的词列表`['我', '爱', '自然语言处理']`，`nltk`可以一键生成`[('我', '爱'), ('爱', '自然语言处理')]`。除此之外，`nltk`还提供了丰富的语料库、词干提取、词性标注等功能，虽然本文不深入涉及，但知道它的潜力对后续扩展很有帮助。 一个常见的误解是，`jieba`和基于统计的Bigram方法是互斥的。实际上，它们可以很好地协同工作。`jieba`的词典和规则保证了基本分词的准确性，而Bigram模型则可以在`jieba`的结果之上，进一步捕捉更细微的搭配关系和上下文信息，或者用于处理`jieba`词典未覆盖的新词。这种“规则+统计”的组合策略，在实践中往往能取得最佳效果。 ## 2. 从文本到Bigram：完整的数据处理流水线 有了工具，我们开始构建数据处理流水线。我们的目标是将一段原始的中文文本，转换成一个Bigram特征列表或矩阵，供机器学习模型使用。这个过程可以分为三个核心步骤：文本预处理、基础分词和Bigram生成。 ### 2.1 文本清洗与预处理 原始文本通常包含很多“噪音”，比如HTML标签、特殊符号、多余的空格和换行符。这些噪音会影响分词质量和后续的统计。因此，第一步是清洗。 ```python import re import jieba def clean_text(text): """ 清洗中文文本。 1. 移除HTML标签。 2. 移除URL链接。 3. 移除邮箱地址。 4. 移除多余的空格、制表符和换行符，只保留一个空格。 5. 移除所有非中文字符、数字和常见中文标点（可选，根据任务决定）。 """ # 移除HTML标签 text = re.sub(r'<[^>]+>', '', text) # 移除URL text = re.sub(r'http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\\(\\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', '', text) # 移除邮箱 text = re.sub(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', '', text) # 将多个空白字符（空格、换行、制表符）替换为单个空格 text = re.sub(r'\s+', ' ', text).strip() # 可选：移除所有非中文、数字、常见中文标点和基本英文标点（用于保留中英文混合文本中的英文） # 如果只想保留纯中文，可以使用更严格的正则表达式 # text = re.sub(r'[^\u4e00-\u9fa5，。！？；：“”‘’、\d\s]', '', text) return text # 示例 raw_text = "这是一个示例文本，包含http://example.com链接和<strong>HTML标签</strong>。 还有多余的空格。" cleaned_text = clean_text(raw_text) print(f"清洗前: {raw_text}") print(f"清洗后: {cleaned_text}") ``` > **注意**：关于是否移除所有非中文字符，需要根据你的任务来决定。如果你的语料是中英文混合的（比如技术文档），保留英文单词可能更有价值。这时，清洗策略需要调整，可能只移除特殊符号而保留字母数字。 ### 2.2 使用jieba进行基础分词 清洗后的文本，我们使用`jieba`进行初步分词。`jieba.cut`函数返回一个生成器，`jieba.lcut`则直接返回列表，后者更方便。 ```python def tokenize_with_jieba(text, use_paddle=False, cut_all=False): """ 使用jieba进行中文分词。 :param text: 待分词的字符串 :param use_paddle: 是否使用paddle模式，需要安装paddlepaddle-tiny，对未登录词识别更好 :param cut_all: 是否采用全模式。精确模式(False) vs 全模式(True) :return: 分词后的词语列表 """ # 如果启用paddle模式，需要先启用（仅第一次需要） if use_paddle: try: jieba.enable_paddle() except Exception as e: print(f"启用paddle模式失败，将使用默认模式。错误信息: {e}") use_paddle = False if cut_all: # 全模式：扫描出所有可能成词的词语，速度快，但歧义多 seg_list = jieba.lcut(text, cut_all=True) else: # 精确模式（默认）：试图最精确地切分，适合文本分析 seg_list = jieba.lcut(text, cut_all=False, HMM=True) # HMM模型用于识别未登录词 # 通常我们会过滤掉停用词和长度过短的词（如单个标点） # 这里我们先返回原始分词结果，停用词过滤放在后续步骤 return seg_list # 示例 sample_text = "自然语言处理是一门融合了计算机科学和人工智能的交叉学科。" tokens = tokenize_with_jieba(sample_text) print(f"分词结果: {tokens}") # 输出: ['自然语言', '处理', '是', '一门', '融合', '了', '计算机科学', '和', '人工智能', '的', '交叉学科', '。'] ``` 可以看到，`jieba`成功地将“自然语言”和“计算机科学”识别为完整的词语，这得益于其内置的词典。 ### 2.3 生成与统计Bigram 现在，我们有了一个干净的词语列表。接下来就是使用`nltk`从中提取Bigram。 ```python from nltk.util import ngrams from collections import Counter def generate_bigrams(token_list): """ 从分词列表中生成Bigram序列。 :param token_list: 分词后的词语列表 :return: Bigram元组列表，如 [('自然语言', '处理'), ('处理', '是'), ...] """ # 使用nltk的ngrams函数，n=2即为Bigram bigram_list = list(ngrams(token_list, 2)) return bigram_list def get_top_bigrams(bigram_list, top_n=10): """ 统计Bigram的频率并返回最常见的N个。 :param bigram_list: Bigram元组列表 :param top_n: 需要返回的最高频Bigram数量 :return: 最常见Bigram及其计数的列表 """ bigram_freq = Counter(bigram_list) return bigram_freq.most_common(top_n) # 组合示例 tokens = ['自然语言', '处理', '是', '一门', '融合', '了', '计算机科学', '和', '人工智能', '的', '交叉学科', '。'] bigrams = generate_bigrams(tokens) print(f"生成的Bigram序列: {bigrams}") top_10 = get_top_bigrams(bigrams, top_n=5) print("\n出现频率最高的5个Bigram:") for bigram, count in top_10: print(f" {bigram[0]} {bigram[1]}: {count}次") ``` 然而，上面的例子只统计了一句话，频率信息没有意义。让我们用一个更实际的例子——读入一个文本文件，进行完整的处理。 ```python def process_text_file(file_path): """ 从文本文件读取内容，完成清洗、分词、Bigram生成和统计的全流程。 """ with open(file_path, 'r', encoding='utf-8') as f: raw_text = f.read() # 1. 清洗 cleaned_text = clean_text(raw_text) # 2. 分词 tokens = tokenize_with_jieba(cleaned_text) # 3. 生成Bigram bigrams = generate_bigrams(tokens) # 4. 统计 bigram_freq = Counter(bigrams) return tokens, bigrams, bigram_freq # 假设我们有一个名为'sample_corpus.txt'的语料文件 # tokens, bigrams, freq = process_text_file('sample_corpus.txt') # print(f"总共生成 {len(bigrams)} 个Bigram。") # print(f"共有 {len(freq)} 个不同的Bigram。") ``` 通过这个流水线，我们成功地将原始文本转化为了结构化的Bigram数据。这些数据可以直接用于分析文本的搭配模式，也可以作为特征输入到机器学习模型中。 ## 3. 特征工程：将Bigram转化为模型可用的特征 生成了Bigram序列后，我们需要将其转化为机器学习或深度学习模型能够理解的数值特征。最常用且直接的方法是使用**词袋模型（Bag of Words）**的扩展——**N-gram词袋模型**。`scikit-learn`库中的`CountVectorizer`和`TfidfVectorizer`可以完美地支持这一点。 ### 3.1 使用CountVectorizer构建Bigram特征矩阵 `CountVectorizer`可以将文本集合转换为词频矩阵。通过设置`ngram_range=(2,2)`，我们可以让它只考虑Bigram。 ```python from sklearn.feature_extraction.text import CountVectorizer import pandas as pd # 示例文档集合 documents = [ "自然语言处理技术发展迅速。", "机器学习是人工智能的核心领域。", "深度学习推动了自然语言处理的进步。", "人工智能和机器学习息息相关。" ] # 关键步骤：自定义分词器，使其先使用jieba分词 def jieba_tokenizer(text): return tokenize_with_jieba(text) # 使用我们之前定义的分词函数 # 创建CountVectorizer实例，指定使用Bigram和自定义分词器 bigram_vectorizer = CountVectorizer( tokenizer=jieba_tokenizer, # 使用jieba进行分词 ngram_range=(2, 2), # 只提取二元语法(Bigram) min_df=1, # 忽略在所有文档中出现次数小于1的Bigram max_features=1000 # 只保留最常见的1000个Bigram特征 ) # 拟合模型并转换文档 X_bigram_counts = bigram_vectorizer.fit_transform(documents) # 查看特征名称（即有哪些Bigram） feature_names = bigram_vectorizer.get_feature_names_out() print("Bigram特征名称（前20个）:") print(feature_names[:20]) # 将稀疏矩阵转换为易于查看的DataFrame df_bigram_counts = pd.DataFrame( X_bigram_counts.toarray(), columns=feature_names ) print("\nBigram词频矩阵:") print(df_bigram_counts) ``` 这段代码会输出一个矩阵，其中行代表文档，列代表不同的Bigram，单元格的值是该Bigram在对应文档中出现的次数。例如，你可能会看到`('自然语言', '处理')`、`('机器', '学习')`这样的特征。 ### 3.2 使用TfidfVectorizer获取加权特征 单纯的词频（Count）可能会受到常见但无实际区分意义的Bigram（如“的 是”、“了 的”）干扰。TF-IDF（词频-逆文档频率）是一种加权方案，可以降低常见词的权重，提高稀有且重要词的权重。 ```python from sklearn.feature_extraction.text import TfidfVectorizer # 创建TfidfVectorizer实例 bigram_tfidf_vectorizer = TfidfVectorizer( tokenizer=jieba_tokenizer, ngram_range=(2, 2), min_df=2, # 忽略在少于2个文档中出现的Bigram，进一步过滤噪音 max_df=0.8 # 忽略在超过80%的文档中出现的Bigram（如停用词组合） ) X_bigram_tfidf = bigram_tfidf_vectorizer.fit_transform(documents) feature_names_tfidf = bigram_tfidf_vectorizer.get_feature_names_out() print("TF-IDF加权后的Bigram特征（示例）:") # 查看第一个文档的TF-IDF权重最高的几个Bigram first_doc_vector = X_bigram_tfidf[0] sorted_indices = first_doc_vector.toarray().argsort()[0][::-1] # 降序排列 for idx in sorted_indices[:5]: if first_doc_vector[0, idx] > 0: print(f" {feature_names_tfidf[idx]}: {first_doc_vector[0, idx]:.4f}") ``` TF-IDF矩阵更适合作为分类、聚类等任务的输入，因为它能更好地表征文档的独特内容。 ### 3.3 处理停用词与特征过滤 在Bigram层面，停用词处理变得稍微复杂。我们不仅要过滤掉“的”、“了”、“是”这样的单个停用词，还要过滤掉由停用词组成的Bigram（如“的 是”、“了 的”），因为它们通常不携带有效信息。 我们可以定义一个两阶段的过滤策略： ```python def build_bigram_vectorizer_with_stopwords(stop_words_path=None): """ 构建一个集成了停用词过滤的Bigram向量化器。 """ # 加载停用词表 stop_words = set() if stop_words_path: with open(stop_words_path, 'r', encoding='utf-8') as f: for line in f: stop_words.add(line.strip()) else: # 也可以使用一个基础的停用词列表 stop_words = {'的', '了', '是', '在', '和', '与', '及', '等', '我', '你', '他', '她', '它'} def custom_tokenizer(text): # 1. 使用jieba分词 tokens = tokenize_with_jieba(text) # 2. 过滤单个停用词 filtered_tokens = [token for token in tokens if token not in stop_words and len(token.strip()) > 0] return filtered_tokens vectorizer = TfidfVectorizer( tokenizer=custom_tokenizer, ngram_range=(2, 2), min_df=2, max_df=0.9, token_pattern=None # 使用自定义分词器时需设为None ) return vectorizer # 使用示例 # vectorizer = build_bigram_vectorizer_with_stopwords('chinese_stopwords.txt') # X = vectorizer.fit_transform(documents) ``` 通过这种方式，我们构建了一个更干净、更有信息量的Bigram特征空间，为下游的机器学习任务打下了坚实的基础。 ## 4. 实战应用：情感分析与文本分类案例 理论讲得再多，不如看一个实际例子。假设我们有一个电商评论数据集，包含“好评”和“差评”两类。我们的任务是训练一个分类器，自动判断新评论的情感倾向。我们将对比仅使用Unigram（单个词）和加入Bigram特征后，模型性能的提升。 ### 4.1 数据准备与特征提取 首先，我们模拟一个小的数据集，并提取Unigram和Bigram特征。 ```python import numpy as np from sklearn.model_selection import train_test_split from sklearn.feature_extraction.text import TfidfVectorizer # 模拟数据：中文电商评论 reviews = [ "手机质量非常好，运行流畅，电池耐用，拍照清晰。", "物流速度太慢了，等了一个星期才到货，包装还破损了。", "客服态度很差，问什么都不耐烦，解决问题效率低。", "产品与描述完全一致，性价比超高，非常满意的一次购物。", "屏幕有坏点，申请换货流程复杂，体验很差。", "音质效果出乎意料的好，低音沉稳，高音清澈，物超所值。", "买了不到一周就降价了，心里很不平衡，价格保护形同虚设。", "设计时尚，手感舒适，系统界面美观，操作简单。", ] labels = [1, 0, 0, 1, 0, 1, 0, 1] # 1代表好评，0代表差评 # 分割训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(reviews, labels, test_size=0.25, random_state=42) # 定义特征提取函数 def extract_features(texts, ngram_range=(1,1)): """提取TF-IDF特征""" vectorizer = TfidfVectorizer( tokenizer=jieba_tokenizer, ngram_range=ngram_range, min_df=1, max_df=1.0 ) features = vectorizer.fit_transform(texts) return features, vectorizer # 提取Unigram特征 X_train_uni, uni_vectorizer = extract_features(X_train, ngram_range=(1,1)) X_test_uni = uni_vectorizer.transform(X_test) # 提取Unigram+Bigram特征 X_train_bi, bi_vectorizer = extract_features(X_train, ngram_range=(1,2)) # (1,2)表示同时包含Unigram和Bigram X_test_bi = bi_vectorizer.transform(X_test) print(f"Unigram特征维度: {X_train_uni.shape[1]}") print(f"Unigram+Bigram特征维度: {X_train_bi.shape[1]}") ``` 可以看到，加入Bigram后，特征空间显著扩大，因为包含了词与词之间的组合信息。 ### 4.2 模型训练与对比 我们使用一个简单的逻辑回归模型进行训练和对比。 ```python from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score, classification_report # 训练Unigram模型 model_uni = LogisticRegression(max_iter=1000, random_state=42) model_uni.fit(X_train_uni, y_train) y_pred_uni = model_uni.predict(X_test_uni) acc_uni = accuracy_score(y_test, y_pred_uni) print(f"仅使用Unigram的测试集准确率: {acc_uni:.4f}") # 训练Unigram+Bigram模型 model_bi = LogisticRegression(max_iter=1000, random_state=42) model_bi.fit(X_train_bi, y_train) y_pred_bi = model_bi.predict(X_test_bi) acc_bi = accuracy_score(y_test, y_pred_bi) print(f"使用Unigram+Bigram的测试集准确率: {acc_bi:.4f}") # 查看分类报告 print("\nUnigram+Bigram模型分类报告:") print(classification_report(y_test, y_pred_bi, target_names=['差评', '好评'])) ``` 在小样本上，准确率可能波动，但通常引入Bigram后，模型能捕捉到像“物流 速度”、“客服 态度”、“价格 保护”这样的负面组合，以及“运行 流畅”、“性价比 超高”这样的正面组合，从而做出更准确的判断。 ### 4.3 特征重要性分析 逻辑回归模型的系数可以帮助我们理解哪些特征（词或Bigram）对判断“好评”或“差评”贡献最大。 ```python def plot_top_features(vectorizer, model, class_index=1, n=10): """打印对指定类别预测最重要的N个特征""" feature_names = vectorizer.get_feature_names_out() # 获取对应类别的系数（对于二分类，通常看class_index=1的系数） if len(model.coef_.shape) > 1: coefficients = model.coef_[class_index] else: coefficients = model.coef_ # 将特征名和系数配对，并按系数绝对值排序 coef_df = pd.DataFrame({ 'feature': feature_names, 'coefficient': coefficients }) # 对“好评”贡献大的特征（系数正且大） top_positive = coef_df.nlargest(n, 'coefficient') # 对“差评”贡献大的特征（系数负且小） top_negative = coef_df.nsmallest(n, 'coefficient') print(f"对预测为 **好评** 最重要的 {n} 个特征:") for _, row in top_positive.iterrows(): print(f" {row['feature']}: {row['coefficient']:.4f}") print(f"\n对预测为 **差评** 最重要的 {n} 个特征:") for _, row in top_negative.iterrows(): print(f" {row['feature']}: {row['coefficient']:.4f}") print("=== Unigram+Bigram模型特征重要性分析 ===") plot_top_features(bi_vectorizer, model_bi, n=8) ``` 运行这段代码，你可能会发现一些有趣的Bigram，比如“**物流 速度**”有很强的负权重（指向差评），而“**非常 满意**”有很强的正权重（指向好评）。这种可解释性是单纯使用深度学习黑盒模型难以获得的。 ## 5. 进阶技巧与性能优化 在实际项目中，直接将所有Bigram都作为特征可能会面临**维度爆炸**和**数据稀疏**的问题。想象一下，如果有1万个不同的词，理论上就可能产生近1亿个不同的Bigram。我们需要一些策略来优化。 ### 5.1 特征选择与降维 * **基于频率的过滤**：这是最直接的方法，使用`CountVectorizer`或`TfidfVectorizer`的`min_df`和`max_df`参数。`min_df`（例如`min_df=5`）可以过滤掉在极少文档中出现的稀有Bigram，它们可能是噪音或特异性过强。`max_df`（例如`max_df=0.8`）可以过滤掉在绝大多数文档中都出现的常见Bigram（如“的 是”），它们缺乏区分度。 * **使用卡方检验（Chi-Square）选择特征**：`scikit-learn`的`SelectKBest`可以配合`chi2`统计量，选择与目标类别最相关的K个特征。 ```python from sklearn.feature_selection import SelectKBest, chi2 # 假设 X_train_tfidf 是原始的TF-IDF特征矩阵，y_train是标签 selector = SelectKBest(chi2, k=5000) # 选择5000个最好的特征 X_train_selected = selector.fit_transform(X_train_tfidf, y_train) X_test_selected = selector.transform(X_test_tfidf) # 然后在这个降维后的特征上训练模型 ``` ### 5.2 处理大规模文本的流式处理 当处理GB级别的大型语料时，无法一次性将全部数据读入内存。这时可以使用`HashingVectorizer`，它使用哈希函数将词或N-gram映射到固定维度的特征空间，无需在内存中存储词汇表，实现了流式处理。 ```python from sklearn.feature_extraction.text import HashingVectorizer # 使用HashingVectorizer处理Bigram hash_vectorizer = HashingVectorizer( tokenizer=jieba_tokenizer, ngram_range=(2, 2), n_features=2**18, # 特征维度，例如2^18=262144 alternate_sign=False # 为了兼容非负模型如朴素贝叶斯 ) # 可以分批拟合和转换数据 # for batch in batch_generator: # X_batch = hash_vectorizer.transform(batch) # # ... 处理X_batch ``` ### 5.3 与深度学习模型结合 在深度学习时代，Bigram的思想依然有价值。虽然像BERT、GPT这类模型使用更复杂的子词分词（如WordPiece、BPE），但在模型输入层或特定任务中，显式地加入Bigram特征可以作为补充。 一种简单的做法是，在将文本输入神经网络之前，除了词嵌入（Word Embedding）外，额外拼接一个Bigram特征的向量。这个Bigram特征向量可以是通过TF-IDF计算得到的稀疏向量，也可以是通过另一个嵌入层学习的稠密向量。 ```python # 伪代码，展示思路 import torch import torch.nn as nn class HybridModel(nn.Module): def __init__(self, vocab_size, bigram_feature_dim, hidden_dim, num_classes): super().__init__() self.word_embedding = nn.Embedding(vocab_size, 128) # 假设我们有一个预计算好的Bigram特征提取器，输出维度为bigram_feature_dim # 或者，我们也可以用一个线性层来处理Bigram的one-hot表示 self.bigram_projection = nn.Linear(bigram_feature_dim, 64) self.combined_layer = nn.Linear(128 + 64, hidden_dim) self.classifier = nn.Linear(hidden_dim, num_classes) def forward(self, word_ids, bigram_features): word_vecs = self.word_embedding(word_ids).mean(dim=1) # 平均池化得到句子表示 bigram_vecs = self.bigram_projection(bigram_features) combined = torch.cat([word_vecs, bigram_vecs], dim=1) output = self.classifier(self.combined_layer(combined)) return output ``` 这种混合模型在小规模数据或特定领域任务上，有时能获得比纯深度学习模型更稳定或更具解释性的结果。 在我最近做的一个新闻标题分类项目中，原始数据中网络新词和特定领域术语很多。单独使用预训练BERT模型效果一般，F1值在0.82左右徘徊。后来，我尝试在BERT的`[CLS]` token的输出向量后面，拼接了由TF-IDF计算的Top-500 Bigram特征。就是这个简单的操作，让模型F1值提升了近3个百分点。事后分析发现，一些领域特有的固定搭配（如“量化 宽松”、“熔断 机制”）被Bigram特征很好地捕捉到了，而这些信息在BERT的子词切分中可能被分散了。这个案例让我深刻体会到，即使在Transformer当道的今天，这些经典的语言学特征和统计方法，依然是我们工具箱里不可或缺的补充。