中文文本分析、语料处理与主题建模在线工具

按行清洗文本：移除停用词、处理标点、剥离网页噪声，并可按字数窗口分段供后续建模。

从六个维度给文本做一次全面体检，判断它能不能直接用于主题建模、聚类、实体识别等下游任务。

把繁简、标点、全半角写法不一的中文统一成出版级样式，并可整篇转写为拼音。

统计名词动词分布、转移矩阵、基准语料对比，看清文本的语法骨架。

提取文本核心关键词,TF-IDF 看稀有度、TextRank 看关联强度，交叉对比看清文本核心语义。

统计词频和固定词组，包括 2–4 个词组成的搭配，自动归纳焦点说法与多篇间的共性。

自动识别文本里的人名地名机构时间，生成可核对实体清单。

把写作习惯拆成可对比的统计指标，定位风格差异来源。多篇文本可对比风格上是否相近、相近到什么程度。

找出文本里经常成对出现的词，并用多项统计指标判断这种搭配是否真的稳定。

可视化每句话的主干、修饰与依赖关系，并给整段文本打出句法复杂度评分。

识别一批文本里最重要的核心词，并以矩阵和网络呈现这些词之间的关联强度。

同时用 PySenti 和 CnText 两种词典方法逐行判断情感倾向

把相似文本自动分到几个主题里，并用多种评估指标和图表判断分组是否清晰。

用语义模型从完整文章中抽取关键词，综合得分、频次和位置排序，适合单篇长文分析。

使用深度学习模型判断情感倾向，支持电商、学术、金融等 7 种行业语境，输出关键词和置信度。

列出每个关键词在原文里的左右上下文，纵向对齐看它的用法、搭配与出现位置。

把同义词合并成概念组，统计每个主题在哪些文档里被密集讨论——和 KWIC 互补，看的是「分布」而非「用法」。

逐文档统计词频并构建文档-词汇矩阵，热力图直观展示不同文档的用词差异。

自动修复中文文本中缺失或错误的标点符号，逐句对照显示纠正变化。

估算中英文本的阅读门槛与近似阅读年级，挑出最难和最易的句子，看适合什么水平的读者。

基于语义向量查找含义相近的句子对，输出相似度矩阵和配对明细。

对照官方词表逐词估等级并筛超纲，可作新词发现候选与后续主题、关键词任务的自定义词表。

用 TextRank 与 LexRank 双算法从原文挑出最关键的几句拼成摘要，不改写、可溯源。

批量识别并脱敏文本里的身份证、手机号、银行卡等结构化个人信息，占位 / 掩码 / 删除三选一。

将 Word/PDF/PPT/Excel 等文档统一转写为 Markdown 和纯文本，同时输出多种格式。

把录音、会议等语音转成文字，支持多语言，适合记录与字幕。

把 JSON 数据转成表格，支持嵌套结构，便于在 Excel 等中分析。

Office 文档转 PDF，保持排版，支持批量。

把 Excel 表另存为 CSV，支持多表、自定义分隔符。

把 CSV 转成 Excel，自动识别分隔符与编码。

按分隔符把文本转成表格，便于导入与分析。

把图片或 PDF 里的文字、公式、表格识别出来，导出为可编辑文档。

把 Word 里的表格转成 CSV 文件。

从各类文档中提取纯文字，去掉格式，便于做文本分析。

从视频中导出音频轨道，支持多格式与音质选择。

批量转换图片分辨率，更适合 ai 模型处理

按页码范围从 PDF 中截取页面，另存为新文档。

语音合成

逐句解释文本为何偏正负面，给出证据词和推理逻辑。

不只给整体参考分，还定位逐段逐句风险，并生成可复用改稿提示。

从文本中自动抽取人物、机构、概念及其关系，生成可交互的知识图谱。

自动整理停用词候选，省去反复手写、增补停用词表的精力。

把无标点的连续中文恢复成带句读的句子，并给出句长诊断与逐句列表，便于后续文本挖掘。

基于语义聚类重建文本主题结构，自动生成抽象标签并解析主题间距离与层级关系。

从文本中发现若干主题，展示主题词、文档分布及主题之间的关系。

分析文本情感，除积极/中性/消极外，输出效价（V）、唤醒度（A）、支配度（D）三个维度。

把高维文本特征压缩成少数主成分，帮助看清差异主要来自哪些方向。

对大批量文本做语义聚类，自动发现主题与结构。

用LSA把分散文本压成几个语义方向，看清主题边界、重叠关系和代表性段落。

找出常规分词容易切碎的术语、专名和流行表达，补齐领域词表。

对LDA在多个候选主题数下做多指标对照，给出更稳妥的主题数建议。

逐句评估信息量与表达效率，筛出真正值得保留和引用的内容。

对成批文档做相似度分析与聚类，给出去重建议与可视化（矩阵、雷达等）。

用关联强度指标筛出材料里稳定的词搭配，可指定中心词专门查它周围的典型搭配伙伴。

基于语义相似度将意思接近的句子或段落归组，保留代表句并合并重复表达。

标量化文本用词丰富度，并定位哪一段开始变得"车轱辘话"。

对表格数值列做主成分分析，输出方差解释、载荷、得分和二维投影散点图。

从一批专业文档里自动挑出该领域反复使用的多字术语。

对表格数值列做 K-Means 聚类，自动选 K 并输出分群画像和二维投影图。

用 keyness 关键性统计对比两组语料，找出目标里反复强调的特征词与相对回避的话题。

对日期指标序列做聚合、移动平均、环比同比分析，自动识别峰谷和异常。

在一批文档里按相关度检索段落、句子或整篇文档，关键词与意思接近的内容都能找到。

拟合词汇增长曲线与 Zipf 分布，给出用词开放度、词频陡峭度，并预测再读多少文本能新增多少词。

从大批句子中归纳反复出现的依存关系、词性骨架、动词论元与修饰搭配，补足单句句法树看不到的整体规律。

总结「所以、然而、总之」这类衔接词的用量与位置，看懂文章怎么讲道理、哪里转折和收束最集中。

基于多种统计风格特征，量化每篇文档的写作风格。

快速判断图片属于哪一类，并给出置信度。

自动识别图中物体并按类别/实例圈出、打标签。

判断照片是特写、近景、中景还是远景，适合批量分析取景。

按物体类别对整张图做像素级分区标注。

提取图片主色、生成配色方案并展示颜色分布。

圈出图中每一个独立物体并区分不同实例。

按你设定的类别给图片打标签，适合固定场景。

从文本中识别「因为—所以」等因果关系，适合政策与社科分析。

识别文本中的利益相关方、立场态度与利益动因。

从反馈与政策文本中挖出具体期待，判断大家最想要什么、急不急、情绪如何。

逐句检测中文文本中的阴阳怪气、过度捧杀和隐含负面情绪，揭示字面之外的真实态度。

从长文中抽取时间、事件、主体、地点并归一化日期，输出可排序的时间线。

逐句标注比喻、排比、反问等修辞手法，输出分布统计和密度指标。