自然语言处理相关代码上传

自然语言处理/nlp_learn/corpus_collection/main.py

@@ -0,0 +1,46 @@
+#!/usr/bin/env python
+
+# -*- coding: utf-8 -*-
+
+import requests
+import re
+import json
+
+def loads_jsonp(_jsonp):
+    """
+    解析jsonp数据格式为json
+    :return:
+    """
+    try:
+        return json.loads(re.match(".*?({.*}).*", _jsonp, re.S).group(1))
+    except:
+        raise ValueError('Invalid Input')
+
+def checkDomain(domain):
+    url ='https://checkapi.aliyun.com/check/checkdomain?domain={}&command=&token=Yfac96c4b81135619a9792ba7b6b7c029&ua=&currency=&site=&bid=&_csrf_token=&callback=jsonp_1591789545251_96571'.format(domain)
+    #模拟浏览器发送http请求
+    response = requests.get(url)
+    response.encoding ='utf-8'
+    html = response.text
+    result = loads_jsonp(html)
+    isGood = result['module'][0]['avail']
+    return isGood
+
+fb=open('domain.txt', 'w', encoding ='utf-8')
+
+for i in range(ord("g"),ord("z")+1):
+    f = chr(i)
+    for j in range(ord("a"),ord("z")+1):
+        s = chr(j)
+        for k in range(ord("a"),ord("z")+1):
+            t = chr(k)
+            domain = 'vip{}{}{}.com'.format(f,s,t)
+            isGood = checkDomain(domain)
+            if isGood == 1:
+                print(domain)
+                fb.write(domain)
+                fb.write('\n')
+        print("*****************")
+    print("+++++++++++++++++")
+
+print('end')

自然语言处理/nlp_learn/corpus_collection/mycorpus.txt

@@ -0,0 +1,12 @@
+商业新知:知识图谱为内核,构建商业创新服务完整生态。
+如何更好利用知识图谱技术做反欺诈? 360金融首席数据科学家沈赟开讲。
+知识管理 | 基于知识图谱的国际知识管理领域可视化分析。
+一文详解达观数据知识图谱技术与应用。
+知识图谱技术落地金融行业的关键四步。
+一文读懂知识图谱的商业应用进程及技术背景。
+海云数据CPO王斌:打造大数据可视分析与AI应用的高科技企业。
+智能产业|《人工智能标准化白皮书2018》带来创新创业新技术标准。
+国家语委重大科研项目“中华经典诗词知识图谱构建技术研究”开题。
+最全知识图谱介绍:关键技术、开放数据集、应用案例汇总。
+中译语通Jove Mind知识图谱平台 引领企业智能化发展。
+知识图谱:知识图谱赋能企业数字化转型，为企业升级转型注入新能量。

自然语言处理/nlp_learn/corpus_collection/youhuaaa.py

@@ -0,0 +1,48 @@
+#encoding='utf-8'
+import requests
+from pyquery import PyQuery as pq
+
+def getHtml(url):
+    response = requests.get(url)
+    response.encoding ='utf-8'
+    html = response.text
+    return html
+
+# 获取艺术百科数据
+def getArticle4Titles():
+    htmlText = getHtml('http://www.youhuaaa.com/page/article/series.php?seriesid=4')
+    doc = pq(htmlText)
+    mianDoc = doc.find("div.main")
+    titles = mianDoc.children("div.list a").items()
+    return [title.text() for title in titles]
+
+# 获取艺术动态数据
+def getArticle2Titles():
+    htmlText = getHtml('http://www.youhuaaa.com/page/article/series.php?seriesid=2')
+    doc = pq(htmlText)
+    mianDoc = doc.find("div.main")
+    titles = mianDoc.children("div.list a").items()
+    return [title.text() for title in titles]
+
+# 获取艺术评论数据
+def getArticle5Titles():
+    htmlText = getHtml('http://www.youhuaaa.com/page/article/series.php?seriesid=5')
+    doc = pq(htmlText)
+    mianDoc = doc.find("div.main")
+    titles = mianDoc.children("div.list a").items()
+    return [title.text() for title in titles]
+
+def saveText(filepath, texts):
+    file = open(filepath, 'a', encoding='utf-8')
+    for text in texts:
+        file.write(text)
+        file.write('\n')
+    file.close()
+
+
+titles4 = getArticle4Titles()
+titles2 = getArticle2Titles()
+titles5 = getArticle5Titles()
+saveText('./youhuaaa_corpus.txt',titles4)
+saveText('./youhuaaa_corpus.txt',titles2)
+saveText('./youhuaaa_corpus.txt',titles5)

自然语言处理/nlp_learn/corpus_collection/youhuaaa_corpus.txt

@@ -0,0 +1,82 @@
+花50美元买下一个主意的安迪沃霍尔
+一副被擦除的素描——行为艺术的先驱
+登上《生活》杂志的波洛克
+弗里达卡洛与超现实主义的误会
+纳粹举办“堕落艺术展”始末
+《一条安达鲁狗》——视觉艺术家第一次运用影视媒介进行创作的开端
+因为太抽象而被海关认定为金属制品的艺术品
+杜尚的作品《泉》第一次参展被拒
+在“0,10”展览上首次亮相的至上主义
+昙花一现的“青骑士”
+《未来主义宣言》登上费加罗报头版
+“立体主义”得名的由来
+维也纳分离派成立始末
+高更前往塔希提岛始末
+莫奈和他的静谧花园
+为画画不得不讨好父亲的富二代画家——保罗塞尚
+因为作品太栩栩如生而遭受诽谤的现代雕塑之父——罗丹
+第四届巴黎世界博览会上，日本浮世绘第一次在西方展出始末
+艺术风格走向自由的开端——第一届“落选者沙龙”开幕
+第一场先锋艺术运动——拉斐尔前派兄弟会成立始末
+管装油画颜料是如何被发明的？
+达盖尔银版摄影法发明始末
+风景油画的开创者——康斯特布尔
+浪漫主义运动的灵魂画手——威廉布菜克
+新古典主义风格兴起的导火索
+第一个向普通人免费开放的博物馆——卢浮宫博物馆
+大卫受托为遇刺革命者马拉画像
+艺术家荷加斯与第一部版画版权法案荷加斯法
+第一位被册封为骑士的艺术家
+第一个公司化商业运作的艺术家——伦勃朗
+法兰西艺术学院成立始末
+一言不合拔刀杀人的画家卡拉瓦乔
+为了自由创作被宗教裁判所审讯的艺术家委罗内塞
+圣像破坏运动
+让国王捡画笔的艺术家——提香
+丢勒和他的版画《犀牛》
+“拉斐尔房间”的诞生——拉斐尔请求为教皇的私人宫室创作壁画
+米开朗基罗和他的巨型雕塑作品《大卫》的首次展出
+什么是表现主义
+荷尔拜因和《两个史节》
+诺曼洛克威尔画作拍卖创画家个人拍卖纪录
+庚斯博罗大型风景素描展登陆美国纽约
+意大利团队新发现：或确定达芬奇名画中蒙娜丽莎真实身份
+法兰克福举办“丢勒——德国的大师”画展
+英国博物馆举办最伟大画家威廉透纳作品展
+纽约展出超现实主义大师吉兰马格利特作品
+2013第九届中国工笔画大展确定社会征稿参展艺术家名单
+专家发现达芬奇贵妇肖像油画版：失踪百年重见天日
+3D版梵高复制画叫价2.5万欧元
+第九届中国工笔画大展公布特邀、学术提名参展艺术家名单
+吴洋专访：无关乎“主张”和“权力”的女性艺术创作
+画家胡建成与保利拍卖公司假画事件原委
+画家滕英从艺简历
+著名画家朱乃正先生辞世，去世前捐赠百余幅作品
+美国粉笔艺术节上的惊艳作品
+马蒂斯后期作品将登陆泰特现代美术馆
+毕加索等顶级艺术家作品亮相中国美术馆
+披露赵无极生平史料
+法国华裔著名画家赵无极去世 享年93岁
+巴黎橘园美术馆里的“意大利印象派”
+外媒：三成以上年轻人不知道雷诺阿是谁
+鲁本斯、伦勃朗等大师名作“重返”英国“故居”
+李奇登斯坦大型回顾展亮相伦敦
+2013年TEFAF向收藏界展示珍宝
+英拟展出达芬奇人体解剖素描
+塞尔维亚警方寻回2006年伦勃朗被盗画作
+大都会展览：时尚之都巴黎和印象派
+印象派版画展中国巡展大连站开幕，马奈、梵高作品扎堆
+印象派大师画作领跑新一轮国际春拍
+《读信的蓝衣女子》被誉为维米尔最美作品之一
+法国总统特批马奈作品《奥林匹亚》出境
+战争与和平：卢森堡博物馆展出马克夏加尔作品
+汉堡美术馆举办中国当代艺术展《有形监狱，无形监狱》
+故宫一铜缸被游客刻字 网友愤怒：逮到剁手
+徐悲鸿7000万油画被指系中央美院学生习作(图)
+法国兰斯卢浮宫馆藏珍宝油画《自由引导人民》被恶意划损
+2012秋拍行情总结
+中央美院油画系胡建成教授对研究生课题“写实油画观念性研究”的解读
+叶永青：丑鸟拍25万这是艺术骗局
+2012秋拍遭遇寒潮 市场正在“挤泡沫”（图）
+心裹霓裳，石沁花——吴洋绘画作品的形式与表现
+我心匪石——吴洋的作品随想

自然语言处理/nlp_learn/course_nlp_learn_001.py

@@ -0,0 +1,62 @@
+import jieba
+from collections import defaultdict
+from gensim import corpora
+from gensim import models
+
+jieba.add_word('知识图谱') #防止“知识图谱”被切错词
+
+raw_corpus = ['商业新知:知识图谱为内核,构建商业创新服务完整生态。',
+'如何更好利用知识图谱技术做反欺诈? 360金融首席数据科学家沈赟开讲。',
+'知识管理 | 基于知识图谱的国际知识管理领域可视化分析。',
+'一文详解达观数据知识图谱技术与应用。',
+'知识图谱技术落地金融行业的关键四步。',
+'一文读懂知识图谱的商业应用进程及技术背景。',
+'海云数据CPO王斌:打造大数据可视分析与AI应用的高科技企业。',
+'智能产业|《人工智能标准化白皮书2018》带来创新创业新技术标准。',
+'国家语委重大科研项目“中华经典诗词知识图谱构建技术研究”开题。',
+'最全知识图谱介绍:关键技术、开放数据集、应用案例汇总。',
+'中译语通Jove Mind知识图谱平台 引领企业智能化发展。',
+'知识图谱:知识图谱赋能企业数字化转型，为企业升级转型注入新能量。']
+
+raw_corpus = [' '.join(jieba.lcut(i)) for i in raw_corpus] # 对语料库中的文档进行分词，便于后续处理
+print(raw_corpus)
+print("++++++++++++++++++++++++++++++++++++++++++++++++++++++++")
+
+# 移除常用词以及分词
+stoplist = [i.strip() for i in open('datasets/stopwords_zh.txt', encoding='utf-8').readlines()]
+
+#将文档中可能存在的西文字符小写化，按空格进行拆分，且去停用词
+texts = [[word for word in document.lower().split() if word not in stoplist] for document in raw_corpus]
+
+#计算词频
+frequency = defaultdict(int)
+for text in texts:
+    for token in text:
+        frequency[token] += 1
+
+# 仅保留词频数高于1的词汇
+processed_corpus = [[token for token in text if frequency[token] > 1] for text in texts]
+print(processed_corpus)
+print("++++++++++++++++++++++++++++++++++++++++++++++++++++++++")
+
+dictionary = corpora.Dictionary(processed_corpus)
+print(dictionary)
+print("++++++++++++++++++++++++++++++++++++++++++++++++++++++++")
+
+print(dictionary.token2id)
+print("++++++++++++++++++++++++++++++++++++++++++++++++++++++++")
+
+new_doc = "知识图谱 为 企业 转型 助力"  #已分词，便于后续处理
+new_vec = dictionary.doc2bow(new_doc.lower().split())
+print(new_vec)
+print("++++++++++++++++++++++++++++++++++++++++++++++++++++++++")
+
+bow_corpus = [dictionary.doc2bow(text) for text in processed_corpus]
+print(bow_corpus)
+print("++++++++++++++++++++++++++++++++++++++++++++++++++++++++")
+
+# 训练模型
+tfidf = models.TfidfModel(bow_corpus)
+# 对"知识图谱这种技术是企业转型的利器"进行转换
+value = tfidf[dictionary.doc2bow("知识图谱 这种 技术 是 企业 转型 的 利器".split())]
+print(value)

自然语言处理/nlp_learn/course_nlp_learn_002.py

@@ -0,0 +1,130 @@
+import logging
+import os
+import tempfile
+from gensim import corpora
+import jieba
+from pprint import pprint  #使打印的格式更齐整
+from smart_open import smart_open
+from six import iteritems
+import gensim
+import numpy as np
+import scipy.sparse
+
+logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
+
+TEMP_FOLDER = tempfile.gettempdir()
+print('文件夹"{}" 将被用来存储语料和临时性的字典'.format(TEMP_FOLDER))
+
+jieba.add_word('知识图谱') #防止“知识图谱”被切错词
+
+docs = ['商业新知:知识图谱为内核,构建商业创新服务完整生态。',
+'如何更好利用知识图谱技术做反欺诈? 360金融首席数据科学家沈赟开讲。',
+'知识管理 | 基于知识图谱的国际知识管理领域可视化分析。',
+'一文详解达观数据知识图谱技术与应用。',
+'知识图谱技术落地金融行业的关键四步。',
+'一文读懂知识图谱的商业应用进程及技术背景。',
+'海云数据CPO王斌:打造大数据可视分析与AI应用的高科技企业。',
+'智能产业|《人工智能标准化白皮书2018》带来创新创业新技术标准。',
+'国家语委重大科研项目“中华经典诗词知识图谱构建技术研究”开题。',
+'最全知识图谱介绍:关键技术、开放数据集、应用案例汇总。',
+'中译语通Jove Mind知识图谱平台 引领企业智能化发展。',
+'知识图谱:知识图谱赋能企业数字化转型，为企业升级转型注入新能量。']
+
+documents = [" ".join(jieba.lcut(i)) for i in docs]
+# print(documents )
+
+# 移除常用词以及分词
+stoplist = [i.strip() for i in open('datasets/stopwords_zh.txt',encoding='utf-8').readlines()]
+texts = [[word for word in document.lower().split() if word not in stoplist]
+for document in documents]
+
+# 移除仅出现一次的词汇
+from collections import defaultdict
+frequency = defaultdict(int)
+for text in texts:
+    for token in text:
+        frequency[token] += 1
+
+texts = [[token for token in text if frequency[token] > 1] for text in texts]
+# pprint(texts)
+
+dictionary = corpora.Dictionary(texts)
+dictionary.save(os.path.join(TEMP_FOLDER, 'deerwester.dict')) # 保存字典，以备后续查找之用
+# print(dictionary)
+# print(dictionary.token2id)
+
+new_doc = "知识图谱 为 企业 转型 助力"
+doc_vec = dictionary.doc2bow(new_doc.lower().split())
+# print(doc_vec)
+
+corpus = [dictionary.doc2bow(text) for text in texts]
+corpora.MmCorpus.serialize(os.path.join(TEMP_FOLDER, 'deerwester.mm'), corpus) # 保存到本地，以作后用
+'''
+for c in corpus:
+    print(c)
+'''
+# pprint(corpus)
+
+class MyCorpus(object):
+    def __iter__(self):
+        for line in smart_open('./corpus_collection/mycorpus.txt', 'r', encoding='utf-8'):
+            # 假设每一行一个文档，用jieba进行分词
+            yield dictionary.doc2bow(' '.join(jieba.lcut(line)).lower().split())
+
+corpus_memory_friendly = MyCorpus()  #不需要将语料载入到内存中!
+# print(corpus_memory_friendly)
+'''
+for vector in corpus_memory_friendly:  #每次载入一个文档向量
+    print(vector)
+'''
+
+# 收集所有词汇的统计信息
+dictionary = corpora.Dictionary(" ".join(jieba.lcut(line)).lower().split() for line in smart_open("./corpus_collection/mycorpus.txt", "r", encoding = 'utf-8'))
+
+# 停用词和低频词（这里指仅出现1次的词汇）的ID集合
+stop_ids = [dictionary.token2id[stopword] for stopword in stoplist if stopword in dictionary.token2id]
+once_ids = [tokenid for tokenid, docfreq in iteritems(dictionary.dfs) if docfreq == 1]
+
+# 真正实施去停用词和低频次的操作
+dictionary.filter_tokens(stop_ids + once_ids)
+# print(dictionary)
+
+
+# 创建一个包含2个文档的微小语料，以一个python列表呈现
+corpus = [[(1, 0.5)], []] # 其中一个文档故意搞成空的
+corpora.MmCorpus.serialize(os.path.join(TEMP_FOLDER, 'corpus.mm'), corpus)
+# 其他的存储格式还有Joachim’s SVMlight format(http://svmlight.joachims.org/)、 Blei’s LDA-C format(http://www.cs.columbia.edu/~blei/lda-c/) 和 GibbsLDA++ format(http://gibbslda.sourceforge.net/)。
+corpora.SvmLightCorpus.serialize(os.path.join(TEMP_FOLDER, 'corpus.svmlight'), corpus)
+corpora.BleiCorpus.serialize(os.path.join(TEMP_FOLDER, 'corpus.lda-c'), corpus)
+corpora.LowCorpus.serialize(os.path.join(TEMP_FOLDER, 'corpus.low'), corpus)
+
+corpus = corpora.MmCorpus(os.path.join(TEMP_FOLDER, 'corpus.mm'))
+# corpus
+
+# 一种打印语料库的方式是 --- 将其整个载入内存中
+# print(list(corpus)) # 调用list()能将任何序列转化为普通的Python list
+
+'''
+# 另一种方法：一次打印一个文档
+for line in corpus:
+    print(line)
+'''
+
+# 接下来，以Blei的LDA-C格式保存相同的Matrix Market文档流：
+corpora.BleiCorpus.serialize(os.path.join(TEMP_FOLDER, 'corpus.lda-c'), corpus)
+
+numpy_matrix = np.random.randint(10, size=[5,2])
+print(numpy_matrix)
+
+corpus = gensim.matutils.Dense2Corpus(numpy_matrix)
+numpy_matrix_dense = gensim.matutils.corpus2dense(corpus, num_terms=10)
+print(numpy_matrix_dense)
+
+scipy_sparse_matrix = scipy.sparse.random(5,2)
+print(scipy_sparse_matrix)
+
+corpus = gensim.matutils.Sparse2Corpus(scipy_sparse_matrix)
+# print(corpus)
+print(list(corpus))
+scipy_csc_matrix = gensim.matutils.corpus2csc(corpus)
+print(scipy_csc_matrix)

自然语言处理/nlp_learn/course_nlp_learn_003.py

@@ -0,0 +1,68 @@
+import logging
+import os.path
+import tempfile
+from gensim import corpora, models, similarities
+
+logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
+
+TEMP_FOLDER = tempfile.gettempdir()
+print('文件夹"{}" 将被用来存储语料和临时性的字典'.format(TEMP_FOLDER))
+
+if os.path.isfile(os.path.join(TEMP_FOLDER, 'deerwester.dict')):
+    dictionary = corpora.Dictionary.load(os.path.join(TEMP_FOLDER, 'deerwester.dict'))
+    corpus = corpora.MmCorpus(os.path.join(TEMP_FOLDER, 'deerwester.mm'))
+    print("使用前面教程中产生的语料文件。")
+else:
+    print("请运行前面的教程，以生成语料文件。")
+
+'''
+print(dictionary)
+print(dictionary[0])
+print(dictionary[1])
+print(dictionary[2])
+'''
+
+tfidf = models.TfidfModel(corpus)
+
+# 使用模型对词袋表示向量进行转换
+doc_bow = [(0, 3), (1, 5)]
+# print(tfidf[doc_bow])
+
+corpus_tfidf = tfidf[corpus]
+'''
+for doc in corpus_tfidf:
+    print(doc)
+'''
+
+# 初始化LSI转换
+lsi = models.LsiModel(corpus_tfidf, id2word=dictionary, num_topics=3)
+corpus_lsi = lsi[corpus_tfidf] # 在原始语料词袋表示的基础上创建一个双包装器（Double Wrapper）：bow-> tfidf-> lsi
+lsi.show_topics()
+'''
+for doc in corpus_lsi:
+    print(doc)
+'''
+
+lsi.save(os.path.join(TEMP_FOLDER, 'model.lsi')) 
+lsi = models.LsiModel.load(os.path.join(TEMP_FOLDER, 'model.lsi'))
+# LSI增量学习的使用方法说明
+# model.add_documents(another_tfidf_corpus)  # 现在LSI模型已经在tfidf_corpus + 另一个tfidf_corpus上进行训练了
+# lsi_vec = model[tfidf_vec]                # 将一个新文档转换到LSI空间，但不影响模型
+# model.add_documents(more_documents)      # tfidf_corpus + another_tfidf_corpus + 更多的文档 lsi_vec = model[tfidf_vec]
+
+# RP算法
+rp = models.RpModel(corpus_tfidf, num_topics=3)
+# 主题数有多少？
+# print(rp.num_topics)
+# 主题模型中参与训练的词汇数有多少？
+# print(rp.num_terms)
+
+# 隐狄利克雷分配模型（Latent Dirichlet Allocation, LDA）
+lda = models.LdaModel(corpus, id2word=dictionary, num_topics=3)
+# lda.show_topics()
+
+# 层次狄利克雷过程（Hierarchical Dirichlet Process, HDP）
+# HDP是一种非参数贝叶斯方法（跟其他的主题模型不同，它不需要事先确定主题的数量），它对于想偷懒的同学来说，简直是福音！
+hdp = models.HdpModel(corpus, id2word=dictionary)
+# 该模型自动生成 主题数有多少？
+# hdp.show_topics()

自然语言处理/nlp_learn/course_nlp_learn_004.py

@@ -0,0 +1,84 @@
+
+import os
+import tempfile
+import logging
+from gensim import corpora, models, similarities
+from collections import defaultdict
+from pprint import pprint  #使打印的格式更齐整
+import jieba
+
+logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
+
+TEMP_FOLDER = tempfile.gettempdir()
+print('文件夹"{}" 将被用来存储语料和临时性的字典'.format(TEMP_FOLDER))
+
+#对特定长词进行控制，防止被分错词，影响后续的分析效果
+jieba.add_word('微信')
+jieba.add_word('文本挖掘')
+jieba.add_word('增长黑客')
+jieba.add_word('小白')
+jieba.add_word('大数据')
+
+docs = [
+'数据挖掘实操｜用文本挖掘剖析近5万首《全唐诗》',
+'以虎嗅网4W+文章的文本挖掘为例，展现数据分析的一整套流程',
+'干货｜作为一个合格的“增长黑客”，你还得重视外部数据的分析！',
+'文本挖掘从小白到精通（二）---语料库和词向量空间',
+'文本挖掘从小白到精通（三）---主题模型和文本数据转换',
+'文本挖掘从小白到精通（一）---语料、向量空间和模型的概念',
+'以《大秦帝国之崛起》为例，来谈大数据舆情分析和文本挖掘',
+'文本分类算法集锦，从小白到大牛，附代码注释和训练语料',
+'Social Listening和传统市场调研的关系是怎样的？',
+'【新媒体运营实操】如何做出一个精美的个性化词云'
+'以哈尔滨冰雪大世界旅游的传播效应为例，谈数据新闻可视化的“魅惑”',
+'万字干货｜10款数据分析“工具”，助你成为新媒体运营领域的“增长黑客”',
+'如何用数据分析，搞定新媒体运营的定位和内容初始化？',
+'当数据分析遭遇心理动力学：用户深层次的情感需求浮出水面',
+'揭开微博转发传播的规律：以“人民日报”发布的G20文艺晚会微博为例',
+'数据运营实操 | 如何运用数据分析对某个试运营项目进行“无死角”的复盘？',
+'如何利用微信后台数据优化微信运营',
+'如何利用Social Listening从社会化媒体中“提炼”有价值的信息？',
+'用大数据文本挖掘，来洞察“共享单车”的行业现状及走势',
+'从社交媒体传播和文本挖掘角度解读《欢乐颂2》',
+'不懂数理和编程，如何运用免费的大数据工具获得行业洞察？',
+'写给迷茫的你：如何运用运营思维规划自己的职业发展路径？',
+'如何用聚类分析进行企业公众号的内容优化',
+'傅园慧和她的“洪荒之力”的大数据舆情分析',
+'数据运营|数据分析中，文本分析远比数值型分析重要！（上）'
+]
+
+documents = [" ".join(jieba.lcut(i)) for i in docs]
+# pprint(documents)
+
+# 去停用词
+stoplist = [i.strip() for i in open('datasets/stopwords_zh.txt',encoding='utf-8').readlines()]
+texts = [[word for word in document.lower().split() if word not in stoplist] for document in documents]
+# pprint(texts)
+
+dictionary = corpora.Dictionary(texts)
+print(dictionary.token2id)
+corpus = [dictionary.doc2bow(text) for text in texts]
+# 查看词袋表示中的部分数据
+# pprint(list(corpus)[:3])
+
+lsi = models.LsiModel(corpus, id2word=dictionary, power_iters=100, num_topics=10)
+
+#查询语句为“文本挖掘在舆情口碑挖掘中的作用很大” 
+doc = "文本挖掘 在 舆情 口碑 挖掘 中 的 作用 很大"
+vec_bow = dictionary.doc2bow(doc.lower().split())
+# pprint(vec_bow)
+vec_lsi = lsi[vec_bow] # 将查询语句转换到LSI向量空间
+# pprint(vec_lsi)
+
+result = [(docs[i[0]], i[1]) for i in vec_lsi]
+# pprint(result)
+result = sorted(result, key = lambda x : x[1], reverse = True)
+# pprint(result)
+
+# index = similarities.MatrixSimilarity(lsi[corpus]) # 将查询语料库转换到LSI向量空间并对其中的每个文档/语句建立索引
+#内存友好型接口
+index = similarities.Similarity(output_prefix='Similarity',corpus=lsi[corpus],num_features=500)  #将查询语料库转换到LSI向量空间并对其中的每个文档/语句建立索引
+
+sims = index[vec_lsi]
+result = [(docs[i[0]],i[1]) for i in enumerate(sims)] # 对检索语料库进行相似度查询
+pprint(sorted(result ,key=lambda x: x[1],reverse=True)) # 每个查询结果的格式是 (语句，与查询语句的相似度)，是一个2元元组

自然语言处理/nlp_learn/course_nlp_learn_005.py

@@ -0,0 +1,188 @@
+from gensim.corpora import Dictionary
+from gensim.models import ldamodel
+from gensim.models import CoherenceModel, LdaModel
+from gensim import models
+import numpy
+import logging
+
+logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
+
+texts = [
+['苹果','叶子','椭圆形','树上'],
+['植物','叶子','绿色','落叶乔木'],
+['水果','苹果','红彤彤','味道'],
+['苹果','落叶乔木','树上','水果'],
+['植物','营养','水果','维生素'],
+['营养','维生素','苹果','成分'],
+['互联网','电脑','智能手机','高科技'],
+['苹果','公司','互联网','品质'],
+['乔布斯','苹果','硅谷'],
+['电脑','智能手机','苹果','乔布斯'], 
+['苹果','电脑','品质','生意'],
+['电脑','品质','乔布斯'],
+['苹果','公司','生意','硅谷']
+]
+
+dictionary = Dictionary(texts)
+corpus = [dictionary.doc2bow(text) for text in texts]
+
+numpy.random.seed(1) # 设置随即种子数，以便相同的设置能跑出相同的结果，可复现
+goodLdaModel = LdaModel(corpus=corpus, id2word=dictionary, iterations=50, num_topics=2)
+badLdaModel = LdaModel(corpus=corpus, id2word=dictionary, iterations=50, num_topics=6)
+
+# goodcm = CoherenceModel(model=goodLdaModel, corpus=corpus, dictionary=dictionary, coherence='u_mass')
+# badcm = CoherenceModel(model=badLdaModel, corpus=corpus, dictionary=dictionary, coherence='u_mass')
+# print(goodcm.get_coherence())
+# print(badcm.get_coherence())
+
+# goodcm = CoherenceModel(model=goodLdaModel, texts=texts, dictionary=dictionary,  coherence='c_v')
+# badcm = CoherenceModel(model=badLdaModel, texts=texts, dictionary=dictionary,  coherence='c_v')
+# print(goodcm.get_coherence())
+# print(badcm.get_coherence())
+
+model = ldamodel.LdaModel(corpus, id2word=dictionary, iterations=500, num_topics=2, alpha='auto')
+# model.show_topics(num_words=5)
+
+
+'''
+[(0, '0.104*"苹果" + 0.077*"水果" + 0.073*"植物" + 0.071*"落叶乔木" + 0.070*"叶子" + 0.065*"树上"'),
+ (1, '0.175*"苹果" + 0.084*"电脑" + 0.081*"品质" + 0.062*"乔布斯" + 0.061*"生意" + 0.060*"公司"')]
+'''
+#根据主题模型运行出来的结果，序号为0的暂定为“水果”，序号为1的暂定为“公司”，用来测试几个词汇的主题归属情况
+topic_list = ['水果','公司']
+
+result = [(topic_list[i[0]],i[1]) for i in model.get_term_topics('树上')]
+# print(result)
+result = [(topic_list[i[0]],i[1]) for i in model.get_term_topics('智能手机')]
+# print(result)
+result = [(topic_list[i[0]],i[1]) for i in model.get_term_topics('落叶乔木')]
+# print(result)
+
+bow_fruit = ['苹果','树上','落叶乔木','苹果']
+bow_company = ['苹果','电脑','乔布斯']
+
+bow = model.id2word.doc2bow(bow_fruit)     # 现将文档转换为词袋表示
+doc_topics, word_topics, phi_values = model.get_document_topics(bow, per_word_topics=True)
+# print(word_topics)
+# print(phi_values)
+
+bow = model.id2word.doc2bow(bow_company)  # 现将文档转换为词袋表示
+doc_topics, word_topics, phi_values = model.get_document_topics(bow, per_word_topics=True)
+# print(word_topics)
+# print(phi_values)
+
+all_topics = model.get_document_topics(corpus, per_word_topics=True)
+cnt = 0
+'''
+for doc_topics, word_topics, phi_values in all_topics:
+    print('新文档:{} \n'.format(cnt),texts[cnt])
+    doc_topics = [(topic_list[i[0]],i[1]) for i in doc_topics]
+    word_topics = [(dictionary.id2token [i[0]],i[1]) for i in word_topics]
+    phi_values = [(dictionary.id2token [i[0]],i[1]) for i in phi_values ]
+    print('文档主题:', doc_topics)
+    print('词汇主题:', word_topics)
+    print('Phi值:', phi_values)
+    print(" ")
+    print('-------------- \n')
+    cnt+=1
+'''
+
+#  以下是一个给词汇着色的函数。 如前所述，有很多方法可以做到这一点。
+import matplotlib.pyplot as plt
+import matplotlib.patches as patches
+def color_words(model, doc):
+    # 将文档转化为词袋表示
+    doc = model.id2word.doc2bow(doc)
+    # 获取词汇的主题分布
+    doc_topics, word_topics, phi_values = model.get_document_topics(doc, per_word_topics=True)
+
+    # 颜色 - 主题匹配
+    topic_colors = { 1:'red', 0:'blue'}
+
+    # 设置画图的背景
+    fig = plt.figure()
+    ax = fig.add_axes([0,0,1,1])
+
+    # 一个“暗黑”小技巧，使词汇之间的间距保持在合理的范围之内
+    word_pos = 1/len(doc)
+
+    # 使用matplotlib对词汇进行绘制
+    for word, topics in word_topics:
+        ax.text(word_pos,
+                        0.8,
+                        model.id2word[word],
+                        horizontalalignment='center',
+                        verticalalignment='center',
+                        fontsize=20, 
+                        color=topic_colors[topics[0]],  # 选择可能性最大的主题
+                        transform=ax.transAxes)
+        word_pos += 0.2
+    ax.set_axis_off()
+    plt.show()
+
+plt.rcParams['font.sans-serif']=['SimHei']  #用来正常显示中文标签
+bow_fruit = ['水果','苹果','树上']
+# color_words(model, bow_fruit)
+
+bow_company = ['苹果','电脑','乔布斯','智能手机']
+# color_words(model, bow_company)
+
+doc = ['苹果','电脑','苹果','树上','乔布斯','智能手机','硅谷','植物']
+# color_words(model, doc)
+
+
+def color_words_dict(model, dictionary):
+    word_topics = []
+    for word_id in dictionary:
+        word = str(dictionary[word_id])
+        # get_term_topics方法返回静态的主题
+        probs = model.get_term_topics(word)
+        # 我们正在创建词汇的主题分布，它与get_document_topics所结果创建的类似
+        try:
+            if probs[0][1] >= probs[1][1]:
+                word_topics.append((word_id, [0, 1]))
+            else:
+                word_topics.append((word_id, [1, 0]))
+                # 在这种情况下，只会返回一个主题（概率值最大的那个主题）
+        except IndexError:
+            word_topics.append((word_id, [probs[0][0]]))
+
+    # 颜色 - 主题匹配
+    topic_colors = { 1:'red', 0:'blue'}
+
+     # 设置画图的背景
+    fig = plt.figure()
+    ax = fig.add_axes([0,0,1,1])
+
+    # 一个“暗黑”小技巧，使词汇之间的间距保持在合理的范围之内
+    word_pos = 0.016
+
+    #使用matplotlib对词汇进行绘制
+    for word, topics in word_topics:
+        ax.text(word_pos, 0.8, model.id2word[word],
+                horizontalalignment='center',
+                verticalalignment='center',
+                fontsize=16, 
+                color=topic_colors[topics[0]],  # 选择可能性最大的主题
+                transform=ax.transAxes)
+        word_pos += 0.046
+
+    ax.set_axis_off()
+    plt.show()
+
+# color_words_dict(model, dictionary)
+
+
+import warnings
+try:
+  import pyLDAvis.gensim
+  CAN_VISUALIZE = True
+  pyLDAvis.enable_notebook()
+  from IPython.display import display
+except ImportError:
+    ValueError("SKIP: please install pyLDAvis")
+    CAN_VISUALIZE = False
+warnings.filterwarnings('ignore') # 忽视所有的提示
+
+prepared = pyLDAvis.gensim.prepare(model, corpus, dictionary)
+pyLDAvis.show(prepared,open_browser=True)

自然语言处理/nlp_learn/course_nlp_learn_006.py

@@ -0,0 +1,187 @@
+
+# 导入模块并设置日志记录
+import gensim, logging
+from pprint import pprint
+from smart_open import smart_open
+import os
+import jieba
+from nltk.stem import WordNetLemmatizer
+from nltk.stem.porter import PorterStemmer
+
+# logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)
+
+# jieba.load_userdict(r"G:\chinese-opinion-target-extraction-master\dataset\dictionary\dictionary.txt") # 载入自定义词典，提高分词的准确性,因为数据量较大，需要花点时间加载
+
+sentences = [
+'2018年10月份，麻省理工学院的Zakaria el Hjouji, D. Scott Hunter等学者发表了《The Impact of Bots on Opinions in Social Networks》，',
+'该研究通过分析 Twitter 上的机器人在舆论事件中的表现，证实了社交网络机器人可以对社交网络舆论产生很大的影响，不到消费者总数1%的活跃机器人，就可能左右整个舆论风向。',
+'麻省理工学院研究组的这项工作，最大的发现是，影响社交网络舆论所需要的机器人，其实是很少的。少数活跃的机器人，可以对网络舆论产生重大影响。',
+'机器人检测算法，会判断某用户是机器人的概率，但实际操作中研究者发现，该算法把几个经常转发但不常被@ 的真实用户也当做了机器人。所以研究者对有实名认证的 Twitter 用户做了筛查，把他们都归为真实用户。',
+'不论是真实的推特用户还是推特机器人，它们的三个基本操作是，关注、转发和评论（类似微博）。通过跟踪这些互动，研究者可以有效量化 Twitter 账号的行为。',
+'直觉上，那些不太关注别人的用户，也不太可能关注你。而且社交圈子重叠很重要，如果 A 和 B 是好友，那么关注 A 的用户就有较大概率关注 B。',
+'虽然人们在收到新信息时会更新他们的观点，但这个过程会随着时间的推移而减弱，他们的观点会逐渐变得顽固。Zaman 认为，如果你已经掌握了很多信息，你就越来越难听从别人的观点，新说法不会改变你的看法。',
+'该研究团队基于过往研究，给出了网络舆论模型的核心假设：',
+'社交网络中的个人是基于其朋友推文中的观点，来更新自身的观点；',
+'网络中某些用户的观点是顽固的，其观点不会轻易改变，而且顽固用户会推动其他用户（摇摆不定的中间派）改变观点。',
+'虽然社交媒体机器人不会带来物理威胁，但它们却可能有力影响到网络舆论。在微博里，各类水军已经经常出现在营销造势、危机公关中。虽然你能一眼识别出谁是水军，但仍然可能不知不觉地被他们影响。',
+'这些机器人看似僵尸，发起声来，比人类响亮得多，可能只要几十个几百个就足够扭转舆论！',
+'所以，从社会化媒体数据挖掘的角度来看，信息的真实性并不重要，只要文章、帖子或者评论能影响到浏览者或受众，具有一定的（潜在）影响力，这类社媒数据数据就值得去挖掘。',
+'更进一步说，跟销售数据反映消费者决策价值、搜索数据反映消费者意图价值相比，虽然社会化媒体文本数据的价值密度最低，好比是蕴藏金子和硅、却提炼极为困难的沙子，但由于它在互联网领域的分布极为广泛，',
+'且蕴含着对客观世界的细节描述和主观世界的宣泄（情绪、动机、心理等），其最大价值在于潜移默化地操控人的思想和行为的影响力，',
+'通过社会化媒体挖掘，我们可以得到对目标受众具有（潜在）影响力的商业情报。淘沙得金，排沙简金，最终得到的分析结果用以预判受众的思考和行为，为我们的生产实践服务。'
+]
+
+'''
+porter_stemmer = PorterStemmer()
+wordnet_lemmatizer = WordNetLemmatizer()
+sentences = [wordnet_lemmatizer.lemmatize(porter_stemmer.stem(i.lower())) for i  in sentences]
+print(sentences[:2])
+'''
+
+# data_cut = [jieba.lcut(i) for i  in sentences] # 对语句进行分词
+data_cut = [' '.join(jieba.lcut(i)) for i  in sentences] # 用空格隔开词汇，形成字符串，便于后续的处理
+stoplist = [i.strip() for i in open('datasets/stopwords_zh.txt',encoding='utf-8').readlines()] # 载入停用词列表
+sentences = [[word for word in document.strip().split() if word not in stoplist] for document in data_cut] # 过滤语句中的停用词sentences[:3]  #展示预处理后语句列表中的3个样例
+# pprint(sentences)
+
+# model = gensim.models.Word2Vec(sentences, min_count=1)
+
+# 做一个简单的相似词检索操作，可能是训练语料太少的缘故，得到的结果没有太make sense
+# model.wv.most_similar('社交网络')
+# result = model.wv.most_similar('社交')
+# pprint(result)
+
+# print(model)
+# print(list(model.wv.vocab)[:50])
+
+'''
+model = gensim.models.Word2Vec(sentences, min_count=3)
+print(model)
+print(list(model.wv.vocab)[:50])
+'''
+
+# 以另一种方式训练模型，使上述两个步骤显式化
+'''
+new_model = gensim.models.Word2Vec(min_count=2) # 一个“空”的模型，还未进行实质性的训练
+new_model.build_vocab(sentences) # 可以是不可重复的，遍历一次语句生成器
+new_model.train(sentences, total_examples=new_model.corpus_count, epochs=new_model.iter) # 可以是不可重复的，遍历一次语句生成器
+print(new_model)
+print(list(new_model.wv.vocab)[:50])
+'''
+
+model = gensim.models.Word2Vec(sentences, size = 50, sg=1,  min_count= 3, window = 8, iter = 20 )
+print(model)
+print(list(model.wv.vocab)[:50])
+
+more_sentences = ['众所周知，社交聆听是一个需要社交媒体聆听/社交媒体监控工具的实现的过程（例如，Awario，Mention，Brandwatch）。',
+'打开应用程序时，您要做的第一件事就是输入要监控的关键字。','关键字是最能描述您想要在社交媒体平台和网络上找到的内容的词。',
+'关键字可以是一个单词（例如“飞利浦”），两个单词（例如“Aleh Barysevich”），四个单词（例如“搜索引擎优化工具”）等。',
+'这些示例中的每一个都呈现一个关键字。输入关键字后，该工具会搜索这些关键字的提及次数并将其收集在一个位置。',
+'监控营销（和其他）活动以及产品发布至关重要。',
+'社交媒体上的反应非常迅速。只有通过实时监控此类事件，您才会立即知道它是否正常运行以及是否存在您在创建活动时可能没有注意到的问题。',
+'你越早知道越好。要监控广告系列，请输入其名称（如果有），标语和/或主题标签作为关键字。'                                  ]
+more_sentences = [' '.join(jieba.lcut(i)) for i  in more_sentences]
+stoplist = [i.strip() for i in open('datasets/stopwords_zh.txt',encoding='utf-8').readlines()]
+more_sentences = [[word for word in document.lower().split() if word not in stoplist] for document in more_sentences]
+model.build_vocab(more_sentences, update=True)  #注意该方法中的参数update，默认为False,增量更新模型时，需要设置为True
+model.train(more_sentences, total_examples=model.corpus_count, epochs=model.epochs)
+
+print(model)
+print(list(model.wv.vocab)[:50])
+
+# 获取词汇相关的前n个词语，当positive和negative同时使用的话，就是词汇类比 (Word Analogy )
+result = model.wv.most_similar(positive=['社交', '舆论'], negative=['数据'], topn=20)
+# pprint(result)
+
+# 找出与其他词差异最大的词汇
+result = model.wv.doesnt_match("舆论 网络 媒体 受众 社交化 价值 ".split())
+# pprint(result)
+
+# 接近词汇A更甚于词汇B接近词汇A的【所有】词汇,按相似度由高到低降序排列
+result = model.wv.closer_than('媒体','价值')  #'媒体'是词汇A,'价值'是词汇B
+# pprint(result)
+
+# 找到前N个最相似的单词，注意其中的参数restrict_vocab ，它是可选的整数，它限制了向量的范围，搜索最相似的值。 例如，restrict_vocab = 10000会，只检查词汇顺序（按降序频率对词汇表进行排序会更有有意义）中的前10000个词汇向量。
+result = model.wv.similar_by_word('Twitter', topn=10, restrict_vocab=30)
+# pprint(result)
+
+# 基于cosine余弦计算词汇之间的相似度，数值越大代表相似度越高
+a = model.wv.similarity('媒体', '价值')
+b = model.wv.similarity('媒体', '舆论')
+c = model.wv.similarity('消费者', '用户')
+'''
+print(a)
+print(b)
+print(c)
+'''
+
+# 利用文本相似度匹配函数 ---wmdistance比较语句之间的相似度，数值越大代表越不相似
+'''
+doc1 = '基于 微博 数据 的 用户画像 分析 ， 重点 在于 从 数据 中 挖掘 出 用户 偏好'
+doc2 = '语义 分析 也 是 social_listening  中 的 一个 重要 技术 手段'
+doc3 = '舆情 口碑 分析 需要 利用 文本挖掘 技术 对 大量 的 非结构化 数据 进行 深度 分析'
+print(model.wv.wmdistance(doc1.split(), doc2.split()))
+print(model.wv.wmdistance(doc1.split(), doc3.split()))
+print(model.wv.wmdistance(doc2.split(), doc3.split()))
+'''
+
+# 给定上下文词汇（the context words）作为输入，你可以获得中心词汇的概率分布
+# pprint(model.predict_output_word(['舆论', '网络', '情报'], topn=20))
+
+# 使用乘法组合对象(multiplicative combination objective)找到前N个最相似的单词
+'''
+print("使用most_similar_cosmul进行相似度计算的结果：\n{}".format(model.wv.most_similar_cosmul(positive=['文本挖掘','数据','语义相关性'], negative=['商业','社交','社交媒体平台'], topn=10)))
+print("使用most_similar进行相似度计算的结果：\n{}".format(model.wv.most_similar(positive=['文本挖掘','数据','语义相关性'], negative=['商业','社交','社交媒体平台'], topn=10)))
+'''
+
+# 通过word2vec，我们可以查询到某个词汇的词向量稠密表示（Word Vector Dense Representation），该方法是word2vec中的最大价值所在，它是我们做后续高阶文本挖掘，即文本聚类、文本分类、情感分析以及文本相似度的基础
+vec = model.wv['舆论'] # 查询词汇所对应的的向量，是numpy数组形式
+# print(vec)
+
+# 训练损失计算(Training Loss Computation)
+model_with_loss = gensim.models.Word2Vec(sentences, min_count=1, compute_loss=True, hs=0, sg=1, seed=2019) # 获得训练的损失值
+training_loss = model_with_loss.get_latest_training_loss()
+# print(training_loss)
+
+# 对词嵌入进行可视化（Visualising the Word Embeddings）
+
+#再看看模型中的词汇数
+len(model.wv.vocab)
+
+from sklearn.decomposition import IncrementalPCA # 用于最初的降维
+from sklearn.manifold import TSNE # 用于最终的降维
+import numpy as np # 用于数组控制
+from adjustText import adjust_text
+from plotly.offline import init_notebook_mode, iplot, plot
+import plotly.graph_objs as go
+import matplotlib.pyplot as plt
+import seaborn as sns
+
+plt.rcParams['font.sans-serif']=['SimHei']  #用来正常显示中文标签
+plt.rcParams['axes.unicode_minus']=False    #用来正常显示负号
+def reduce_dimensions(model, plot_in_notebook = True):    
+    fig, ax = plt.subplots(figsize=(30,30))   
+    num_dimensions = 2  # 最终的维度数（2维、3维等）
+    vectors = []        # 向量空间中的位置
+    labels = []         # “跟踪”词汇以便稍后再次标记我们的数据
+    for word in list(model.wv.vocab)[:20]:  #鉴于模型中的4000+词汇，进行可视化的话会耗费大量的计算时间和计算资源，所以笔者仅展示TOP 300词汇
+        vectors.append(model.wv[word])
+        labels.append(word)# 将两个列表转换为numpy向量以进行降维    
+        vectors = np.asarray(vectors)    
+        labels = np.asarray(labels)    # 使用t-SNE进行降维    
+        vectors = np.asarray(vectors)   
+        logging.info('即将开始t-SNE降维处理。这可能会花费些时间...')
+        tsne = TSNE(n_components=num_dimensions, n_iter=100,metric='euclidean',random_state=2019)
+        vectors = tsne.fit_transform(vectors)
+        x_vals = [v[0] for v in vectors]
+        y_vals = [v[1] for v in vectors] # 创建一个 trace
+        trace = go.Scatter( x=x_vals, y=y_vals, mode='text', text=labels)
+        data = [trace]        
+        logging.info('词嵌入可视化图谱绘制已经完成！')   
+        if plot_in_notebook:       
+            init_notebook_mode(connected=True)       
+            iplot(data, filename='word-embedding-plot')
+        else:        
+            plot(data, filename='word-embedding-plot.html')
+
+# reduce_dimensions(model, plot_in_notebook = True)

自然语言处理/nlp_learn/course_nlp_learn_008.py

@@ -0,0 +1,270 @@
+from __future__ import print_function
+from sklearn.decomposition import PCA
+from sklearn.decomposition import TruncatedSVD
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.feature_extraction.text import HashingVectorizer
+from sklearn.feature_extraction.text import TfidfTransformer
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import Normalizer
+from sklearn import metrics
+from pprint import pprint
+from sklearn.cluster import KMeans, MiniBatchKMeans
+import pandas as pd
+import jieba
+import logging
+from optparse import OptionParser
+import sys
+from time import time
+import numpy as np
+import os
+import json
+
+# 将进展日志呈现在stdout上
+logging.basicConfig(level=logging.INFO,
+                    format='%(asctime)s %(levelname)s %(message)s')
+
+# parse 命令行参数
+op = OptionParser()
+op.add_option("--lsa",
+              dest="n_components", type="int", default=120,
+              help="利用潜在语义分析对文本数据进行预处理")
+op.add_option("--no-minibatch",
+              action="store_false", dest="minibatch", default=False,
+              help="使用一般的K-means算法 (使用batch模式).")
+op.add_option("--no-idf",
+              action="store_false", dest="use_idf", default=False,
+              help="禁用逆向文档频率特征加权。")
+op.add_option("--use-hashing",
+              action="store_true", default=False,
+              help="使用Hashing特征向量")
+op.add_option("--n-features", type=int, default=40000,
+              help="从文本中提取的最大特征（维度）数量。")
+op.add_option("--verbose",
+              action="store_true", dest="verbose", default=False,
+              help="在K-means算法中打印进度报告。")
+
+print(__doc__)
+op.print_help()
+
+
+def is_interactive():
+  return not hasattr(sys.modules['__main__'], '__file__')
+
+#解决Jupyter  notebook 和IPython控制台的问题
+argv = [] if is_interactive() else sys.argv[1:]
+(opts, args) = op.parse_args(argv)
+if len(args) > 0:
+    op.error("该脚本不需要设置参数")
+    sys.exit(1)
+
+def number_normalizer(tokens):
+    """ 将所有数字标记映射为一个占位符（Placeholder）。
+    对于许多实际应用场景来说，以数字开头的tokens不是很有用，
+    但这样tokens的存在也有一定相关性。
+    通过将所有数字都表示成同一个符号，可以达到降维的目的。
+    """
+    return ("#NUMBER" if token[0].isdigit() else token for token in tokens)
+
+#继承TfidfVectorizer，拥有该类的特性，参数设置几近一致
+class NumberNormalizingVectorizer(TfidfVectorizer): 
+    def build_tokenizer(self):
+        tokenize = super(NumberNormalizingVectorizer, self).build_tokenizer()
+        return lambda doc: list(number_normalizer(tokenize(doc)))
+
+stwlist=[line.strip() for line in open('datasets/stopwords_zh.txt', 'r',encoding='utf-8').readlines()]
+
+
+def loadDir(filepath):
+    data = []
+    pathDir =  os.listdir(filepath)
+    for allDir in pathDir:
+        child = os.path.join('%s\%s' % (filepath, allDir))
+
+        if ".json" in child and os.path.isfile(child):
+            fopen = open(child, 'r', encoding='utf-8')
+            fileread = fopen.read()
+            fopen.close()
+            data.append(json.loads(fileread))
+    return data
+
+
+
+items = loadDir("./data/艺术详情")
+
+docArr = []
+for item in items:
+    content = item.get("content")
+    author = item.get("author")
+
+    if content is not None and len(content) > 0:
+        docArr.append(content)
+
+    if author is not None and len(author) > 0:
+        docArr.append(author)
+
+docs = [" ".join(jieba.lcut(doc)) for doc in docArr]
+# pprint(docs[:10]) # 展示靠前的十篇文章的分词效果，注意，每篇文章变成了有一连串词汇组成的list（列表）
+
+
+
+
+
+print("%d 个文档" % len(docs))
+print()
+
+
+print("使用稀疏向量（Sparse Vectorizer）从训练集中抽取特征")
+t0 = time()
+if opts.use_hashing:
+    if opts.use_idf:
+        #对HashingVectorizer的输出实施IDF规范化
+        hasher = HashingVectorizer(n_features=opts.n_features,
+                                   stop_words=stwlist, alternate_sign=False,
+                                   norm=None, binary=False)
+        vectorizer = make_pipeline(hasher, TfidfTransformer())
+    else:
+        vectorizer = HashingVectorizer(n_features=opts.n_features,
+                                       stop_words=stwlist,
+                                       alternate_sign=False, norm='l2',
+                                       binary=False)
+else:
+    vectorizer = NumberNormalizingVectorizer(max_df=0.5, max_features=opts.n_features,
+                                 min_df=2, stop_words=stwlist,ngram_range=(1, 2),
+                                 use_idf=opts.use_idf)
+
+X = vectorizer.fit_transform(docs)
+
+print("完成所耗费时间： %fs" % (time() - t0))
+print("样本数量: %d, 特征数量: %d" % X.shape)
+print()
+
+if opts.n_components:
+    print("用LSA进行维度规约（降维）")
+    t0 = time()
+
+#Vectorizer的结果被归一化，这使得KMeans表现为球形k均值（Spherical K-means）以获得更好的结果。 
+#由于LSA / SVD结果并未标准化，我们必须重做标准化。
+svd = TruncatedSVD(opts.n_components)
+normalizer = Normalizer(copy=False)
+lsa = make_pipeline(svd, normalizer)
+
+X = lsa.fit_transform(X)
+
+print("完成所耗费时间： %fs" % (time() - t0))
+
+explained_variance = svd.explained_variance_ratio_.sum()
+print("SVD解释方差的step: {}%".format(
+    int(explained_variance * 100)))
+
+print('特征抽取完成！')
+
+print('特征抽取完成！')
+##############################################################################
+
+
+import matplotlib.pyplot as plt
+
+n_clusters= 14
+
+wcss = []
+for i in range(1, n_clusters):
+    if opts.minibatch:
+        km = MiniBatchKMeans(n_clusters=i, init='k-means++', n_init=2,n_jobs=-1,
+                         init_size=1000, batch_size=1500, verbose=opts.verbose)
+    else:
+        km = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=2,n_jobs=-1,
+                verbose=opts.verbose)
+    km.fit(X)
+    wcss.append(km.inertia_)
+
+plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
+plt.plot(range(1, n_clusters), wcss)
+plt.title('肘 部 方 法')
+plt.xlabel('聚类的数量')
+plt.ylabel('wcss')
+# plt.show()
+
+
+
+
+labels = docs
+true_k = 14 #聚类数量
+
+
+if opts.minibatch:
+    km = MiniBatchKMeans(n_clusters=true_k, init='k-means++', n_init=2,n_jobs=-1,
+                         init_size=1000, batch_size=1500, verbose=opts.verbose)
+else:
+    km = KMeans(n_clusters=true_k, init='k-means++', max_iter=300, n_init=5,n_jobs=-1,
+                verbose=opts.verbose)
+
+print("对稀疏数据（Sparse Data） 采用 %s" % km)
+t0 = time()
+km.fit(X)
+print("完成所耗费时间：%0.3fs" % (time() - t0))
+print()
+
+print("Homogeneity值: %0.3f" % metrics.homogeneity_score(labels, km.labels_))
+print("Completeness值: %0.3f" % metrics.completeness_score(labels, km.labels_))
+print("V-measure值: %0.3f" % metrics.v_measure_score(labels, km.labels_))
+print("Adjusted Rand-Index值: %.3f"
+      % metrics.adjusted_rand_score(labels, km.labels_))
+print("Silhouette Coefficient值: %0.3f"
+      % metrics.silhouette_score(X, km.labels_, sample_size=1000))
+
+print()
+
+#用训练好的聚类模型反推文档的所属的主题类别
+label_prediction = km.predict(X)   
+label_prediction = list(label_prediction)
+
+
+if not opts.use_hashing:
+    print("每个聚类的TOP关键词:")
+
+    if opts.n_components:
+        original_space_centroids = svd.inverse_transform(km.cluster_centers_)
+        order_centroids = original_space_centroids.argsort()[:, ::-1]
+    else:
+        order_centroids = km.cluster_centers_.argsort()[:, ::-1]
+
+    terms = vectorizer.get_feature_names()
+    for i in range(true_k):
+        print("簇群 %d   " % (i+1), end='')
+        print("该簇群所含文档占比为",'%.4f%%' % (int(label_prediction.count(i))/int(len(docs))))
+        print("簇群关键词：")
+        for ind in order_centroids[i, :80]:
+            print(' %s,' % terms[ind], end='')
+        print('\n------------------------------------------------------------------------------------------------')
+
+
+
+
+
+labels=km.labels_.tolist()
+l =  km.fit_predict(X)  
+svd = TruncatedSVD(n_components=2).fit(X)
+datapoint = svd.transform(X)
+
+
+plt.figure(figsize=(32, 28))
+label1 = [
+'#FFFF00', '#008008', '#0000FF','#800080','#FFF5EE','#98FB98','#A0522D',
+'#FF7F00','#FFC125','#FFFFFF','#FFFAFA','#FFF68F','#FFEFD5','#FFE4E1',
+'#FFDEAD','#FFC1C1','#FFB90F','#FFA54F','#FF8C00','#C0FF3E','#FF6EB4',
+'#FF4500','#FF3030','#8A2BE2','#87CEEB','#8470FF','#828282','#7EC0EE',
+'#7CFC00','#7A8B8B','#79CDCD','#76EE00']
+
+color = [label1[i] for i in labels]
+plt.scatter(datapoint[:, 0], datapoint[:, 1], c=color)
+
+centroids = km.cluster_centers_
+centroidpoint = svd.transform(centroids)
+plt.scatter(centroidpoint[:, 0], centroidpoint[:, 1], marker='^', s=150, c='#000000')
+plt.show()
+
+
+
+
+
+

自然语言处理/nlp_learn/course_nlp_learn_008_v2.py

@@ -0,0 +1,197 @@
+from __future__ import print_function
+from sklearn.decomposition import PCA
+from sklearn.decomposition import TruncatedSVD
+from sklearn.feature_extraction.text import TfidfVectorizer
+from sklearn.feature_extraction.text import HashingVectorizer
+from sklearn.feature_extraction.text import TfidfTransformer
+from sklearn.pipeline import make_pipeline
+from sklearn.preprocessing import Normalizer
+from sklearn import metrics
+from pprint import pprint
+from sklearn.cluster import KMeans, MiniBatchKMeans
+import pandas as pd
+import jieba
+import logging
+import sys
+from time import time
+import numpy as np
+import os
+import json
+import matplotlib.pyplot as plt
+
+# 将进展日志呈现在stdout上
+logging.basicConfig(level=logging.INFO,
+                    format='%(asctime)s %(levelname)s %(message)s')
+
+
+def is_interactive():
+  return not hasattr(sys.modules['__main__'], '__file__')
+
+def number_normalizer(tokens):
+    """ 将所有数字标记映射为一个占位符（Placeholder）。
+    对于许多实际应用场景来说，以数字开头的tokens不是很有用，
+    但这样tokens的存在也有一定相关性。
+    通过将所有数字都表示成同一个符号，可以达到降维的目的。
+    """
+    return ("#NUMBER" if token[0].isdigit() else token for token in tokens)
+
+#继承TfidfVectorizer，拥有该类的特性，参数设置几近一致
+class NumberNormalizingVectorizer(TfidfVectorizer): 
+    def build_tokenizer(self):
+        tokenize = super(NumberNormalizingVectorizer, self).build_tokenizer()
+        return lambda doc: list(number_normalizer(tokenize(doc)))
+
+stwlist=[line.strip() for line in open('datasets/stopwords_zh.txt', 'r',encoding='utf-8').readlines()]
+
+
+def loadDir(filepath):
+    data = []
+    pathDir =  os.listdir(filepath)
+    for allDir in pathDir:
+        child = os.path.join('%s\%s' % (filepath, allDir))
+
+        if ".json" in child and os.path.isfile(child):
+            fopen = open(child, 'r', encoding='utf-8')
+            fileread = fopen.read()
+            fopen.close()
+            data.append(json.loads(fileread))
+    return data
+
+
+
+items = loadDir("./data/艺术详情")
+
+docArr = []
+for item in items:
+    content = item.get("content")
+    author = item.get("author")
+
+    if content is not None and len(content) > 0:
+        docArr.append(content)
+
+    if author is not None and len(author) > 0:
+        docArr.append(author)
+
+docs = [" ".join(jieba.lcut(doc)) for doc in docArr]
+# pprint(docs[:10]) # 展示靠前的十篇文章的分词效果，注意，每篇文章变成了有一连串词汇组成的list（列表）
+
+
+print("%d 个文档" % len(docs))
+print()
+
+
+import gensim
+
+sentences = [[word for word in document.strip().split() if word not in stwlist] for document in docs] # 过滤语句中的停用词
+
+# 在这些语句上训练word2vec模型
+model = gensim.models.Word2Vec(sentences, size=100, window=8, min_count=2, workers=4, iter=10)
+
+# X = model.wv.vectors
+# print(X.shape)
+
+#获取model里面的说有关键词
+keys=model.wv.vocab.keys()
+print(keys)
+print(len(keys))
+
+#获取词对于的词向量
+wordvector=[]
+for key in keys:
+    wordvector.append(model[key])
+
+
+verbose = False
+
+'''
+n_clusters= 14
+
+wcss = []
+for i in range(1, n_clusters):
+    km = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=2, n_jobs=-1, verbose=verbose)
+    km.fit(wordvector)
+    wcss.append(km.inertia_)
+
+plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']
+plt.plot(range(1, n_clusters), wcss)
+plt.title('肘 部 方 法')
+plt.xlabel('聚类的数量')
+plt.ylabel('wcss')
+# plt.show()
+'''
+
+
+classCount = 14
+
+#分类
+km = KMeans(n_clusters=classCount, init='k-means++', max_iter=300, n_init=5, n_jobs=-1, verbose=verbose)
+
+print("对数据（Sparse Data） 采用 %s" % km)
+t0 = time()
+km.fit(wordvector)
+print("完成所耗费时间：%0.3fs" % (time() - t0))
+
+#获取到所有词向量所属类别
+labels=km.labels_
+print(labels)
+print(len(labels))
+
+#把是一类的放入到一个集合
+classCollects={}
+for i in range(len(keys)):
+    if labels[i] in classCollects.keys():
+        classCollects[labels[i]].append(list(keys)[i])
+    else:
+        classCollects[labels[i]]=[list(keys)[i]]
+# print(classCollects)
+##############################################################################
+
+
+print("每个聚类的TOP关键词:")
+
+order_centroids = km.cluster_centers_.argsort()[:, ::-1]
+print(len(order_centroids))
+
+for i in range(classCount):
+    print("簇群 %d   " % (i+1), end='')
+    print("该簇群所含文档占比为",'%.4f%%' % (int(len(classCollects[i]))/int(len(keys))))
+    print("簇群关键词：")
+    for ind in order_centroids[i, :80]:
+        if len(classCollects[i]) > ind:
+            print(' %s,' % classCollects[i][ind], end='')
+    print('\n------------------------------------------------------------------------------------------------')
+
+
+
+
+
+
+
+
+labels=km.labels_.tolist()
+l =  km.fit_predict(wordvector)
+svd = TruncatedSVD(n_components=2).fit(wordvector)
+datapoint = svd.transform(wordvector)
+
+
+plt.figure(figsize=(32, 28))
+label1 = [
+'#FFFF00', '#008008', '#0000FF','#800080','#FFF5EE','#98FB98','#A0522D',
+'#FF7F00','#FFC125','#FFFFFF','#FFFAFA','#FFF68F','#FFEFD5','#FFE4E1',
+'#FFDEAD','#FFC1C1','#FFB90F','#FFA54F','#FF8C00','#C0FF3E','#FF6EB4',
+'#FF4500','#FF3030','#8A2BE2','#87CEEB','#8470FF','#828282','#7EC0EE',
+'#7CFC00','#7A8B8B','#79CDCD','#76EE00']
+
+color = [label1[i] for i in labels]
+plt.scatter(datapoint[:, 0], datapoint[:, 1], c=color)
+
+centroids = km.cluster_centers_
+centroidpoint = svd.transform(centroids)
+plt.scatter(centroidpoint[:, 0], centroidpoint[:, 1], marker='^', s=150, c='#000000')
+plt.show()
+
+
+
+
+
+

自然语言处理/nlp_learn/data/艺术详情/1948年5号作品-波洛克.json

@@ -0,0 +1,4 @@
+{
+   "content": "56、\n1948年5号作品 波洛克 1948年 滴画 243.8×12.9厘米 私人收藏\n\n1946年，波洛克开始用“滴洒法”（drip）创作，有点类似中国画中的泼墨，就是将油画颜色调稀或者直接用油漆，用笔或勺滴洒在画布上。波洛克的滴洒法绘画随意之间隐藏着戏剧性的偶然效果，激情四射而且充满了色彩的自由、张力和狂野，加上他不拘一格，绘画过程中“泥沙俱下”，沙砾、碎玻璃、杂物都敢入画，他作品技法的独创和视觉效果的另类给当年美国艺术带来极大的震动，被视为是摆脱欧洲影响的美国抽象艺术时代的开始，是美国自由精神的象征。《1948年第5号》是杰克逊·波洛克“滴画”中的精品，画布被钉在纤维板上，画布上的颜色有黄色、白色、栗色以及黑色，画面在看似随意的泼洒中，狂野而富有张力的色彩线条有着自身的逻辑，隐藏着戏剧性的偶然效果，画家也在移动中即兴而刻意地编排着视觉音乐的节律。这幅作品于2006年11月3日拍卖出 当时全球绘画作品最高价，达1亿4千万美元，收购名画者是一位墨西哥金融家。",
+   "author": "杰克森·波洛克(J.Jackson Pollock 1912-1956) 美国抽象表现主义的先驱，著名的行动绘画艺术家。是二次世界大战以后，在世界范围里新美国绘画的象征，是20世纪最有影响力的艺术家之一，以其在帆布上很随意地泼溅颜料、洒出流线的技艺而著称，他的作品往往具有难以忘怀的自然品质。2006年11月3日，波洛克的一幅作品《1948年第5号》拍卖出全球绘画作品最高价,达1.4亿美元（约合1.096亿欧元），被一位墨西哥金融家购去。\n\n在这个记录之前，上一幅世界上最贵的画作是奥地利象征主义画家古斯塔夫•克里姆的作品《阿黛尔•布洛赫-鲍尔I》，那幅画值不值1.35亿美元?没人知道，因为纪录迅速被刷新。现在记录的保持者是：美国抽象表现主义画家杰克逊•波洛克的一幅作品，价格是1.4亿美元,买主是墨西哥金融大亨。\n\n此次卖出1.4亿美元波洛克作品《1948年作品第五号》的卖主大卫•格芬，是美国好莱坞娱乐业大亨。根据《福布斯》公布的全球富豪榜单，格芬居世界财富排行榜第140位，净资产达44亿美元。有媒体猜测，他此举可能为竞标《洛杉矶时报》做准备。画作的买家是墨西哥金融家大卫•马丁内斯，其拥有大量现代和当代艺术品，但由于为人低调，购买动机尚未对外公布。\n\n此次创下世界记录的《1948年作品第5号》大小243.8cm×121.9cm，1949年春季第一次展出时，被纽约画家阿方索•A•奥索里奥收藏，他是一位波洛克作品的主要收集者，当时波洛克画价大约在每平米400美金，这幅画约3平方米，价格在1200美金左右。后被纽豪斯报业集团收购，并两度展出，第三位买家就是大卫•格芬。而现在的价格换算成重量为每克2800美金，是黄金的35倍。\n\n如果说凡高是印象主义绘画的代表性人物，毕加索是立体主义先驱，那么波洛克就是抽象表现主义大师，他们之间在现代艺术史上的传承和他们的艺术品价格，印证着他们之间的发展和相互关系。而波洛克无论是生前还是死后，都是一个非常有争议的画家。他1912年生于美国西部，31岁举办了了第一个画展，一共展出了16幅画，最小的标价25美元，最大的《秘密的守护者》750美元，三个星期后画展残败结束，只有一幅小画卖出。\n\n波洛克作品技法的独创和视觉效果的另类，给当年的美国艺术界带来了极大的震动，被视为是摆脱欧洲影响的美国抽象艺术时代开始的象征。波洛克的“滴洒法”(drip)有点类似中国画中的泼墨，就是先把画布钉在地板上或墙上，然后随意在画布上泼洒颜料，把油画颜料调稀再用笔或勺滴洒在画布上；或将颜料桶打很多洞，任由颜料在画布上滴流，创造出纵横交错的抽象线条效果；有时也用石块、沙子、铁钉和碎玻璃掺和颜料在画布上摩擦产生绘画效果，绘画完全即兴，在行走中完成。由于波洛克的绘画没有中心、没有边际、没有起点，随意之间充满了戏剧性的偶然效果，激情四射且充满了色彩的张力和狂野，加上不拘一格，绘画过程中“泥沙俱下”，沙砾、碎玻璃、杂物都敢入画，所以作品的名字虽然简单，画面看起来没什么具体形象，实际上构图非常严谨，也具备了抽象表现主义绘画最本质的特征，是抽象主义、表现主义和超现实主义三者结合的产物。\n\n波洛克的妻子Lee Krasner也是一位前卫画家，有人认为她的艺术成就在波洛克之上。\n\n1956年2月，波洛克遇到对他崇拜得五体投地的25岁姑娘露丝，两人迅速地坠入情网。当年8月，lee在朋友的劝说下，去欧洲旅行以逃避这段感情。其间，她每个月都给波洛克写信，回忆两人共同生活的点滴，但波洛克却没有任何回复。\n\n1956年8月10日，波洛克酒后带着露丝和另外一个女子开车兜风，车子撞在了一棵大树上，他和露丝当场毙命。一代绘画大师就此结束了他的生命，以及短暂的艺术生涯。"
+}

自然语言处理/nlp_learn/data/艺术详情/7月14日勒阿弗尔-杜飞.json

@@ -0,0 +1,4 @@
+{
+   "content": "285、\n7月14日，勒阿弗尔 杜飞 法国 1906年 布面油画 46x38cm 私人收藏\n\n\n勒阿弗尔是法国北部港口城市，杜飞的青少年时期在这里度过，这座小城在杜飞早期野兽派画作的发展中扮演了重要的角色。1906年夏天，艺术家阿尔伯特·马尔凯（Albert Marquet）来到勒阿弗尔与杜飞会合，两人于7月14日一同庆祝了法国国庆，杜飞并以此为灵感创作了一系列重要的作品，用色彩捕捉充斥整个勒阿弗尔林荫大道欢悦的节日气氛以及人们势不可挡的激动情绪。这个系列的作品体现了野兽派的精髓，也是杜菲激进的野兽派时期的最高潮。在这幅画中，杜飞以他酒店窗前的街景为焦点，描绘被彩旗装点的帕瓦塞大道，整条街都挂满了法国三色旗和各式各样的节庆横幅。画面的前景中，两个狂欢的行人被半透的彩旗隐约遮挡，给整个画面注入了鲜明透亮的色彩和喜庆的节日气氛，重现了杜飞当天的感受。",
+   "author": "劳尔·杜飞（Raoul Dufy 1877-1953年），法国著名的野兽派画家，他的绘画之路充满探索。他曾热爱印象派绘画，莫奈与毕沙罗曾对他有深刻的影响。1905年，杜飞在看到了马蒂斯的《奢华、宁静与愉悦》，他惊呆了，恍惚间懂得了绘画的全部道理，走上了野兽派的绘画之路。1920年后，杜飞又崇拜上塞尚与毕加索，又尝试立体派的绘画。总体上说，杜飞算是野兽派一位浪漫快乐的代表画家。他的画风格清新，色调鲜明，惯以一种速写式的笔法，以细粹的线条和笔触，以及明亮、淡薄的颜色，来表现活泼、欢快的图像，非常具有法兰西的活泼浪漫特质。他从不看重荣誉，他只是一个为画画而活着的画家，他以其对现代艺术的贡献受世人注目。"
+}

自然语言处理/nlp_learn/data/艺术详情/一个圣女-塞耶.json

@@ -0,0 +1,4 @@
+{
+   "content": "266、一个圣女 汉德森·塞耶 美国 1892-1893年 布面油画 私人收藏\n\n圣母玛利亚连同天主圣言降生成人，童贞圣母自无始之始便被预定为天主的母亲；由于天主上智的措施，童贞圣母在人间作了救主的母亲。他的特出慷慨伴侣，及上主的谦逊婢女。她怀孕、生产、养育了基督，她在圣殿裹将基督奉献给圣父，与死于十字架的基督共受痛苦，以服从、信德、希望和炽热的爱情和救主超绝地合作，为重建人灵的超性生命。身边的两个孩子是耶稣基督和施洗约翰，画中背景白云被画家渲染成圣母的翅膀。洁圣的玛利亚与耶稣和约翰昂首阔步向我们走来，真是振奋人心的画面！",
+   "author": "阿伯特·汉德森·塞耶（Abbott Handerson Thayer，1849-1921年），是美国艺术家、博物学家和老师。在他的一生期间，创作了很多人物画像、动物和风景画像。他的绘画作品几乎都在美国收藏。著名作品有《A Virgin》《Caritas》、《Stevenson Memorial》等。晚年得了抑郁症，遭受了神经衰弱、惊恐失眠等困扰。1921年5月29日在家中逝世，享年71岁。"
+}

自然语言处理/nlp_learn/data/艺术详情/一个年轻女子肖像-考特.json

@@ -0,0 +1,4 @@
+{
+   "content": "294、一个年轻女子的肖像 考特 法国 约1870年 布面油画 234.3x156.8cm 私人收藏\n\n这幅画描绘了一个非常美丽动人的少女形象，食指紧贴下巴，斜睨的眼神放出光芒，电倒一片爱慕者。作者考特，法国学院艺术画家，绘画主要以神迹为主题，以肖像画著名。于1874年，他获骑士荣誉勋章。他创作了几个持久受欢迎的作品，包括《春光》和《暴风雨》。这两个作品，陈列在纽约市大都会艺术博物馆。 皮埃尔·奥古斯特·考特（Pierre Auguste Cot，1837-1883），法国学院派画家，绘画主要以神迹为主题，以肖像画著名。他出生于法国，最初在法国图卢兹就读于法国巴黎高等美术学院，然后来到巴黎。他师从雷欧、亚历山大-卡巴内尔和威廉-阿道夫 。从19世纪70年代，他的人气上升很快。于1874年，他获骑士荣誉勋章。他创建了几个持久受欢迎的作品，包括《春日》和《风暴》。这两个作品，分别陈列在纽约市大都会艺术博物馆。库特大多数的工作是绘制肖像画，他也因此著名。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/丁香花束-蒂索.json

@@ -0,0 +1,4 @@
+{
+   "content": "117、\n丁香花束 蒂索 法国 1875年 布面油画 50.8x35.6cm 伦敦理查德·格林美术馆藏\n\n这是一幅色调优美、充满浪漫气息的油画。在绿色植物构成的背景前，身着白色长裙的女孩，手捧丁香花瓶，亭亭玉立。白色的长裙与繁茂的丁香花朵交相辉映，丁香花香溢满画面，使画面充满诗意与浪漫情调。",
+   "author": "雅姆·蒂索 Tissot(1836-1902)，是英国维多利亚时代新古典主义画派代表画家。出生在法国南特（法国西部港口城市）一个中产阶级家庭。 他最初在巴黎的 Beaux 艺术学习艺术。 他的早期画主要是历史，最有成就的是伦敦社会生活的绘画，这其中诞生了著名的画作“Too Early”。一个伟大的艺术家与他美丽堕落的女人及其一个悲惨的爱情故事。这就是他的一生。"
+}

自然语言处理/nlp_learn/data/艺术详情/三个女人-谢里.json

@@ -0,0 +1,4 @@
+{
+   "content": "3\n92、\n三个女人 谢里 乌克兰 2000年 布面油画 70x80cm 私人收藏\n\n鲜艳的色彩，夸张的造型，精致的组合，三个俄罗斯文艺女青年活灵活现地呈现在我们面前。作者艾琳·谢里（Irene Sheri 1968-）是乌克兰天才女画家，她9岁的作品就多达千计，15岁从艺术学校初中毕业，17岁进入俄罗斯圣彼得堡谢罗夫美术学校学习油画和素描,在校三年学习取得了应有的辉煌成绩，所有作品都成为教学用的范本。2000年，获得俄罗斯最高荣誉奖“俄罗斯国家对艺术或娱乐杰出成就奖”。她的绘画作品描述愉悦，爱，宁静或对生活的热爱。",
+   "author": "艾琳·谢里（Irene Sheri 1968-）乌克兰天才女画家，出生在1968年，乌克兰的城市别尔哥罗德。艾琳的哥哥瓦西里在9岁生日时得到的礼物是油画颜料。而此时的艾琳才4岁，则被告知不许碰它们！这些涂料成为她日夜思念的对象，几乎是痴迷。受不了她只能偷了哥哥的颜料，然后尽情地在纸上、墙壁乱画，还有她的衣服和她朋友的身体。9岁时，她的作品就多达以千计。谢里开始是在别尔哥罗德艺术学校的艺术天才儿童班学习，15岁从艺术学校初中毕业。接着进入乌克兰格雷科夫艺术学院。第一年是大专，就赢得了全市画展“在今年”青年艺术家的称号。17岁时，进入俄罗斯圣彼得堡的谢罗夫美术学校学习油画和素描，3年在校的学习，缔造了应有的辉煌成绩，所有的作品都成为教学用的范本。1990年她进入世界上最负盛名的艺术学院之一，圣彼得堡列宾美术学院。 2000年，她的毕业作品被接纳进入了艺术学院美术馆永久收藏，并在一年后，同样的画，“早雪”获得了艺术家可以获得的俄罗斯最高荣誉的“俄罗斯国家对艺术或娱乐杰出成就奖”。2002年，谢里女士应邀参加全俄部分“俄罗斯青年”画展，并再次获得一等奖和特别嘉奖。 "
+}

自然语言处理/nlp_learn/data/艺术详情/三个女子-莱热.json

@@ -0,0 +1,4 @@
+{
+   "content": "341、\n三个女子 莱热 法国 布上油画 1921年 183.5x251.5cm 纽约现代艺术博物馆藏\n\n这幅画以纪念碑式的尺寸表现了三个现代女工的形象。她们看上去神情漠然，毫无个性，正一动不动地凝视观者。画家将她们表现得仿佛是用铁管、螺钉和铆钉拼合而成，在严整、挺直的矩形背景衬托下，显得僵硬、呆板，有如机器人一般。在这里，莱热似乎对运动不感兴趣，而一心追求某种静止的画面效果。画中所有的形象都是不动的，仿佛连空气都凝固了。这三个女工的形象在造型上让人不免想起西方传统绘画中的一些女神形象。也许，莱热是想借传统的母题，来象征现代：工业社会的女神。",
+   "author": "莱热(Fernand Leger，1885-1955)出生于法国阿尔让当，少年时曾做过建筑学徒。他1900年去巴黎，当过建筑绘图员，曾在一家照相馆修描照片。1903年，他进入装饰艺术学院，开始了其学画的生涯。他起初曾学印象派和野兽派画风，1907年，在巴黎看了塞尚作品回顾展后，受到极大震动和启发，随着次年立体主义的兴起，其画风发生了彻底变化。他“发现了塞尚的重要意义，他比这个时期任何其他画家都似乎更为拘泥于把塞尚的以圆柱体、球体和圆锥体反映自然的著名论点牢记在心。”受塞尚影响，他大大地简化其画中的形体，把物象都表现为桶状或管状物的组合，使之看起来有如拼装而成的机械。即使画人物，他也是画得象机器一样僵直、坚硬。他对客观物象的简化，比起塞尚来，可谓有过之而无不及。"
+}

自然语言处理/nlp_learn/data/艺术详情/三等车厢-杜米埃.json

@@ -0,0 +1,4 @@
+{
+   "content": "128、\n三等车厢 杜米埃 法国 约1863-1865年 65.4x90.2cm 布油彩 渥太华加拿大国家美术馆\n\n杜米埃的风俗题材作品，大都是描绘他亲身经历过的事。三等车厢的状况，就是记录画家经常外出乘车的经历。画面拥挤的狭小空间里，突出描绘前排三个人物，概括表现后面一群人，以坐椅靠背分隔前后，这是生活中极平常的现象，但揭示了法国社会的等级制，在这三等车厢里坐着的都是处于社会底层的公民。三个主体特写人物中，最突出的是位满脸皱纹的老妇人，人们从她的神态可见她的生活经历。靠着她左右的两个人，一个入睡的少年和一位带婴儿的母亲，他们的形象本身可明白表现出他们的社会地位，背后的人群可从不同面貌的头像中体现不同人物的地位和个性。这有限的画面空间，成了法国下层社会的一个缩影。",
+   "author": "奥诺雷·杜米埃（1808-1879年）是法国19世纪最伟大的现实主义讽刺画大师。他出生于马赛一个有文学修养的玻璃匠家庭。他最初从事版画创作，以尖锐的艺术语言揭露和讽刺社会的黑暗。他的艺术生涯始终与法国的现实主义相联系。为了真理和正义，他一生坎坷，遭到过监禁、罚款，作品被销毁，难以谋生。巴黎公社时投身于革命，被选为艺术家联合会执行委员。拿破仑三世为笼络人心，曾授予他“荣誉勋章”而被拒绝，他始终是位不屈的为正义奋斗一生的伟大现实主义大师。"
+}

自然语言处理/nlp_learn/data/艺术详情/三美神-雷诺兹.json

@@ -0,0 +1,4 @@
+{
+   "content": "3\n45、三美神 雷诺兹 英国 1773年 布面油画 233x290cm 伦敦泰特美术馆藏\n\n\n雷诺兹的这幅作品，画得极其优美。三姐妹以扮演三美神为名，实则是暗喻三姐妹的美丽如同三美神一样。画家吸收了意大利文艺复兴绘画的经验，有意将古代雕刻的优雅造型与所画人物的特点结合起来，使她们都具备一种高雅、优美的造型特征。突出了三姐妹姣美的面目与丰满的胸部，用微妙的暗影处理她们的头、颈、胸，背景的或明或暗加强了人物优雅的轮廓，增强了浪漫的情调。三姐妹的白色、桔黄、紫色的裙衣与她各自的肤色、面孔，构成美的对比，显示出诗一般的美感境界。",
+   "author": "乔舒亚·雷诺兹（Joshua Reynolds）是英国18世纪伟大的学院派肖像画家。1723年7月16日生于德文郡的普林普顿，1792年2月23日卒于伦敦。乔舒亚·雷诺兹自幼喜欢绘画，1744年进入圣马丁的莱恩学院，两年后画了他的第一幅重要作品《约翰·汉密尔顿上尉像》。5年后到了罗马，同时访问了佛罗伦萨、威尼斯，认真地学习拉斐尔、科雷乔、提香和米开朗琪罗的绘画风格，后创建皇家学院并担任了院长，特别推崇米开朗基罗的画风。1769年被封为爵士。"
+}

自然语言处理/nlp_learn/data/艺术详情/下楼梯的裸女-杜尚.json

@@ -0,0 +1,4 @@
+{
+   "content": "55、下楼梯的裸女 杜尚 1912年 布上油画 147.3×88.9厘米 现藏费城艺术博物馆\n\n1912年，一个名叫马歇尔·杜尚的青年将一幅名叫《下楼梯的裸女》的油画交到了一个由“立体主义者”举办的独立沙龙画展。可是主办方看了这个作品后，觉得这幅作品里除了有立体主义的特质外，更多的是未来主义作品的特质。为了保持立体主义者展览的单纯性，主办方希望杜尚能把画作拿回去修改一下再来展览。可是杜尚一言不发地把画拿走了。到了第二年，美国有史以来第一次举办“国际现代艺术展”，《下楼梯的裸女》却成了整个展览中最引人注目的作品之一。但《华尔街日报》记者巴荣则是这么评价它的：“标题牛头不对马嘴，画布上没有裸体的人，不管你怎么用心看，也不管你从什么角度看，都只能看到一块画布。”",
+   "author": "马塞尔·杜尚（Marcel Duehamp，1887-1968）， 二十世纪实验艺术的先驱，纽约达达主义团体的核心人物。出生于法国，1955年成为美国公民。他在绘画、雕塑、电影等领域都有建树，对于第二次世界大战前的西方艺术有着重要的影响。他的出现改变了西方现代艺术的进程。可以说,西方现代艺术，尤其是第二次世界大战之后的西方艺术，主要是沿着杜尚的思想轨迹行进的。因此，了解杜尚是了解西方现代艺术的关键。 "
+}

自然语言处理/nlp_learn/data/艺术详情/不相称的婚姻-普基寥夫.json

@@ -0,0 +1,4 @@
+{
+   "content": "81\n、不相称的婚姻 普基寥夫 俄国 1862 布面油画\n173cm×136.5cm 现藏于特列恰柯夫美术馆\n\n在这幅作品中，画家体现的是妇女命运的主题。特写式的构图，展示一个结婚场面：一个十六、七岁的少女正与一白发老者举行婚礼，神父为他们祝福，新娘低头无奈地默认了悲惨的命运，而成为新郎的老者则一幅傲慢的神情。画家抓住了这一病态的社会现象，用自己的艺术揭露了卑劣的社会交易和对女性的摧残。",
+   "author": "普基寥夫（1832－1890）在《不相称的婚姻》中，所有人物都画得很大，有的如真人大小。作者将自己的肖像也纳入画中。（图右双手交叠于胸前者）普基寥夫于1863年在美术学院展出此画时，还是莫斯科绘画学校的应届毕业生。正如评论家斯塔索夫在报刊上指出，此画好不容易才得到官方的认可，画中没有火灾，没有杀戮，没有……。画的只是在教堂里神父“毕恭毕敬地给洒满香水的将军……活的木乃伊，与为了官衔和金钱出卖青春的，哭泣的姑娘举行的结婚仪式。”画家用自己的笔画出了自己的亲身经历，那老新郎确有其人，同老头并排站着的新娘，则是普基寥夫的未婚妻的像（难怪周围亲友团的画像那么丑陋），作者至死也没有忘记这一沉痛打击。 "
+}

自然语言处理/nlp_learn/data/艺术详情/与死神的自画像-勃克林.json

@@ -0,0 +1,4 @@
+{
+   "content": "390、与死神的自画像 勃克林 德国 1872年 布面油画 75x61cm 德国国立普鲁士文化遗产博物馆\n\n\n勃克林鼎盛时期的作品几乎都带有生与死的题材，这也许与他1848年到巴黎的时候，法国的暴力政治给他留下的影响。这幅画《与死神的自画像》当然也不例外，作品中画家勃克林在十分认真地面对画布，可是在他背后紧盯着一个拉琴的死神，以暗示万物皆虚的哲理。他告诫人们，也告诫画家自己，世间一切虚荣纯属徒劳，任何努力总难免一死。死神不是其他，而是艺术家心中的缪斯，勃克林正在谛听死神的演奏，琴声激励着他，使他更加勤奋地创作，使他觉得只有眼前的创作才是永生的。",
+   "author": "作者：阿诺德·勃克林（Arnold Bocklin1827-1901），瑞士象征主义画家，1827年10月16日生于巴塞尔，早年就读于杜塞尔多夫美术学院，随后去巴黎深造。1850年移居意大利，曾在罗马和佛罗伦萨钻研古典艺术，米开朗基罗与巴洛克画风对他影响很大。勃克林曾在德国的杜塞尔多夫美术学院学习绘画。杜塞尔多夫画派是德国古典艺术向浪漫主义过渡的重要画派，勃克林在这里不但受到严谨的学院派造型技巧的训练，而且得到了德国古典哲学家们唯心主义美学思想的熏陶。勃克林于1848年到巴黎，受到浪漫主义大师德拉克洛瓦作品的影响，倾向于富有深刻哲理的想像风景画和神话题材作品。后来他又多次到意大利旅行，并在北欧各国从事艺术创作活动。1858-1861年勃克林应聘魏玛美术学校教师。这个学校后来成为新艺术运动和包豪斯建筑设计学校的摇篮，颇具盛名。自19世纪80年代开始勃克林的作品中开始出现愈来愈浓厚的主观色彩，在他的风景画中常运用明暗对比和经过变化加工的自然形象，创造出神秘、空灵，情调忧郁悲哀，似乎非人间的景象。由于勃克林的作品中表现死亡和鬼怪的题材较多，因而在评论家的眼中，勃克林被视为属于过分忧郁、消极的象征主义画家。他的《与死神的自画像》充满神秘、幻想的氛围，但有古典的建筑充斥其中，表现死亡和神秘、忧郁的场景。他的自画像最有趣的地方就是他和死神相结合，死神弹奏的样子像弹奏死亡之音。勃克林的代表作品是《死亡之岛》。1901年1月16日勃克林卒于意大利的菲耶索莱。"
+}

自然语言处理/nlp_learn/data/艺术详情/东方记忆-德格朗尚.json

@@ -0,0 +1,4 @@
+{
+   "content": "457、东方记忆 德格朗尚 法国 1870年 布面油画 107x147cm 私人收藏\n\n这是一幅富有东方情调的风俗画。画中所描绘的女主人公，静静地侧卧于睡榻上，翻看着她往昔的日记，勾起一种绵长的东方记忆。女主人公身后便是黑人女仆，随时听候差遣。整幅作品色调沉稳，在明暗对比中，突出了女主人沉思的脸部清秀、端庄、智慧与美丽，这一切使这幅画变得神秘而美好。作者路易·埃米尔·皮内尔·德格朗尚（Louis - Emile Pinel de Grandchamp 1822-1894 年）是19世纪的法国浪漫主义画家，他在德拉克洛瓦的影响下前往东方，在阿拉伯丰富多彩的生活中寻找创作题材和灵感。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/两个孩子-劳伦斯.json

@@ -0,0 +1,4 @@
+{
+   "content": "448、两个孩子 劳伦斯 英国 1823年 布面油画 78.4x76.5cm 纽约大都会艺术博物馆\n\n\n这幅画《The Calmady Children Emily and Laura Anne》中的两个孩子，名叫艾米莉（Emily1818-\n1906年）和劳拉·安妮（Laura Anne 1820-1894)，姐姐挽着妹妹的脖子，目光斜视，妹妹正面看着观众，面带稚气的笑容，右手往后脖上搔痒，左手高高举起，十分俏皮可爱。",
+   "author": "作者： 托马斯·劳伦斯爵士（Sir Thomas Lawrence，1769-1830），英国摄政时期最出名的肖像画家。英国皇家艺术学院院长。劳伦斯1769年4月13日出生在布里斯托尔，他父母有16个孩子，但只有5个活了下来，他是最小的。 6岁就开始进行舞蹈、击剑、拳击、台球训练， 并公开到上层社会的沙龙进行才艺表演。劳伦斯在绘画上的天赋是不言而喻的，在他11岁的时候，家人就为他报了粉彩画班，要知道这是在摄政时期最抢手的绘画形式，劳伦斯曾就读于皇家艺术学院，在21岁的时候就为乔治三世夏洛特王后和女演员伊莉莎白·法伦画了两幅画。1792年他23岁的时候继乔舒亚·雷诺兹成为国王的御用画师。1794年，劳伦斯入选皇家艺术学院，1815年获得爵士封号。劳伦斯还受皇室委任，为击败拿破仑的英国元帅威灵顿画像。他的作品气质优雅，是他所处时代最流行的肖像画家。到了1820年，劳伦斯已经成为英国皇家学院院长，并一直工作到1830年1月7日他离世。"
+}

自然语言处理/nlp_learn/data/艺术详情/两个小孩-毕加索.json

@@ -0,0 +1,4 @@
+{
+   "content": "3\n42、 两个小孩 毕加索 西班牙 布面油画 作于1950年\n中国万达集团收藏\n\n\n北京时间2013年11月5日早上8点30分，万达集团在纽约佳士得以2816.5万美元(折合人民币1.72亿元)的成交价购得毕加索代表作之一《两个小孩》，成为全场最贵拍品。这件油画作品《两个小孩》创作于1950年，是毕加索风格成熟期典型的代表作，画面中的人物形象是其3岁的儿子克劳德和1岁的女儿帕洛玛。据悉，从当年这件作品完成后一直悬挂在毕加索工作室的显要位置，毕加索到去世的时候这幅作品都还挂在他的书房里，无疑是毕加索本人非常心爱的作品。",
+   "author": "毕加索（1881～1973）是当代西方最有创造性和影响最深远的艺术家，是20世纪最伟大的艺术天才，他的艺术生涯几乎贯穿其一生，作品风格丰富多样，后人用“毕加索永远是年轻的”的说法形容毕加索多变的艺术形式。史学上不得不把他浩繁的作品分为不同的时期——早年的“蓝色时期”、“粉红色时期”、盛年的“黑人时期”、“分析和综合立体主义时期”（又称“立体主义时期”）、后来的“超现实主义时期”等等。 "
+}

自然语言处理/nlp_learn/data/艺术详情/两姐妹-夏塞里奥.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "195\n、\n两姐妹 夏塞里奥 法国 1843年 布面油画 100x80cm 巴黎卢浮宫藏\n\n这幅画通过 衣着饰物和手拉手表现两姐妹情深依依。夏塞里奥作为安格尔的学生，在肖像画方面也显示出才能。他以敏锐的观察力和完美而细腻的表现手法，对画中人物作深入的刻画。《姐妹俩》的肖像具有明显的安格尔的艺术风格特点，但在衣着装饰和佩饰物描绘上，要比老师简略而概括。他的肖像画刻画精细，都是先用铅笔起草，和安格尔绘画的程序一样，精雕细琢，意味深长。 泰奥多尔·夏塞里奥（Theodore Chasserian 1819-1856年）是法国浪漫主义画派画家，他因为曾经到阿尔及利亚旅行所以画过许多东方风味的绘画。他出生于中美洲的圣多明各岛，3岁时随父移居巴黎，11岁时进入安格尔画室接受系统而严格的学院派艺术教育。在他15岁时安格尔重返意大利，他从此又接受德拉克洛瓦的艺术影响，于是在他终生的艺术活动中都似乎在做一种努力，即把安格尔冷漠而坚实的造型与德拉克洛瓦热情而响亮的色彩结合起来。他是综合其老师安格尔新古典主义画风和德拉克洛瓦的浪漫主义色彩的最有代表性的后继人。他所描绘的女性形象，具有独创性，而且有一种奇特的诗意，可惜他的艺术生涯太短了些，由于肺病难治，于37岁时离开了人世。"
+}

自然语言处理/nlp_learn/data/艺术详情/两美人在垂钓-丹尼尔.json

@@ -0,0 +1,4 @@
+{
+   "content": "3\n80、\n两美人在垂钓\n丹尼尔 美国 1881年 油画 60x40cm 私人收藏\n\n这幅画（Two Women Fishing）描绘了两个女人钓鱼的情景。初夏时节，两位美女来到风景优美的小溪旁垂钓，一个正把细细的鱼竿落到水中，另一个正在上鱼饵，远处是蓝天白云，眼前是绿草碧水，身后是树木农舍，一幅旖旎风光如仙人之境。这幅画的作者丹尼尔（Daniel Ridgway Knight,1839-1924），美国画家。出生于美国宾夕法尼亚州费城，曾在巴黎高等美术学院学习，后居住在法国。1889年，他的画作在巴黎世界博览会参展，获银牌荣誉和十字勋章。1893年获宾夕法尼亚美术学院金牌荣誉和迈克尔皇家骑士勋章。他的画作大量是以美女 美景为主题。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/中国女士-亨瑞.json

@@ -0,0 +1,4 @@
+{
+   "content": "496、中国女士 亨瑞 美国 1914年 布面油画 102.9x57.2cm 现藏美国密尔沃基美术馆\n\n\n这是一位中国有产阶层的中年女子形象。她方脸，细眉，双手交叉，穿着偏肥的青缎衣，安详地坐着，显得臃肿而肥胖。从艺术上说，除了这女人身上的衣服描绘较细腻外，没有多少特别之处。这幅画之所以出名，是因为2007年2月在中国美术馆举办了“美国艺术300年”画展，这个女人能够从美国无数的画中脱颖而出送来中国展览，恐怕与画中渗透着中国元素不无关系。比起美国其他出版物里出现的中国人来，这个胖女人看起来还算比较顺眼的了，起码富态，不邪恶。",
+   "author": "罗伯特·亨瑞（Robert Henri，1865-1929年），美国画家、教师。他是垃圾桶画派领袖之一。亨瑞是非传统艺术的支持者，也教授非传统艺术，极大地影响了美国画家。他的大部分作品是充满活力、自然的人物肖像画。《玛丽·盖勒格》和《穿白衣的荷兰女孩》是他的代表作品。亨利出生于俄亥俄州辛辛那提市，在费城和巴黎学习绘画。 "
+}

自然语言处理/nlp_learn/data/艺术详情/主妇与女仆-霍赫.json

@@ -0,0 +1,4 @@
+{
+   "content": "219、主妇与女仆 霍赫 荷兰 1660年 布面油画 53x42cm 圣俄罗斯彼得堡艾尔米塔什博物馆\n\n这幅《主妇和女仆》中庭院的整洁、安静，主妇的和善，女仆的勤勉，以及主仆的和谐关系，正是荷兰人理想的市民生活图景。画家在这幅作品中以单纯、清洁、明净的笔触，加上灰色、褐色作为画面主调，与人物服饰的黑、白、红相映成趣，使作品表现出浓郁的市民风情与诗意的魅力。彼得·德·霍赫是\"荷兰小画派\"的代表性画家，他表现市民风俗的绘画以宁静、祥和著称。",
+   "author": "彼得·德·霍赫 （Pieter de Hooch 1629-1684）荷兰画家。1629年12月20日生于鹿特丹，卒于阿姆斯特丹。早年生活坎坷，曾给一富人作过仆人。1667年移居阿姆斯特丹。作品多表现风俗民情，尤善描绘室内景色。代表作《在室内》和《房前庭院》（藏伦敦国家画廊），反映了荷兰市民生活安定、宁静、整洁、明朗的一面。后期作品多取材于市民中富裕阶层，着重表现音乐会、客人来访等，画面华丽，技巧和内容却显得肤浅。"
+}

自然语言处理/nlp_learn/data/艺术详情/乌克兰的傍晚-库因芝.json

@@ -0,0 +1,4 @@
+{
+   "content": "473、\n乌克兰的傍晚 库因芝 俄国 1878年 81x163cm 布面油画 莫斯科特列恰科夫美术博物馆\n\n\n画中所描绘的是库因芝自己的故乡极其纯朴、极为平常的景色：古老的茅舍坐落在长满野草、鲜花和浓密树木的土坡上，这些土坡茅舍和树木在如血的夕阳映照下，令人惊异地显现出富有诗意的冷暖色彩配置效果、透明的呈桔黄色的天空与浓郁的暗红色组成的地面、树木和房顶；以民茅屋白墙的受光面是透明的玫瑰红，背光面和阴影处是清澈的孔雀蓝。这些色彩的冷暖对比与和谐，构成了一首乌克兰自然风光的交响曲，美妙之极。",
+   "author": "阿尔希普.伊凡诺维奇.库因芝(1842—1910年)是19世纪俄国最富浪漫主义情调的大自然歌手。他成长在乌克兰克里米亚省。库因芝原来是世居俄国的希腊族人，父亲是贫穷的鞋匠，原姓叶敏芝，1857年人口普查时改为库因芝，为首饰匠之意，这是因为他家祖辈从事手首饰匠职业。画家幼时在南方乌克兰小城度过，小城面临大海，房屋是白墙草顶，这给画家留下深刻印象。因家境贫穷，他11岁就外出工作，当过小工，做过店役，后入海景画家艾伊瓦佐夫斯基画室学画。20岁时两次报考美术学院终归名落孙山，由于他一张风景画参展获奖，被学院同意接收为业余绘画班学员。库因芝1875年参加巡回展览画派，他早期画风受老师艾伊瓦佐夫斯基影响，30岁以后自成一家。在他的画中描绘了乌克兰的大自然，洋溢着欢快的、乐观的气氛，揭示了大自然的诗意与美。他的风景画象像叙事诗一般壮丽，以感情豪迈而动人心目。画家着意描绘阳光和月光的效果。他的画色彩明快，对比强烈，优美简洁概括，别具装饰情趣。他曾两次举办个人画展，每次只展出一张画，引起前所未有的轰动场面。克拉姆斯柯依看后告诉列宾说，人们为库因芝的展览而兴奋、激动和叫绝。库因芝的画风一直引起画界议论，这是他的个人风格特别鲜明所致。克拉姆斯柯依说他“别出心裁”，有人称他为“神秘的库因芝”。 "
+}

自然语言处理/nlp_learn/data/艺术详情/乌菲齐美术馆收藏-左法尼.json

@@ -0,0 +1,4 @@
+{
+   "content": "116、\n乌菲齐美术馆收藏室 左法尼 英国 1772-1778年 布油彩 124×155厘米 伊丽莎白二世收藏\n\n佐法尼描绘风俗场面技巧是画史上罕见的，在这幅美术馆的收藏室里存放着大量的历史名作，绘画、雕塑、工艺品应有尽有，安放杂乱无序，空间里因透视而使名画变形，各种人物穿插其间，有画中人和现实的人，画家以高超的造型技巧描绘得逼真，显现出不同对象的空间质量感，可见画家深厚的综合艺术功力。",
+   "author": "约翰·佐法尼 (1733-1810年) 是英国皇家美术学院创建人之一，他擅长于描绘人物众多场面的风俗画，偶尔也画肖像画。佐法尼早年曾在德国和意大利学习绘画，28岁时来到伦敦，拜倒在荷加斯门下学习和从事风俗画创作。 "
+}

自然语言处理/nlp_learn/data/艺术详情/乔治基茨像-小荷尔拜因.json

@@ -0,0 +1,4 @@
+{
+   "content": "239、德国商人乔治·基茨像 小荷尔拜因 德国 板上油画 1532年 96.3×85.7厘米 柏林国立美术馆藏\n\n画中主角乔治.基茨是柯伦的商人，这幅画像和真人大小相当，身穿素净黑袍的基茨，黑袍上突出鼓起的大袖子，纤毫毕见地显现丝的质地。小荷尔拜因不厌其烦地在基茨周围精心描绘了大量的物件，这些物件都是他所从事的行业所必须具备的东西，从书架上的书籍、帐簿，到前景的锡蜡盒或是银盒里装着的钱币，一应俱全。在豪华且纹路分明的东方桌毯上，放着一个透明度令人惊叹的玻璃花瓶，瓶中插着一束石竹花，花枝似乎要伸出画面，将花朵的生命力表现得出神入化。小荷尔拜因虽然刻画了大量的物品，但却丝毫无喧宾夺主之感，基茨那张苍白、含蓄内向的脸，仍然是画里最醒目的焦点。从以上的观察不难发现，小荷尔拜因显然想在这幅画中展现他的所有技法，不过这也是有原因的，因为在小荷尔拜因重返伦敦时，他原来的赞助人有的已经作古或已失势，他面临必须重新寻找新赞助人的窘境，在这幅画完成之后，向他订画的人也就纷至沓来了。",
+   "author": "小荷尔拜因（Hans the Younger Holbein1497-1543）是德国画家，同时也是北欧地区最有成就，最善于心理刻画的写实肖像画家，他所创作的作品，十分细腻精致，有等身大小的，也有小型的纤细画作品。当他受邀跨海到英国担任宫廷画家之后，也为英国皇室留下了许多精彩的作品，目前在温莎古堡中有85幅收藏品。"
+}

自然语言处理/nlp_learn/data/艺术详情/九级浪-艾伊瓦佐夫斯基.json

@@ -0,0 +1,4 @@
+{
+   "content": "135、\n九级浪 艾伊瓦佐夫斯基 俄国\n1850年\n221cm×322cm 布 油彩 莫斯科 特列恰科夫美术馆藏\n\n九级浪表现的是风暴中飘泊的人们，他们栖居在帆船的残余物上，为了生存，拼命挣扎，狂风巨浪，呼啸而来。暴风雨中的船与人，表现了人与大自然的抗衡，表现了自然的巨大力量与不可抗拒性。画面气势逼人，色彩动人，借以烘托人的大无畏精神。这是一幅关于人和自然的颂歌，使人震动，也使人动情，给人以难忘的印象。",
+   "author": "伊凡·康斯坦丁诺维奇·艾瓦佐夫斯基(Ivan Konstantinovich Aivazovsky 1817—1900年)，亚美尼亚裔俄国画家，以海景画著名。出生在今亚美尼亚境内的一个商人家庭。16岁考入圣彼得堡美术学院，进伏罗比叶夫的工作室，18岁时就已画出成功的海景画，他以《风平浪静》一画获奖而使他有机会云游四方，饱览欧洲各地的海岸风光。23岁的画家赴意大利学习考察，画了一些富有浪漫主义情调的海景画，很快赢得了声誉。欧洲各国的美术学院竞相聘他。在那不勒斯时受到俄国大作家果戈里和大画家伊凡诺夫的鼓励。尔后又访问欧洲各国。27岁时回到彼得堡，科学院授于他院士称号，海军部聘他为海军画家。荣誉和财富接踵而至，但他并不迷醉于此，一年后毅然离开彼得堡回到故乡建立了自己的画室，专门描绘大海景色。"
+}

自然语言处理/nlp_learn/data/艺术详情/井边的加百利-普桑.json

@@ -0,0 +1,4 @@
+{
+   "content": "278、\n井边的加百利 普桑 法国 1648年 布上油画 118×119cm 巴黎卢浮宫藏\n\n这幅画题材取自圣经《创世纪》第24章，亚伯拉罕委托老仆人（以利以谢）前往美索不达米亚为他的儿子以撒寻找一位妻子，老仆人来到了拿鹤的城，在城外的井边遇到了加百利，于是带回迦南与以撒成亲，加百利后来生了双胞胎以扫和雅各。这幅画是为一位银行家委托所做，路易十四的收藏，1665年由黎世留公爵处获得。",
+   "author": "尼古拉斯·普桑（Nicolas Poussin ，1594－1665年)，是17世纪法国巴洛克时期重要画家，也是17世纪法国古典主义绘画的奠基人。他崇尚文艺复兴大师拉斐尔、提香，醉心于希腊、罗马文化遗产的研究。普桑的作品大多取材于神话、历史和宗教故事。画幅虽然不大，但是精雕细琢，力求严格的素描和完美的构图，人物造型庄重典雅，富于雕塑感；作品构思严肃而富于哲理性，具有稳定静穆和崇高的艺术特色，他的画冷峻中含有深情，可以窥视到画家冷静的思考。"
+}

自然语言处理/nlp_learn/data/艺术详情/亚威农少女-毕加索.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/亲切的闲聊-布拉斯.json

@@ -0,0 +1,4 @@
+{
+   "content": "279、亲切的闲聊 布拉斯 意大利 约1875年 布面油画 私人收藏\n\n画中场景是一间客厅，三个女子闲聊。在画家布拉斯的作品中，威尼斯女子服装很有特色，短衣长裙厚厚地长袜，裙子收腰比较细小，给人亭亭玉立美不胜收之感。这幅画的背景被画家布局得很巧妙：烛台、镜子、简易沙发，都是普通家庭常用的家具，简单实用。三位谈笑风生的女子激活了整个画面，从闻声赶来的男子推门的瞬间，观者好像能感受到她们的欢声笑语。",
+   "author": "尤金·冯·布拉斯（Eugene von Blaas 1843 -1932），是19世纪晚期意大利学院艺术派古典主义画家，擅长创作以表现现实生活场面为主题的现实主义画作。通过他的画，人们可以对19世纪末欧洲平民阶层的生活有更进一步的了解。布拉斯出生在意大利罗马附近的阿巴诺，父母均为奥地利人。他的父亲卡尔·布拉斯也是画家，从小布拉斯就跟着父亲学画，可以说他的父亲一直是他的绘画老师。当布拉斯成为在威尼斯美术学院的教授时，布拉斯一家搬到威尼斯。布拉斯经常在威尼斯描绘那里众人们的生活场面。后来他成为威尼斯美术学院的终生教授。"
+}

自然语言处理/nlp_learn/data/艺术详情/亲爱的鸟儿-布格罗.json

@@ -0,0 +1,4 @@
+{
+   "content": "263、\n亲爱的鸟儿 Tête d'Etude l'Oiseau 布格罗 法国 1867年 69x87.5cm 布面油画\n\n这件作品非常著名，但是作品的名称不知道怎么翻译。可能因为这个孩子太可爱了，所以各国的翻译都保留了作者的难以表述的原法文名称。 威廉·阿道夫·布格罗（William Adolphe Bouguereau，1825-1905），法国19世纪上半叶法国学院派绘画的最重要人物。他以神话和寓言题材的绘画吸引大批追随者，一生获得多种殊荣，成为当时法国最著名的画家。其作品以高度完整、技法全面和擅长表现多愁善感的题材为特征。在布格罗的画作里，女性的形象非常恬美，有妇女，仙女和农村姑娘等人物。其环境多为乡间丛林，宁逸静谧，温馨妩媚，活色生香，略带一丝淡淡哀愁的气氛和情调。他笔下的孩子们天真纯洁，可爱至极。他精致细腻的画风和完美无瑕的技巧深受世人的青睐。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/人生三阶段-西蒙.json

@@ -0,0 +1,4 @@
+{
+   "content": "254、人生三阶段 热拉尔 法国 1806年 画布油画 110.50×144.80厘米 墨西哥西蒙基金会藏\n\n这幅《人生三阶段》是热拉尔的代表作。热拉尔通过具体形象表现出人生历程的三个阶段，历经两百多年而依然生动。在田园诗般的风景里，正中间有一个稚嫩的孩子蜷缩在母亲怀抱中甜美地酣睡，他代表的是人类的童年；右边那位英俊的男子，强健的体魄充满阳刚之气，炯炯的目光里蕴含着坚毅，这正是朝气勃发的壮年；而象征人类暮年的是左边那位须发皆白的老人，眼神茫然而空洞，却闪烁着智慧的余光。画面中心这个头戴花环的女人温和慈爱，不仅给孩子以温暖的怀抱，左手还与男子的手紧紧相握，右手正轻搭在老人的肩上，给予他们以支持和抚慰，正是她把人生的三个阶段串联在一起，串联起人生的百般境界，万般滋味。据说，法国国王路易·菲利普（1773-1850）是第一个收藏这幅画的人。",
+   "author": "弗朗索瓦·热拉尔 (Francois Gerard，1770-1837年)，又名弗朗索瓦·帕斯卡尔·西蒙，他是大卫的高足和继承人，新古典主义的杰出代表。出生于罗马，当时他的父亲是法国驻罗马的大使。最初他师从于雕刻家奥古斯特·巴仟学习艺术，16岁时转入大卫的画室，19岁获得大奖赛第二名，由于父亲过世，只得自立为生。20岁时赴意大利学习，恐怖时期重又回到法国，直到帝国时期才以肖像画家著名于世，从那时起全欧洲的知名人士，上至皇帝、将军，下到学者、贵妇都希望他能为自己画像。 "
+}

自然语言处理/nlp_learn/data/艺术详情/人生第一步-凡高.json

@@ -0,0 +1,4 @@
+{
+   "content": "66、\n人生第一步 凡高 荷兰 布面油画 1890年 72.4x91.1cm 纽约大都会艺术博物馆藏\n\n\n这幅画《人生第一步 (摹米勒作品)》，据考证，凡高并不是根据米勒1858年的粉彩画原作（现藏于密西西比州劳雷尔劳伦·罗杰斯艺术博物馆 ，见下图）创作的，而是临摹自一张正方形的照片。这幅作品描绘的是一幕亲密的家庭劳动的场面，背景舞台则是不大不小的夏日花园。画中，一树繁花和长满鲜嫩蔬菜的花园展示了乡村的富饶多产，并与赞颂生命的主题交相辉映，满怀深情地赞颂了始于劳动的“人生第一步”！ 附：米勒创作于1858年的《第一步》\n粉彩\n素描\n\n画面是一块农村的耕地，背面是农民的房屋。画的右方一位农妇扶着小女儿帮助她学步。左方女婴的农民父亲蹲在地上张开双手鼓励她向前走。每个看到这个画面的人，笑意都要飞上嘴角。人生的第一步，要迈向父亲。此幅作品（\n一说是原作的照片）\n，崇拜米勒的凡高，曾经在1890年临摹过，画名也叫《第一步》（上图），以它向米勒致敬。",
+   "author": "凡高创作的所有临摹作品都是根据米勒作品的黑白副本（印刷品或照片）创作的，他在副本上面打上格子，然后按比例在画布上进行创作。凡高称这些临摹作品为“即兴作品”或“译本”，并将这种手法比作是音乐家对作曲家作品的诠释。他写道，这种“即兴创作的色彩”主要基于对米勒作品的回忆完成的，而“这种记忆……是我自己的诠释”。 "
+}

自然语言处理/nlp_learn/data/艺术详情/仕女乔凡娜别尼-吉郎达约.json

@@ -0,0 +1,4 @@
+{
+   "content": "235、仕女乔凡娜别尼 吉郎达约 木板油画 1488年 96×50厘米\n\n这幅仕女图，是吉郎达约30岁时的作品，他将一位少女描绘得如此漂亮和典雅高贵，宛如一尊玉琢金塑的雕像，在艺术史上可算是绝无仅有的杰作。",
+   "author": "多梅尼哥·吉郎达约（Domenico Ghirlandaio, 1449—1494年）又译基尔兰达约，是意大利佛罗伦萨文艺复兴时期画家。与同时代的伟大画家波提切利相比，他的作品风格传统、坚实而平淡。他是一个优秀的工匠和精明的生意人，加入了佛罗伦萨最权威的研讨会之一。他还与自己的两个弟弟（贝尼代托 1458-1497）和（戴维 1452年至1525年）合作开展生意。吉郎达约最大的成就是在佛罗伦萨（1486-1490）所绘的大型壁画《站立圣母玛利亚和圣约翰》。吉郎达约的绘画技巧非常高超，善用复杂的场景布局和组成的概念，在文艺复兴时代揭示了宗教中庄严肃穆的内涵。他曾在比萨、圣吉米纳诺、罗马、佛罗伦萨和西斯廷教堂等地进行壁画创作，他在工作室制作了大量的祭坛画。他也画肖像画，最有名的一幅肖像作品是《老人和他的孙子》。吉郎达约的儿子和学生乌迪内（Ridolfo 1483-1561）是拉斐尔的朋友和成功的肖像画家。他最著名的学生是米开朗基罗。作为直接影响过拉斐尔，米开朗基罗和达芬奇的伟大画家，他在艺术史上占有特别重要地位。据说他是金匠出身，因此他的画作的无论早期还是晚期都表现出复杂的装饰风格，并显得金碧辉煌。"
+}

自然语言处理/nlp_learn/data/艺术详情/仲夏之夜-佐恩.json

@@ -0,0 +1,4 @@
+{
+   "content": "435、仲夏之夜 佐恩 瑞典 布面油画 1897年 90x150cm 斯德哥尔摩国家美术馆藏\n\n这是佐恩1897年创作的最著名最重要的作品。\n在瑞典传统的仲夏节之夜，青年男女手拉着手，在舞曲的伴奏下，排成长长的队伍，围绕着竖立在屋前装饰着树叶、花朵的竹竿起舞，然后跳到屋内，直到黎明。这幅画表现的就是这一古老的风俗，画的是在凌晨时太阳刚刚升起时候的情景。由于北欧在仲夏之夜是“白夜”，所以画中有着非常鲜明的地域特征。画的气氛优雅，色彩含蓄而温柔，阳光撒满各处。村姑白色的头巾和上衣同青年农民的黑衣黑帽、绿色的草地、红色的墙面和远处的黑色木房交融在一起，和谐之至。",
+   "author": "安德斯·佐恩（Anders Zorn，1860-1920年）是19世纪末20世纪初北欧最具国际影响的瑞典画家，也是世界瞩目的伟大画家之一。。1860年2月18日出生在小城摩拉，12岁进入斯德哥尔摩艺术学校学习雕塑，20岁便有水彩画杰作《着丧服的妇女》问世。他遍游欧洲，并到土耳其和大洋彼岸的美国观光游览异国风光。1888年，佐恩在巴黎开始油画创作，他这一时期追求自然主义风格，注重色彩和光线，但并没有关注当时流行的印象主义。19世纪八十年代是北欧艺术大变革的时期，画家纷纷涌向巴黎，彻底摆脱了半岛传统美术教育的束缚。但是，佐恩最终还是选择了放弃巴黎，回到了自己的家乡。他画家生涯的最后这一阶段的画风也随之回到了自然和故乡的氛围。佐恩36岁以后,用自己全部的感情和精力描绘家乡的风景和居民。他爱画明朗的天空，树林的阴影，水中的倒影，以及人物，特别是妇女。他是以自然主义的手法去描绘的。佐恩同时也是位杰出的铜版画家、雕塑家、水彩画家和建筑装饰大师。1920年8月22日卒于摩拉。 "
+}

自然语言处理/nlp_learn/data/艺术详情/仲夏夜-蒙克.json

@@ -0,0 +1,4 @@
+{
+   "content": "146、\n仲夏夜 蒙克 挪威 1899年 画布油画 101×91厘米 墨西哥 西蒙基金会藏\n\n在这幅作品中，集中了画家两个最具代表性的主题：夜晚和亲吻。他执拗地多次在作品中以它们为题进行创作。通过基本色调的搭配，他把天空的夜色表现得淋漓尽致。像其它人物画一样，这幅作品又刻画了人生的周期性。他把四对看不见面孔和相拥着几乎溶为一体的恋人，放在路上供人欣赏。他们看上去，与其像沉溺于爱情的恋人，更像是夜色下的幽灵。",
+   "author": "爱德华·蒙克（Edvard Munch，1863年12月12日 - 1944年1月23日）是挪威表现主义画家和版画复制匠。伟大的挪威画家，现代表现主义绘画的先驱。爱德华·蒙克是具有世界声誉的挪威艺术家，他的绘画带有强烈的主观性和悲伤压抑的情调。毕加索、马蒂斯就曾吸收他的艺术养料，德国和法国的一些艺术家也从他的作品中得到启发。他对心理苦闷的强烈的，呼唤式的处理手法对20世纪初德国表现主义的成长起了主要的影响。"
+}

自然语言处理/nlp_learn/data/艺术详情/伊丽莎白像-克卢埃.json

@@ -0,0 +1,4 @@
+{
+   "content": "181、伊丽莎白像 弗朗索瓦·克卢埃 法国 1571年 木板油画 巴黎卢浮宫藏\n\n画家去世前一年画了《伊丽莎白像》。这幅画不仅真实地描绘人物的面貌而且深入细腻地刻画人物的内在微妙的精神状态，他放弃了表面的、理想化的朴素和含蓄的优雅。",
+   "author": "弗朗索瓦·克卢埃Francois Clouet (1522年~1572年)，弗朗索瓦·克卢埃是来自穆兰的巨匠让·老克卢埃的孙子和小克卢埃的儿子，他继承了祖父的艺术事业和他父亲的宫廷画家职位。克卢埃的艺术达到了法国文艺复兴现实主义肖像画的至高水平，为法国文艺复兴奠定了现实主义基础。\n代表作品有：《伊丽莎白像》等。\n伊丽莎白一世（Elizabeth I，1533年9月7日--1603年3月24日），本名伊丽莎白·都铎，于1558年11月17日至1603年3月24日任英格兰王国和爱尔兰女王，是都铎王朝的第五位也是最后一位君主。她终身未嫁，因被称为“童贞女王”。她即位时不但成功地保持了英格兰的统一，而且在经过近半个世纪的统治后，使英格兰成为欧洲最强大的国家之一。英格兰文化也在此期间达到了一个顶峰，涌现出了诸如莎士比亚、弗朗西斯·培根这样的著名人物。英国在北美的殖民地亦在此期间开始确立。在英国历史上在位时被称为“伊丽莎白时期”，亦称为“黄金时代”。 "
+}

自然语言处理/nlp_learn/data/艺术详情/伊拉斯谟像-小荷尔拜因.json

@@ -0,0 +1,4 @@
+{
+   "content": "169、伊拉斯谟像 小荷尔拜因 德国 1523～1524年 42×32cm 木板油画 巴黎卢浮宫藏\n\n小荷尔拜因艺术上最大的成就就是肖像画。而肖像画中最成功的作品无疑是他为伊拉斯谟画的三幅肖像画。在这幅肖像画中，画家描绘的是伊拉斯谟的侧面，将伊拉斯谟置于书桌前，刻意表现他在奋笔疾书时的精神状态，着力刻画侧面突出的高高的鼻梁、专注的目光、坚毅的嘴唇，这些细节极富个性，显出伊拉斯谟坚毅果敢、沉着稳健的内心世界。",
+   "author": "小荷尔拜因（1497～1543），德国宗教改革时期最著名的肖像画画家。生于奥格斯堡，卒于英国伦敦。自幼就在父亲老荷尔拜因的画坊中学习绘画，奠定了扎实的绘画基础。1514 年前往瑞士巴塞尔，受到了人文主义思想的熏陶，画艺也大有长进。后来由于画技精湛，得到英国亨利八世的赏识，成为了英国王室的宫廷画家。他的主要作品有《伊拉斯谟像》、《德国商人吉兹像》、《大使们》、《亨利八世》、《死神之舞》等。\n伊拉斯谟（Desiderius Erasmus ，约1466—1536）荷兰哲学家，16世纪初欧洲人文主义运动主要代表人物。1524年写了《论自由意志》并同马丁·路德通信，批评路德。他知识渊博，忠于教育事业，一生始终追求个人自由和人格尊严，但忽视自然科学。"
+}

自然语言处理/nlp_learn/data/艺术详情/伏尔加纤夫-列宾.json

@@ -0,0 +1,4 @@
+{
+   "content": "73\n、伏尔加纤夫 1870－1873 伊里亚.叶菲莫维奇.列宾 （1844.7－1930.9） 俄国 131.5cm×281cm 圣彼得堡　俄罗斯博物馆藏\n\n《伏尔加纤夫》是伊里亚.叶菲莫维奇.列宾 （1844.7－1930.9）在19世纪80年代初创作的批判现实主义油画中的杰作。这是画家亲眼目睹的情景，成为挥之不去的记忆，列宾决定把这一苦役般的劳动景象画出来，狭长的画幅展现了这群纤夫的队伍，阳光酷烈，沙滩荒芜，穿着破烂衣衫的纤夫拉着货船，步履沉重地向前行进。纤夫共11人，分为三组，每个形象都来自于写生，他们的年龄、性格、经历、体力、精神气质各不相同，画家对此都予以充分体现，统一在主题之中。全画以淡绿、淡紫、暗棕色描绘头上的天空，使气氛显得惨淡，加强了全画的悲剧性。",
+   "author": "作者：伊里亚.叶菲莫维奇.列宾（Идья Ефимович Репин 1844-1930），俄国19世纪末最伟大的现实主义画家，巡回览画派重要代表。出 生于哈尔科夫，在彼得堡美术学院学习。1873-76年先后旅行意大利及法国，研究欧洲古典及近代美术。回国后勤奋作画，创作了大量的历史画、风俗画和肖像画，表现了人民的贫穷苦难及对美好生活的渴望。1878年，他参加巡回展览美术协会。代表作品有《伏尔加纤夫》、《宣传者被捕》、《意外归来》、《查波罗什人复信土耳其苏丹》及《托尔斯泰》等。"
+}

自然语言处理/nlp_learn/data/艺术详情/休息-列宾.json

@@ -0,0 +1,4 @@
+{
+   "content": "118、\n休息 列宾 俄国 1882年 布面油画 140x91.5cm 俄罗斯特列恰柯夫美术馆藏\n\n这是列宾为妻子维拉·列宾娜的画像。她看起来年纪很小，正安详地睡着，仪静体闲，不胜娇柔，在红色的座椅、红色的衣服、红色的裙子映衬下，更显得肤如凝脂，天生丽质，楚楚动人，散发着青春和美的气息。",
+   "author": "列宾（Идья Ефимович Репин 1844-1930），俄国19世纪末最伟大的现实主义画家，巡回览画派重要代表。出 生于哈尔科夫，在彼得堡美术学院学习。1873-76年先后旅行意大利及法国，研究欧洲古典及近代美术。回国后勤奋作画，创作了大量的历史画、风俗画和肖像画，表现了人民的贫穷苦难及对美好生活的渴望。1878年，他参加巡回展览美术协会。代表作品有《伏尔加纤夫》、《宣传者被捕》、《意外归来》、《查波罗什人复信土耳其苏丹》及《托尔斯泰》等。"
+}

自然语言处理/nlp_learn/data/艺术详情/伞-雷诺阿.json

@@ -0,0 +1,4 @@
+{
+   "content": "85、\n伞 雷诺阿 法国 1886年 布面油画 179x113cm 现藏伦敦国立画廊\n\n这幅画是雷诺阿放弃印象派画风的代表作。在《伞》上，还没有彻底摆脱外光作用下的色彩描绘方法。画上所表现的是一个巴黎的春日。熙熙攘攘的行人突遇阵雨，于是张开的伞群形成了一种有趣的弧形线网。画家意识到伞本身在画上的装饰趣味。他把这些弧线重叠地画在画面的上半部。观众通过这些弧形的伞，再往下看到了一幅繁杂热闹的景象：前景左侧是一位秀丽多姿的年轻夫人，她臂挽篮子，篮内装着几顶待售的帽子。后面一个绅士模样的人，正用眼睛盯着她，想要上前以遮雨的伞来讨好这位妇女。在前景的右边，有两个赶集市的小姑娘，更小的一个手拿着滚铁环玩具，眼睛注意着观众。在中间，有两个穿着华贵的妇女站在中景上。前面一个似乎对那个手拿铁环的小女孩发生兴趣;后面一个妇女刚把雨伞打开。这幅画的人物并不多，但由于交叠处理，伞的弧形线的不同方向以及整个色调气氛，使画中的景象显得异常热闹丰富，给人以一种拥挤感。雷诺阿采用了一个主调，即以蓝紫色为基调，从而使画面充满一种富有节奏的单纯感。场景十分动人。春雨绵绵的巴黎街景，给这个拥挤的集市增添了生活节律。",
+   "author": "雷诺阿（Pierre Auguste Renoir 1841-1919年），从1881年40岁起，到1888年这八年间，是他的风格转变时期。当他于1879年在沙龙获得成功后，就开始外出旅行。肖像画订货使他的生活转贫为富。前半生苦苦地踯躅在巴黎城内和塞纳河边，这一回，他要实现渴望已久的远行观光的愿望。第一个目的地是诺曼底海滨，后又到了克罗瓦西。1881年春，去了阿尔及尔。是年夏，再赴诺曼底，秋季即登程赴意大利，在那里走访了罗马、威尼斯、佛罗伦萨、那不勒斯、庞贝等地，而促使他的画风转变的机制，则是这次的意大利之行。雷诺阿在庞贝参观古罗马壁画时，发现了它单纯、浓重和绚丽的色调。那些古代壁画偏施红色调，这种红色属于浓艳的朱红色，晚年雷诺阿画过一幅采用这种“庞贝红”色调的裸女像。古代壁画一般用的色彩不多，效果却极丰富。这使他懂得，一幅画上的主调往往起着关键作用。1883年，他在法国一家旧书店买到一本属于14世纪后期意大利画家钦尼诺·钦尼尼撰写的《绘画论》，此书使他入了迷。加上他从意大利学得的古典绘画色彩单纯化的秘密，进一步对前辈大师安格尔的古典主义产生了热情，所以有的研究者也称雷诺阿在1881～1888年的时期为”安格尔式时期”，或叫新古典主义时期。他后来在与画商伏拉尔谈起他的艺术倾向转变的原因时说：“1883年左右，我随印象派已到了山穷水尽的地步。我终于不得不承认，不论油画还是素描皆已技尽。总之，对于我来说，印象主义是一条死胡同。”这就是我们在前面欣赏他的《亨利奥夫人》等肖像时所提到的关于他脱离印象派的内因。这幅画《伞》就是画家转变画风所出现的代表作。"
+}

自然语言处理/nlp_learn/data/艺术详情/伞下情-阿弗莱莫夫.json

@@ -0,0 +1,4 @@
+{
+   "content": "30\n7、\n伞下情 阿弗莱莫夫 白俄罗斯 1955- 油画\n\n阿弗莱莫夫是当代画家，偏好高饱和度的鲜艳色彩，使用调色刀代替画笔来描绘风景、城市和人物,创造一种独特的风格,用色大胆、明亮，传达他的乐观, 他的雨天画作尤其出色，总能一扫雨天的阴霾, 而带给人们愉快的心情！色彩和光影的运用技巧娴熟，甚至有人把他比作当代的梵高。",
+   "author": "李奥尼德·阿弗莱莫夫（leonid afremov 1955- ），白俄罗斯画家。生于白俄东部的维帖布斯克城，毕业于该地同名艺术大学，这所大学是由著名的现实主义画家马克·夏加尔创办的，惹眼的是合伙人中的名字——超感性主义（Suprematism）的创始人马勒维奇（Malevich）和抽象派画家瓦西里·康丁斯基（Wassily Kandinsky）（1866-1944）。在那个令人烦恼的年代，Leonid Afremov发现只有共产主义题材海报才能在苏联卖得掉，在1990年他只得去以色列发展，2周内他在那里找到一份广告公司制作户外广告的差事。交货前夕，这个倒霉的人的工作室被抢占并毁坏了，而后他移居美国，现居佛罗里达州。"
+}

自然语言处理/nlp_learn/data/艺术详情/但丁的小舟-拉克洛.json

@@ -0,0 +1,4 @@
+{
+   "content": "157、但丁的小舟 德拉克罗瓦 1822年 油画 189×246厘米 巴黎卢浮宫藏\n\n德拉克罗瓦1822年创作的、取材于但丁名著《神曲》的油画《但丁小舟》（又译《但丁和维吉尔共渡冥河》），画面上，头戴月桂花环的诗人维吉尔正引导他的伙伴但丁乘小舟穿越地狱；船头，一围裹着长条蓝布的赤身男子为其摇橹。浪花翻卷的河水中，几个被罚入地狱者紧紧抓住小船不放；其中还有一个女子，水珠在她身上闪光。近看，那些飞溅的水花其实就是红绿互补色中黄色和白色的涂点。如此精练的手法，如此真实的效果，不能不令观者惊叹。艺术史家认为，《但丁小舟》的悲剧性感受是对米开朗琪罗和鲁本斯的缅怀，其所表现出来的画家的执拗个性则奠定了德拉克洛瓦在法国浪漫主义画派中的先行者地位。",
+   "author": "欧仁·德拉克罗瓦（Eugène Delacroix，1798年4月26日—1863年8月13日）法国著名画家，曾师从法国著名的古典主义画派画家雅克-路易·大卫学习绘画，但却非常欣赏荷兰画家彼得·保罗·鲁本斯的强烈色彩的绘画，并受到同时代画家热里科的影响，热心发展色彩的作用，成为浪漫主义画派的典型代表。他的画作对后期崛起的印象派画家和梵高的画风有很大的影响。"
+}

自然语言处理/nlp_learn/data/艺术详情/你何时结婚-高更.json

@@ -0,0 +1,4 @@
+{
+   "content": "346、你何时结婚 高更 法国 1892年 布面油画 101x77cm 卡塔尔王室收藏 成交价3亿美元\n\n\n2015年2月，这幅油画以3亿美元（折合人民币18.7亿元）成交，创下艺术品最昂贵的成交纪录。据透露，卖家是已经退休的苏富比前高管史泰哲林，买家是卡塔尔王室。画面上的中心位置坐着两名塔希提女子，褐黄色的皮肤、蓝黑色的头发、青紫色的衣服(稍被几块玫瑰色和白色所间隔)，展现在上半部为橙黄色，下半部为红色，前景是绿色的草坪，背景是散布着一些绿树叶的塔希提岛热带风光。整个画面没有丝毫抽象因素，每一根线条，每一个调子都充满着赞美和喜悦。这是高更真正的一幅杰作。高更往后也创作了一些像这样美的作品，但比这更好的作品却从此未能再见。这幅画（Quand te maries-tu）又译“塔希提的年轻姑娘”。",
+   "author": "作者：保尔·高更(Paul Gauguin，1848—1903)，后印象主义代表画家。高更诞生在巴黎，他的父亲是个新闻记者，母亲是个秘鲁作家的女儿。高更的绘画以其原始性与象征性的倾向，以及所谓“综合主义”的画风，在西方现代艺术史上独树一帜。高更早年当过水手，做过商人。1871年，他来到巴黎，成为一名证卷经纪人。这时，他在好友施弗纳克影响下，对绘画产生兴趣。1883年，一直是业余作画的高更，突然抛弃了他那前途远大而令人羡慕的银行职务，而决定去做一名职业画家，此时，他已35岁。他起初迷恋印象主义画风，参加过几次印象派的画展，后来由于受象征主义美学观念的驱使，而离开印象主义，反对印象主义那种客观再现自然的艺术追求，主张艺术形象要有别于客观物象，同时饱含着艺术家的主观感受。"
+}

自然语言处理/nlp_learn/data/艺术详情/侯爵夫妇和孩子们-蒂索.json

@@ -0,0 +1,4 @@
+{
+   "content": "446、米拉蒙侯爵夫妇和孩子们 蒂索 法国 1865年 布面油画 177x217cm 巴黎奥赛博物馆\n\n\n蒂索创作这幅画的1860年代中期，正是他时来运转的时候。这时，蒂索就要进入而立之年，他的风格有所变化，他开始回归当代艺术的主流。1864年他第一次在伦敦皇家艺术院展出作品，提交的作品是一幅无名的中世纪题材画。同年，他在巴黎的沙龙也展出了两幅作品。这是他第一次公开展示现代题材的作品。蒂索这种新的艺术尝试受到一致好评，从此，他开始被认可，1866年他在巴黎沙龙展出的两幅油画获奖，这使他获得了无需评选人员挑选就可直接参展的权利，当然他也赢得金钱上的奖励。当蒂索毫不费力地脱掉中世纪战袍，开始创作不断升值的现代题材作品时，目瞪口呆的德加显然有些许嫉妒。到1867年，蒂索已有足够的财力在巴黎繁华大街购买一栋带画室的豪宅。他在那里住了四年，至死他也没有将这座宅子卖掉。",
+   "author": "雅姆•雅克•约瑟夫•蒂索 (James Jacques Joseph Tissot 1836-1902)，法国画家，居住在伦敦的维多利亚新古典主义画家。出生在法国南特（法国西部港口城市）一个中产阶级家庭。他最初在巴黎的 Beaux 艺术学院学习。1871年搬到伦敦居住。为生活所迫，他画了许多伦敦上层社会生活的作品，受到异议。1876蒂索在伦敦遇见了年轻有魅力的离婚女子凯思琳，坠入爱河。这段不被社会认同的爱情仅仅维持了六年，1882年凯思琳去世时只有28岁。一周后他搬回了巴黎，开始热衷于宗教绘画。1902年8月8日在法国去世。一个伟大的艺术家与他美丽堕落的女人及其悲惨的爱情故事，这就是他的一生。蒂索有很多表现女性与爱情的作品，深受喜爱。"
+}

自然语言处理/nlp_learn/data/艺术详情/倒牛奶的女佣-维米尔.json

@@ -0,0 +1,4 @@
+{
+   "content": "143、\n倒牛奶的女佣 维米尔 荷兰 布面油画 1658年 45×41厘米 现藏阿姆斯特丹国立美术馆\n\n\n在《倒牛奶的女仆》这幅作品中，观者心中自然会升起一种宁静祥和的感觉。画家在画中描绘了一个简陋厨房的一个角落，淳朴的妇人将陶罐中的牛奶缓缓倒下，阳光透过窗子照进来，屋子中的每一样物品都静静的，平淡无奇，但却充溢着一种时光的空灵之感，所有的一切都统一在和谐的气氛当中。当观者将视线停留在一个个局部上的时候，就会被画家描绘这些普通事物的耐心和技巧着实打动。画面上的桌布、毛巾、铜壶、竹篮、面包、流淌而下的牛奶、女仆专心致志的神态……画家在表现物体的质地、色彩和形状上都达到了完美的程度，同时又将这一切统一在黄、蓝、白三种整体的色调中，融合得恰到好处。",
+   "author": "约翰内斯·维米尔（Johannes Vermeer，1632—1675）荷兰最伟大的画家之一，但却被人遗忘了长达两个世纪之久。维米尔的作品大多是风俗题材的绘画，基本上取材于市民平常的生活。他的画整个画面温馨、舒适、宁静，给人以庄重的感受，充分表现出了荷兰市民那种对洁净环境和优雅舒适的气氛的喜好。维米尔留传下来的作品只有40幅左右，其中多数都是绘画精品。被称为“荷兰小画派”的代表。"
+}

自然语言处理/nlp_learn/data/艺术详情/做针线活的母亲-卡萨特.json

@@ -0,0 +1,4 @@
+{
+   "content": "413、做针线活的年轻母亲 卡萨特 美国 1900年 布面油画 92.4x73.7cm 纽约大都会博物馆\n\n\n这幅画《Young Mother Sewing》记录了年轻母亲在做针线活的瞬间，是大都会唯一一幅卡萨特在20世纪创作的作品。画面上年轻的女人注视着手里的活计，并不在意把她当作模特的画家。她不用改变位置，只要抬起眼睛迅速地一瞥，无须其他动作，就能再次摆好姿势，跟身旁的小女孩重新建立联系。因为她们可能正在断断续续地聊着天，尽管在家里平静度过的一天之中不断有事打断她们的谈话。更加吸引注意力的一点是必须中断交谈小心处理的一条接缝或者一处修补，没什么紧要的。小女孩不凑巧地跑过来，蜷缩在妈妈身边。她扭来扭去，找到一个最为舒适的姿势，确定了自己的地盘，一个能够从容观察世界的庇护所。小女孩毫不害羞地看着画家，她知道没人要求她做么，只是不要太过影响画家的工作。",
+   "author": "作者：玛丽·卡萨特（Mary Cassatt，1844-1926），是19世纪末至20世纪初期，极少数能在法国艺术界活跃的美国艺术家之一。她是一位不受世俗观念拘束、意志坚强、一心投入自己热爱的艺术事业的女性 ，她终生未婚未育，却以善于描绘爱意满满的“母子母女图”闻名于世。卡萨特出身于美国费城上等人家，二十岁时宣称将来要做画家，从而与父亲发生冲突。在她的坚持下，父亲最终首肯，让她就读宾州美术学院。她由此走上绘画之路。1865年，卡萨特二十一岁时与母亲赴欧洲游历。她先到意大利研究柯勒乔作品，又到西班牙探讨委拉斯开兹、鲁本斯的名画。1872年，她以《嘉年华会》入选巴黎沙龙展，一年后定居巴黎。她是唯一一个被法国印象派画家邀请参加作品展的美国人。《浴室》、《女人》、《驾车的孩子》等作品以强烈的设计感、卓越的素描能力和明亮的色彩为特点。1891年，四十七岁的卡萨特举办首次个展，为法国美术界所推崇。不过此时她在美国仍不受重视，直到1904年芝加哥美术协会邀请她为年度展览主宾，卡萨特才回到美国。十年后，费城美术学院为她颁奖，她逐渐为世人关注。但她并没有在美国定居，晚年移居法国南部的格拉赛。1926年6月14日卡萨特去世，享年八十二岁。"
+}

自然语言处理/nlp_learn/data/艺术详情/克娄巴特拉尝毒-卡巴内尔.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "199\n、克娄巴特拉用死囚尝毒 卡巴内尔 法国 1887年 画布油画 87.60×148厘米\n\n这幅画取材于普卢塔克（公元前120－前50年，希腊学者、传记作家）的《安东尼的一生》。讲的是亚克兴角战役之后，被屋大维打败的埃及艳后克娄巴特拉感到末日临近，决定自杀。为此，她下令让几个奴隶体尝不同的毒药，为自己选择痛苦最小的一种。卡巴内尔的画笔准确地抓住了人物的表情：克娄巴特拉的人格魅力没有一丝一毫的流失，她仔细观察着每个奴隶死亡时的表情，身边还伴有一只豹子和一个摇扇的侍女。 亚历山大·卡巴内尔（Alexandre Cabanel，1823年9月28日－1889年1月23日），法国学院派画家。出生于法国埃罗省省会，地中海沿岸城市蒙彼利埃。他的绘画以学院艺术风格著称，取材以历史，古典，及宗教题材为主。卡巴内尔的艺术可作为法国第二帝国和第三共和国时期沙龙学院派艺术的代表。卡巴内尔的历史画和宗教画追求表面的艺术效果，他的装饰壁画和外表华丽的盛装肖像画在上流社会享有很高的声誉。 "
+}

自然语言处理/nlp_learn/data/艺术详情/克里斯蒂娜的世界-怀斯.json

@@ -0,0 +1,4 @@
+{
+   "content": "31、\n克里斯蒂娜的世界 怀斯 美国 1948年 油画 82.5×121cm 纽约现代艺术博物馆\n\n\n这幅画是美国本世纪最著名的写实主义画家怀斯的代表作。因为这幅画使怀斯成为美国家喻户晓的写实画家。作品描绘的是患小儿麻痹症的克里斯蒂娜·奥尔森拖着身子，用腰部以下肢体在美国缅因州广袤的玉米田中爬行的背影，所呈现的孤寂与坚强让世人备受感动。“她像一只蟹一样。”怀斯生前回忆。对怀斯而言，她是一个高贵的、有尊严的模特，拒绝使用轮椅，宁愿在污秽中生存也不愿意被人抚养。图中冷漠地高居于山坡上的房子奥尔森之屋今日已变成缅因州的旅游景点之一。此画已成为美国的经典代表画作之一，现由美国现代艺术博物馆收藏。",
+   "author": "安德鲁·怀斯（1917年7月12日～2009年1月15日）是美国本世纪最著名的写实主义画家。他属于美国现代派，却又颇具传统风格。因此，有的现代派画册排除了他的名字；有人说他是美国乡土风俗与风景画家。但他本人则一再声称，他与美国其他风俗风景画家毫无共同之处。人们发现他的画过于细腻，几乎连每张叶片都可清楚地辨析。他则不以为意，认为那是观赏者\"不理解色调的相互配合。如果你能把写实主义与抽象格调糅合在一起，画上就会有惊人的效果。\"因而有人给这位独特的现代派画家以一个雅号，叫做\"魔幻现实主义\"。就其终生的艺术特点看，我们倾向于一位英国评论家的看法，说他属于美国哈得逊河画派首创的美国乡土艺术的一位后继者。怀斯的艺术具有文学性，它渗透着关于人与自然的主题。"
+}

自然语言处理/nlp_learn/data/艺术详情/克鲁默风景-席勒.json

@@ -0,0 +1,4 @@
+{
+   "content": "484、\n克鲁默风景 席勒 奥地利 布上油画 1910年 100x130cm 沃尔夫冈古立特美术馆藏\n\n\n这幅风景在构图上别具匠心，明显受到克里姆特装饰风格的影响。画面的左边是一条绿树映衬下的环行公路，中间纵向排列着城镇中形状各异的房子。席勒依然采用抽象化的手法将景物图案化，画家关注的不是正确的透视和景物的写实，而是将景物分解为色块和图形，研究它们之间的穿插、组合关系。这反映了席勒的艺术正一步步走向成熟。令人遗憾的是这位极有禀赋的画家过早去世，结束了他大有前途的艺术生涯。",
+   "author": "埃贡·席勒（Egon Schiele 1890-1918）20世纪初奥地利绘画巨子，表现主义画家，维也纳分离派的重要代表。1890年出生于奥地利图尔恩，1906年16岁的席勒就读于维也纳艺术工商学校，1908年，席勒在克洛斯特新堡举办了第一场展览。1909年，在完成第三年的学业后，席勒离开学校，创办新艺术组织。1915年因为第一次世界大战，席勒被陆军征召。1917年，他回到维也纳，得以专心从事绘画工作。1918年席勒怀孕6个月的妻子死于西班牙流感，同年席勒也因传染上西班牙流感逝世于维也纳，年仅28岁。虽然埃贡·席勒在短暂的生命中处处显示出个性的桀骜不逊和对绘画成规的反抗。他用自己敏锐的直觉，真实地揭露人性的本质。席勒虽然像一个艺术“殉道者”一样饱尝苦难和嘲讽，但却以这种独特的艺术光辉照亮了欧洲艺坛，成为杰出的现代表现主义画家。 "
+}

自然语言处理/nlp_learn/data/艺术详情/入睡的维纳斯-乔尔乔内.json

@@ -0,0 +1,4 @@
+{
+   "content": "334、入睡的维纳斯 约1510-1511年 乔尔乔内 意大利 108.5cm×175cm 布 油彩 德累斯顿国家美术馆藏\n\n这是乔尔乔内最成功的油画作品，最后由提香完成。作品中的维纳斯展示出造化之美，没有任何宗教女神的特征：在自然风景前入睡的维纳斯，躯体优美而温柔，形体匀称地舒展，起伏有致，与大自然互为呼应。这种艺术处理不是为了给人以肉感的官能刺激，而是为了表现人的具有生命力的肉体和纯洁心灵之间的美的统一。这种充满人文精神的美的创造，是符合文艺复兴时期理想\"美\"的典范的。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/全家团聚-巴齐耶.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "22\n4、\n全家团聚 巴齐耶 法国 1867年 152x230cm 布油彩 巴黎奥赛博物馆\n\n\n这是巴齐耶牺牲前所作的群体肖像。画中并没有指哪一个家庭的团聚，这并不是人们要探求的。重要的是画家以古典主义写实的造型方法，塑造了具有鲜明身分、地位和个性特征的人物形象，每个人的姿态神情都与众不同地表现了自己的个性。但这幅画与传统的古典主义写实方法不同的是在于运用外光画法，使画面充满室外的清新空气与明朗透彻的阳光，显示出由写实主义向印象主义过渡的画法。 弗雷德里克·巴齐耶（Jean Frederic Bazille，1841—1870），法国画家，曾在古典主义格莱尔画室学习，在那里结识了同学莫奈、雷诺阿和西斯莱，他们组成了“四好友集团”，经常走出画室到大自然中去写生。巴齐耶成了比他大一岁的莫奈的最亲密朋友和崇拜者。直至他在1870年11月的普法战争的战斗中过早地逝世。"
+}

自然语言处理/nlp_learn/data/艺术详情/公主的肖像-温特哈尔特.json

@@ -0,0 +1,4 @@
+{
+   "content": "257、\n列昂妮拉公主的肖像\n温特哈尔特 德国 1843年 布面油画 142.2x212.1cm 美国洛杉矶盖蒂博物馆\n\n温特哈尔特的肖像画，每一幅都有着独特的魅力，这幅《列昂妮拉公主的肖像》（Princess of Portrait of Leonilla），虽然不是他最为著名的画作，却是最让人眼前一亮的作品。列昂妮拉是俄国公主，1816年出生于莫斯科，后来嫁给了Sayn-Wittgenstein-Sayn王子。Sayn是一位德国伯爵的称号：当时德国由“上百个大小公国统治”，后来被普鲁士统一成为德意志，但是这些名称保留下来了。画中这位女士的全名是Leonilla Bariatinskaia，她身穿雪白的长裙，左手拿着折扇，右手轻撩珍珠项链，悠闲地倚靠着床脚并坐在地毯上，有评论家评论这幅画：“乳白的肌肤和雪白的衣衫，形成难以名状的对比，作者对人体肌肤的表现能力，无人可以相比”。 温特哈尔特（Franz Xaver Winterhalter 1805-1873）1805年4月20日出生，1873年7月8日，19世纪中期德国学院艺术派的古典主义绘画大师，也是宫廷画家，擅长画人物肖像画。出生在德国的黑林地区，十三岁开始研究学习绘画和版画。在1823年十八岁的温特哈尔特到慕尼黑寻求发展 ，1828年成为了卡尔斯鲁厄的公爵夫人的私家绘画大师。之后成为欧洲许多大国的宫廷专职画师，服务于法国国王路易.菲利浦，英国的维多利亚女王，奥匈帝国和比利时等皇室的宫廷，为国王和皇后画像而著名。他同时又兼职平版印刷业，并通过这项技术将自已的作品推广出去。他一生单身，从未结婚，于1873年7月8日去世，享年六十八岁。他的绘画表现手法接近现代人的审美标准，画中贵族姿态优雅，衣着极其华丽，在肖像画中出类拔萃。通过他的绘画，可以进一步了解欧洲19世纪皇室贵族的肖像面貌和奢华生活。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/公园中的草地-凡高.json

@@ -0,0 +1,4 @@
+{
+   "content": "3\n43、\n公园中阳光照耀的草地 凡高 荷兰 1888年7月 阿尔 画布油画 60.5x73.5cm 私人收藏\n\n\n凡高信中说，我也画了一幅没有花朵的花园，确切地说，那是一块草坪：一片新割过的鲜绿色的草坪，伴着灰色的干草长长地蔓延了下去。一棵垂枝的岑树，还有一些雪松和丝柏。雪松呈微黄的球状，丝柏则耸入云霄，呈蓝绿色。最后是一些夹竹桃和一角蓝绿色的天空，草地上则呈现出灌木丛下投射的蓝色的阴影。",
+   "author": "文森特·凡高（Vincent van Gogh 1853-1890），荷兰后印象派画家，表现主义先驱，影响了二十世纪艺术，尤其是野兽派与德国表现主义。梵高出生于1853年3月30日荷兰乡村津德尔特的一个新教牧师家庭，早年的他做过职员和商行经纪人，还当过矿区的传教士，最后他投身于绘画。他早期画风写实，受到荷兰传统绘画及法国写实主义画派的影响。1886年，他来到巴黎，结识印象派和新印象派画家，并接触到日本浮世绘的作品，视野的扩展使其画风巨变，他的画，开始由早期的沉闷、昏暗，而变得简洁、明亮和色彩强烈。1888年，来到法国南部小镇阿尔，他的创作真正进入了高潮，已经摆脱印象派及新印象派的影响，使作品具有个性和独特的风格。同年与高更交往，但由于二人性格的冲突和观念的分歧，合作很快便告失败。此后，梵高的癫疯病时常发作，但神志清醒时他仍然坚持作画，后在精神错乱中开枪自杀，两天后于1890年7月29日去世。在凡高短短的37年生命里程中，在他10年的创作时间和两年半的黄金期里，他共创作了油画800多幅，素描1000多幅和水彩画约150幅。"
+}

自然语言处理/nlp_learn/data/艺术详情/兹伯里大教堂-康斯太勃尔.json

@@ -0,0 +1,4 @@
+{
+   "content": "438、从主教花园望见的索尔兹伯里大教堂 康斯太勃尔 英国 1823年 布面油画 87.6x111.8cm 纽约大都会艺术博物馆藏\n\n\n康斯太勃尔的风景画强调描绘真实对象，并力求以朴实的生活气息体现于画面中。这幅画通过树木、河流与房屋的光影来表现阳光与空气的微妙变化。阳光下的哥特式教堂在蓝天、白云下矗立着，近景高大的树木与草地、河流在阳光下显得色彩斑斓。这种写实手法使景物朴实生动，又具浓郁的生活气息，有一种清新之感。",
+   "author": "约翰·康斯太勃尔（John Constable,1776-1837）出生于英国萨福克，1799年进入皇家美术学院，表现出个人风格。他大部份在户外写生上画，最后在工作室内完成作品，1802首次年在皇家美术学院展出他的风景画。以后一直到 1810年，每年都有作品参展。从1806 年开始在英格兰北部旅行，作品的水准越来越高，终于抓住了人们的视线。康斯太勃尔是英国风景画的代表，他的作品把英国的风景画真正从因袭成规和外国影响中摆脱出来，他热爱家乡和大自然，甚至从没有去过苏格兰和威尔士。他像一位田园诗人，但他对后来的画家，尤其是法国的画家影响很大。他有许多独创的技法，如用刮刀直接铺色块，产生闪烁著亮光的白点，表现树叶的反光，这些技法直接影响著巴比桑画家和后来的印象派画家。1824年他的作品赢得巴黎展览金牌，1829年成为皇家美术学院的成员，1837 年3月逝于伦敦。 "
+}

自然语言处理/nlp_learn/data/艺术详情/农民之家-勒南.json

@@ -0,0 +1,4 @@
+{
+   "content": "94、农民之家 路易·勒南 1648年 油画 113×159厘米 现藏巴黎卢浮宫\n\n这幅画作为路易·勒南个人的特殊画风，还多少显露出他曾向佛兰德斯肖像画家学习的迹象，即是说，人物的构图处理带有哈尔斯或伦勃朗等画家在群体肖像画上的特色。人物均衡地排开，面向着观众，不过农民形象都富有个性表现，比前辈画家画得更舒展一些。 路易·勒南在描写农民形象及其生活时，不作任何掩饰，恶劣的农村环境，贫困的物质生活，终年劳碌在土地上的老人、为了温饱而操劳的瘦削老妇（在左侧），营养不良、衣衫破旧、光着双脚的小姑娘，都画得精细异常，感人至深。每一个形象具有一定的肖像特征，人物的细节不带丝毫抽象概念，因而使观者产生一种肃然的可信感。",
+   "author": "勒南兄弟，法国画家，共3人。A.勒南（约1588～1648年）最年长，是兄弟画室的领袖，1648年5月25日卒于巴黎；L.勒南（约1593～1648年）成就最大，1648年5月23日卒于巴黎；M.勒南（1607～1677年）画风与两位哥哥略有不同，1677年4月20日卒于巴黎。他们的故乡是拉昂，1629年迁居巴黎。因为3人作画只签勒南名字，后人很难将他们的作品区分开。作品多为描绘农村题材的风俗画和肖像，是17世纪上半叶与宫廷古典主义艺术相对立的画家。代表作《割草归来》、《铁匠铺》、《农家室内》、《幸福家庭》等，充满生活情趣，人物虽多半是静止的、肖像式的，却有一种庄严肃穆的美。 "
+}

自然语言处理/nlp_learn/data/艺术详情/冷冷的夏天-马什尼科夫.json

@@ -0,0 +1,4 @@
+{
+   "content": "3\n98、\n冷冷的夏天 马什尼科夫 俄罗斯 2012年 布面油画 51x43cm 私人收藏\n\n\n这是俄罗斯画家2012年的新作。画面简洁洗练，冷冷的氛围完全归功于色彩与图案的巧妙运用，背景墙用斑驳的灰色勾勒出线条与层次，既有时代的气息，又充满了古典主义的遗韵。作者谢尔盖·马什尼科夫（Sergey Marshennikov 1971-），1971年出生在乌法（苏联巴什基里亚），1995年毕业于乌法艺术学校学业，毕业后在圣彼得堡列宾美术学院的V.Pimenov教授工作室学习并毕业于此。他的研究生学业是在列宾工作室完成。他的作品被俄罗斯、美国、欧洲、日本、加拿大等国家博物馆和私人所收藏。他的油画所追求的是自然和真实。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/凭窗的亨德丽娅-伦勃郎.json

@@ -0,0 +1,4 @@
+{
+   "content": "142、\n凭窗的亨德丽娅 伦勃郎 荷兰 布面油画 1656年 88.5×67cm 柏林国家博物馆藏\n\n这幅画被美术史上公认为最杰出的一幅油画肖像画，是伦勃朗为他的第二任妻子亨德丽娅画的。伦勃朗在51岁时破产，居住在阿姆斯特丹贫民区的一所破房子里，爱妻的离世更使他失魂落魄。亨德丽治开始是他的女仆，后耒成为他的妻子。伦勃朗以满怀的深情画下了这幅《凭窗的亨德丽娅》，以回报生命中的这份珍爱。亨德丽娅用手支撑着窗框，侧视着前方，正如同刚刚操持完繁重的家务来到窗前的片刻小憩一般。她身上散发出的那种端庄、贤淑、安祥的气质。她穿着一件穷人家的妇女常穿的宽大的罩衫，她的手是一双长年劳作着的粗壮有力的手，在画中羞于示人似的将手指收拢着。光线集中在亨德丽娅的额头和颈部，亮光如流水般地在她的肌肤之上流淌着，显得那么的高贵和娴雅。",
+   "author": "伦勃朗(Rembrandt van Rijn 1606～1669),是世界美术史上一位伟大的荷兰现实主义画家，荷兰最杰出的肖像画大师，也是17世纪整个欧洲文化艺术的杰出代表人物之一。他在油画和铜版画方面，都有很高成就。伦勃朗1606年7月15日生于 荷兰莱登城郊磨坊主之家，1669年10月4日卒于阿姆斯特丹。他一生创作精力旺盛，给人类留下了极其丰富而珍贵的遗产——六百幅油画，三百幅版画和二千幅左右的素描的速写。画风质朴自然，画作体裁广泛，擅长肖像画、风景画、风俗画、宗教画、历史画，善采取强烈的明暗对比画法，用光线塑造形体，画面层次丰富，富有戏剧性。"
+}

自然语言处理/nlp_learn/data/艺术详情/创造亚当-米开郎基罗.json

@@ -0,0 +1,4 @@
+{
+   "content": "33、创造亚当 米开郎基罗 壁画 1510年 280×570厘米 藏意大利西斯廷教堂\n\n\n这是米开郎基罗1510年为梵蒂冈西斯廷教堂屋顶所作的壁画中的重要部分。画中的亚当是一个健壮的裸体男青年，却缺乏应有的活力。至高无上的耶和华在天使们的伴随下，正向他飞来，他的目光注视着亚当——他的第一个创造物。他的手指即将触到亚当的手指，灌注神明的灵魂。人类生命即将诞生。",
+   "author": "米开朗基罗 (1475-1564年),作为文艺复兴的巨匠，以他超越时空的宏伟大作，在生前和后世都造成了无与论比的巨大影响。他和达芬奇一样多才多艺，兼雕刻家、画家、建筑家和诗人于一身。他得天独厚活到89岁，度过了70余年的艺术生涯，他经历人生坎坷和世态炎凉，使他一生所留下的作品都带有戏剧般的效果、磅礴的气势和人类的悲壮。他是文艺复兴时期雕塑艺术最高峰的代表。 "
+}

自然语言处理/nlp_learn/data/艺术详情/到处是生活-雅罗申柯.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "20\n9\n、到处是生活 雅罗申柯 俄国 1888年 布面油画\n74x104cm\n莫斯科特列季亚科夫美术博物馆\n\n这幅画构图非常独特，在牢笼的小窗口拥挤着几个特写的人物形象：老人、士兵和工人，还有一位带着孩子的妇女。孩子用仅有的一点食品逗引飞来啄食的鸽子，囚笼顶上还站着一只小鸟，这外部世界多么自由明亮，鸟儿可以自由飞翔，而他们却被囚禁在这有铁栏的空间里。自由与禁锢构成了强烈的反差，将激起人们深深的思考。 尼古拉·雅罗申柯（Nicholas Yaroshenko，1846-1898），是俄国19世纪下半期巡回展览画派画家，曾被选为协会的理事。雅罗申柯出生于波尔塔瓦的一个军人家庭，1870年毕业于米哈依洛夫炮兵学校，在彼得堡子弹工厂工作，退役后辞掉军衔，决意从事绘画。他曾师从于克拉姆斯柯依，后在美术学院夜校读了五年。1876年30岁时创作水平已臻成熟，被吸收参加巡回展览画派。晚年对表现乌拉尔的工人生活产生热情，画了大量表现工人的画。列宁曾给予很高的评价，称他是：“现实生活出色的心理学家。”雅罗申柯的绘画多以工人、革命者为题材，他是位民主主义画家。"
+}

自然语言处理/nlp_learn/data/艺术详情/剧院包厢-雷诺阿.json

@@ -0,0 +1,4 @@
+{
+   "content": "144、\n剧院包厢 雷诺阿 法国 1880年 布面油画 99.4x80.7cm 美国克拉克艺术馆收藏\n\n\n这幅画《剧院包厢》原先是受法国美术副部长埃德蒙·蒂尔凯委托的家庭肖像作品，不过画作最终并没有被接受。1880年鲁埃购下此画并将其送去参加1882年的第七届印象派群展。雷诺阿用深红色的背景窗帘抹去了原本的男性形象，画面中只留下年长的女性和低头凝视的少女。两人的衣着是一黑一白的纯色对比，在时尚之都的巴黎，越是正式而宏大的场合，女性衣服的袖口越短、领口愈低。在画面中看到的女性形象正是如此，低胸的礼服以一朵花点缀，她虽然面向画外，却没有拘谨和被动，而呈现出优雅姿态，轻松地倚靠在包厢座椅中。但这女孩虽漂亮，但脂粉气太浓，显得浮华，眼神空洞，难怪人家父亲不满意。",
+   "author": "这幅画作于1880年。19世纪到剧院观看演出是上层社会重要的消遣方式，雷诺阿画过几幅表现剧院包厢的作品。据雷诺阿德画商介绍，这幅作品是一位客人为自己女儿定制的肖像画，因为对作品不满意而拒绝购买，画家就对黑衣女子作了修改，又抹去右上角的一位男子，把作品改成了当时流向的风俗画。 "
+}

自然语言处理/nlp_learn/data/艺术详情/加歇医生像-凡高.json

@@ -0,0 +1,4 @@
+{
+   "content": "148、\n加歇医生像 凡高 荷兰 1890年 68x57cm 布油彩 巴黎奥赛博物馆\n\n凡·高在自杀前一个月为精心照顾他的加歇医生画了这幅肖像。他自己说：“我希望画一位艺术家友人的肖像，他满怀伟大的理想。我希望把我对这个人的感觉和爱慕之心画进作品里。我夸张了他的头发的金黄色，在头像后面我不画小屋的普通墙壁，而用我调配得极为丰富、极为强烈的蓝色涂出无限深远的背景。由于这种单纯的配合，使金黄色头发的头部，在这丰富的蓝色背景上发光，像星星嵌在深沉的碧空中。”这幅画1990年5月15日纽约克里斯蒂拍卖行在3分钟内以8250万美元的价格拍卖给了日本第二大造纸商-- Ryoei Saito先生。创下了当时艺术品拍卖价格的世界最高纪录，这个纪录一直保持到2004年5月5日。稳坐世界最昂贵艺术品宝座长达14年之久。",
+   "author": "1990年5月15日，这幅画在纽约佳士得拍卖行,在3分钟内以8250万美元的价格拍卖给了日本第二大造纸商斋藤先生，创下了当时艺术品拍卖价格的世界最高记录。在这幅作品中，人物姿态安详，沿对角线呈倾斜姿势，从画布左上角至右下角贯穿整个画面，削瘦的身体用肘臂支撑着，以保持完全平衡。但是，透过笔触、构图以及人物四周的空间，画家紧张而悲哀的心情一目了然。它预示画家即将感受到更加深重的痛苦。背景使用灰蓝色的连续曲线，产生如旋涡般的效果。木然的神情与变动的背景形成对比。 1990年5月15日，短短3分钟，梵高的《加歇医生肖像》成为世界上最贵、曝光率最高的作品，但原作很快就消失在人们的视野中，直到现在，作品的下落仍旧是谜。\n\n作品经历过山车般的价格攀升，到引发丑闻，都始于纽约佳士得拍卖场上，《加歇医生肖像》经历了最为激烈的竞争，竞拍者似乎不把钱当钱。4800万美元、4900万美元、5000万美元……价格一路飙升，最后，拍卖师以7500万美元的价格落槌。加上佣金，作品总成交价为8250万美元，这件作品比此前交易的梵高最高价作品还高出3000万美元，创下了当时的艺术品拍卖世界纪录。这笔交易使西方现代绘画第一次拍下这么高的价格，开启了现代绘画，尤其是“印象派”绘画交易的天价时代。\n\n不久，日本静冈县出生的企业家斋藤了英宣布，他就是《加歇医生肖像》新的主人。此外，1990年5月17日拍卖的另一件昂贵的作品——以7810万美元成交的雷诺阿的《红磨坊的舞会》也在斋藤手上。两天之内，斋藤拥有了世界上最贵的两件作品，他的炫富之情无以言表。然而，斋藤只与他千里迢迢购买来的名画相处了几个小时，就将作品锁进了有控温控湿设备的保险柜中。作品一直保存在那里，没有任何人碰过，也没有任何人再看到过。\n\n1993年，斋藤被指控因打算建高尔夫球场而贿赂官员，具有讽刺意味的是，他的高尔夫球场的名字就是梵高的姓——文森特。在其被判有罪的时间里，他曾表示，在他死后，将和梵高的名作一起焚化，一起埋葬，虽然后来，他申明这只是开个玩笑，却引发了美术界的反感。\n\n1996年，斋藤因脑血管梗塞逝世。在他死后，《加歇医生肖像》的归宿却成了一个谜，这幅画的新主人是谁？是斋藤的后人？还是他的朋友？或是他的债主？甚至人们都不知道作品现在何处？——法国？日本？美国？瑞士？博物馆和拍卖公司的相关人员都在打听作品的归宿，但得到的大多只是猜测。20多年来，《加歇医生肖像》似乎已经消失在国际艺术品市场这潭深水之中了。 "
+}

自然语言处理/nlp_learn/data/艺术详情/加纳的婚礼-委罗内塞.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "132、迦纳的婚礼 委罗内塞 1562年至1563年，圣乔治修道院饭堂画 10米长 巴黎卢浮宫\n\n画的内容取自《圣经》故事，讲的是耶稣和圣马利亚以及使徒们在约旦河畔的迦纳这个地方遇到一家人家正在举办婚宴，主人邀请他们一起参加，婚宴上大家饮酒欢庆，后来酒喝光了，耶稣将坛中的水变成了葡萄酒，大家又继续喝酒欢乐。画中有威尼斯的当代建筑、贵族商人和乐师等，委罗内塞在这些欢乐的人群中还画进了英国女皇、法兰西斯一世、土耳其苏丹、画家提香、丁托莱托和画家本人。据说，委罗内塞到了威尼斯以后，他发现这里的人们追求的并不是对宗教的虔诚，而是对生活的享乐，于是他饶有兴趣地把这些生活搬上了画面。 可以看出，委罗内塞在绘画上，尤其是装饰性绘画上取得的成就是巨大的。他的画有着灿烂的色彩和独具匠心的透视，构成了令人眩目的效果，这对于后来十七世纪巴洛克绘画的影响十分深远。 保罗．委罗内塞（Paolo Veronese，1528－1588）原名叫保罗．卡尔亚里，意大利威尼斯画派画家。以表现16世纪色彩丰富壮观的威尼斯场景的大型装饰画而著称。他出生于意大利威尼斯共和国维罗纳，在维罗纳和罗马求学，1533年奉召来到威尼斯装饰总督府的十人团会议厅。然后他留在威尼斯，与提香和丁托列托为作画委托展开竞争。艺术大师提香有两个伟大的弟子：丁托列托和委罗内塞，他们同时被誉为十六世纪意大利威尼斯画派三杰。"
+}

自然语言处理/nlp_learn/data/艺术详情/劳动归来-米勒.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "10、\n劳动归来 米勒 法国 布面油画 约1863年 80x100cm\n美国波士顿美术馆藏\n\n\n夕阳为画面抹一层金黄余晖，一对男女行走在归家路上，帽沿阴影遮住面部，因而面部模糊不清。画面宁静无声息，唯有男人的腿，似乎诉说什么。腿并不粗壮，却大步迈开，显示出动感和活力，也少了倦意和心事。倘若油画《劳动归来》是温暖的，除了其色调，还因为男人身边有一个女人。尽管女人位置不太显要，与男人比之不太突出。倘若没有女人，这幅画或许将不会那么耐读。 让·弗朗索瓦·米勒〔Jean Francois Millet 1814-1875〕，19世纪法国最杰出的以表现农民题材而著称的现实主义画家，法国近代绘画史上最受人民爱戴的画家，也是法国巴比松派的代表画家。出生在诺曼底省的一个农民家庭，青年时代种过田。他创作的作品以描绘农民的劳动和生活为主，具有浓郁的农村生活气息。他用新鲜的眼光去观察自然，反对当时学院派一些人认为高贵的绘画必须表现高贵人物的观念。他爱生活、爱劳动、爱农民。他在巴比松的第一幅代表作品是《播种者》。以后相继创作了《拾穗者》和《晚钟》等名作。他说：“我的一生中除去田野外我什么也没有看到过，我只想尽我的能力把它们表现出来 。”"
+}

自然语言处理/nlp_learn/data/艺术详情/包厢-弗里思.json

@@ -0,0 +1,4 @@
+{
+   "content": "145、包厢 弗里思 英国 1855年 34.9x45cm 布面油画 英国普雷斯顿哈里斯美术博物馆藏\n\n\n这幅画描绘的是剧院包厢里的一位年轻姑娘，她手持望远镜，可能是由于剧情或演员使她陷入深深的思绪中，这是一幅肖像性很强的风俗画。画中人物以半身特写姿式斜坐在画面上，画家着力描绘她的面容，尤其是一双深思的目光，其次是手,似乎手也在参与思考。单纯的暗背景衬托出了前景人物。画家以精湛的技巧描绘了人物衣着饰物的质量感，是一幅高度写实之作。",
+   "author": "威廉·鲍威尔·弗里思 (William Powell Frith 1819-1909年)，是英国19-20世纪初的维多利亚时期著名的现实主义画家。他于1819年1月9日生于约克郡的奥德弗尔德。1835年16岁时在萨斯绘画学校学习，18岁时入皇家美术学院。弗里思的早年创作多以文学作品为题材，如莫里埃和莎士比亚的作品，狄更斯对他的艺术十分赏识，这对他的发展有很大帮助。26岁时创作的《乡村牧羊人》使他饮誉画坛，因此被选为皇家美术学院院士。弗里思的艺术得以成功在于他描绘了英国的“尽情欢乐的百年时代”。他对这个时代的中产阶级的愉悦生活进行过认真的观察和记录，诸如海边假日、赛马旅游等，描绘了英国各阶层的人物形象。弗里思的现实主义创作和法国库尔贝有所不同。库尔贝是一种典型性和集中性的表现，是一种聚焦镜头，而弗里思是一种重叠性和附加性的描绘，是一种广角镜头。他把并不出现在同一时间的人和事附加在一块，作品中的细节的真实具有可读性。弗里思后期作品带有一定的批判现实主义成分，与荷加斯的讽刺艺术精神相似，都以动人的情节和夸张的感情描绘了维多利亚社会风情。弗里思不仅是杰出的风俗画家，也是优秀的肖像画家。1909年11月2日，90岁高龄的弗里思告别了人间。 "
+}

自然语言处理/nlp_learn/data/艺术详情/单人纸牌-巴尔蒂斯.json

@@ -0,0 +1,4 @@
+{
+   "content": "395、单人纸牌 巴尔蒂斯 法国 1943年 布面油画 90x80cm 私人收藏\n\n\n创作于1943年的《单人纸牌》，是巴尔蒂斯典型的少女摆姿势的模式。少女是巴尔蒂斯绘画的主旋律，她们摆着特殊的姿势，处于一种飘浮的状态，如同荷兰画家维米尔那样，巴尔蒂斯打开了进入女性内心世界的大门。这幅画又称《耐心牌》，打牌犹如画画都是需要耐心的。巴尔蒂斯画画很有耐心，一幅画一般要几个月到一两年才能完成，一年画不了几幅画，巴尔蒂斯说过：“画我经历过的，传递出我的感受，这就像一种伟大的解放。但这同时也是艰难的，需要大量的自我审视、良知、批评与挣扎。”",
+   "author": "巴尔蒂斯（Balthus，1908-2001），法国卓越的具象绘画大师，钟情于文艺复兴时期的古典艺术，毕加索称他为“20世纪最伟大画家”。1908年2月29日他出生在巴黎的一个波兰贵族家庭，父亲是一个美术史学家和画家，母亲也在绘画上很有建树。巴尔蒂斯是自学成功的画家，没有进过艺术学院，而是通过临摹名画直接体验绘画的本质。他成名甚早，1934年就在巴黎举办了首场个人画展，1983年巴黎蓬皮杜中心举行“向巴尔蒂斯致敬”的盛大回顾展。他的作品或冷漠、或平淡、或诡黠，似乎包含着一种莫名的思考，既广受推崇，又极富争议，那些描绘青春期少女的作品尤为如此。2001年2月18日，巴尔蒂斯以92岁高龄在瑞士去世，世界大报以“20世纪最后的巨匠”赞誉他的艺术成就。"
+}

自然语言处理/nlp_learn/data/艺术详情/卡尔约翰大街的夜晚-蒙克.json

@@ -0,0 +1,4 @@
+{
+   "content": "495、卡尔·约翰大街的夜晚 蒙克 挪威 1892年 布面油画 84.5x121cm 挪威卑尔根艺术博物馆\n\n\n这幅1892年创作的《卡尔·约翰大街的夜晚》是蒙克又一幅标志性的作品，给人一种强烈的血腥、恐怖、压抑、窒息的感受，标志着他风格的转折，显示出他表现主义画家的特质。画面上，可以看到，昏暗的黄昏，天边的云彩像流着的血河一样波浪起伏地挂在那里，让人感到毛骨悚然的恐怖和血腥，那流动的血水弥漫在头顶，想要铺天盖地一样让人窒息。黑色的群山仿佛是死亡的幽灵从远方向这里压来。一条让人看不到尽头的木桥上，一个骷髅头一样的人物正在无助惊恐，歇斯底里地大声呐喊着，他双手捂着耳朵，脸扭曲地变成了三角形，两个空洞洞的眼窝十分明显，模糊的身躯活像一个幽灵。蒙克解释说，画中的人物就是他自己。",
+   "author": "爱德华·蒙克（Edvard Munch，1863-1944），是具有世界声誉的挪威艺术家，西方现代表现主义绘画的先驱。他的绘画带有强烈的主观性和悲伤压抑的情调，毕加索、马蒂斯就曾吸收他的艺术养料。蒙克的绘画创作大约分为三个阶段：第一阶段是1880-1890年，受到法国印象派的影响，画风和印象派很接近。第二阶段1890-1908年是比较成熟多变的转型时期，创作了大量耳熟能详的《呐喊》、《圣母玛利亚》、《吸血鬼》等表现主义作品。第三阶段是1908年之后，精神分裂得到治疗，作品更倾向于对自然世界的喜爱，心境较为平和。蒙克一生创作了1700多幅油画、1800多件版画和4500多幅素描和水彩画等，对20世纪表现主义的成长影响重大。 "
+}

自然语言处理/nlp_learn/data/艺术详情/即兴31号-康定斯基.json

@@ -0,0 +1,4 @@
+{
+   "content": "161、\n即兴31号 康定斯基 俄国 1913 年 布面油画 140 × 120cm 华盛顿国家美术画廊\n\n这幅《即兴31 号》是画家抽象主义风格探索阶段的作品，也是一幅很迷人的作品。画面中只能看到各种颜色和线条的组合，玫瑰色、绯红、蔚蓝、黄色、橙色、紫色、翡翠色，还有黑色。抛开别的不说，没有人不会觉得它们明快而悦目，单纯地看着，就有许多愉悦在其中。在这幅画上，寻找任何的物象都是不现实和没有意义的，它展示给你的是心灵的情绪和感情的起伏，是一种潜在的、无法言传的精神舞蹈。康定斯基对色彩有一种特殊的偏爱和敏感，在他眼里，“色彩是琴键，眼睛是锤子，而心灵则是钢琴的琴弦。画家是弹琴的手，弹某个琴键，引发心灵的震颤”。",
+   "author": "瓦西里·康定斯基（1866～1944），俄国画家，世界公认的抽象主义绘画的鼻祖，也是杰出的艺术理论家、诗人、剧作家。出生于莫斯科一个茶商家庭。自幼喜爱绘画，并受到了良好的文化教育。后长期定居德国，从事绘画研究。曾担任“新艺术协会”主席，致力于推广各种不同的画风。1910 年以后，他的抽象主义绘画风格越来越明显。他的代表作有《湖上》、《黄·红·蓝》、《蔚蓝的天空》、《白色的线》、《即兴31 号》、《粉色的音调》等等。"
+}

自然语言处理/nlp_learn/data/艺术详情/吉内芙拉-达芬奇.json

@@ -0,0 +1,4 @@
+{
+   "content": "3\n93、\n吉内芙拉·德本奇 达芬奇 意大利 木板油画 1474年 39x37cm 美国国家美术馆收藏\n\n\n这是达芬奇最早的肖像画，这幅画表现了一位高傲的贵族少女，她花容月貌却冷若冰霜，几乎没有反光的双眸拒绝了观者和她沟通的可能。嘴唇的曲线表示出克制和不悦。左眼稍稍斜视，使漫无目标的神情更加明显。精微的鬈发像瀑布一样从光洁动人的额头两边流泻而下，背后是月桂和棕榈树，那尖尖的针叶与发鬈微妙的涡卷相互呼应，借喻了她尖刻的个性。这幅绝妙的肖像被文艺复兴时期的美术史家瓦萨里称为“精美的造物”。这幅画被美国国家美术馆收藏，是全美国收藏的唯一一幅达芬奇画。",
+   "author": "莱昂纳多·达·芬奇(Leonardo da Vinci 1452-1519)，是与拉斐尔，米开朗基罗齐名的意大利文艺复兴三杰之一，也是整个欧洲文艺复兴时期最完美的代表，人类历史上最伟大的画家。他生于佛罗伦萨郊区的芬奇小镇，因此取名叫芬奇。他是一位思想深邃，学识渊博、多才多艺的画家、寓言家、雕塑家、发明家、哲学家、音乐家、医学家、生物学家、地理学家、建筑工程师和军事工程师。达芬奇是一位天才，人类智慧的象征。他取得最大的成就是绘画，《最后的晚餐》是世界最著名的宗教画，《蒙娜丽莎》则为世界上最著名、最伟大的肖像画。这两件誉满全球的作品使达·芬奇的名字永垂青史。达芬奇晚年极少作画，潜心科学研究，他一生完成的绘画作品并不多，但件件都是不朽之作。其作品具有明显的个人风格，并善于将艺术创作和科学探讨结合起来，这在世界美术史上是独一无二的。"
+}

自然语言处理/nlp_learn/data/艺术详情/吉卜寨女郎-哈尔斯.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "62、吉卜寨女郎 1628-1630年 弗兰斯·哈尔斯 荷兰 58cm×63cm 布 油彩 巴黎　卢浮宫藏\n\n画家在这幅画中采用了明快的大笔触，以加强形象的表现力，并有意给这个到处漂泊的穷苦女郎增加快乐的情绪，以表现吉卜寨少女的热情、豪爽。这幅画与其说是肖像，不如说更象一幅风俗画。画中少女没有宫廷女性的矫揉造作，没有思想束缚，充满民间气息。画家以敏锐的观察力、娴熟的技巧和热烈的色调，把这个吉卜寨少女表现得神采飞扬，栩栩如生 。 弗朗斯·哈尔斯（约1581—1666）是荷兰现实主义画派的奠基人，也是17世纪荷兰杰出的肖像画家。1581年至1585年之间诞生于安特卫普一个毛纺工人家庭，大约1585年之后，随父母迁居荷兰，定居于哈勒姆终其一生。他年少时便拜在名画师门下，曾参加过反对西班牙帝国统治的荷兰独立战争，战争造就了他倔强孤傲且好酒恃才的性格，据说古怪的脾气使他在人前口碑很不好，曾经因为虐待第一任妻子被告上法庭，妻子也因为郁郁寡欢而早逝。哈尔斯终生都生活在社会下层，八十多岁时还因为生活所迫而接受美术家协会的补助，他和第二任妻子寄居在养老院中。但画家的毅力又是惊人的，一生在艺术的道路上勤勉不辍，创作了作品二百五十余幅。今天10荷兰盾钞票上的头像就是他。"
+}

自然语言处理/nlp_learn/data/艺术详情/吉尔斯曼娜像-谢洛夫.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "2\n1\n1、吉尔斯曼娜像 谢洛夫 俄国 1907年 140x140cm 布油彩 莫斯科特列恰科夫美术馆\n\n\n画家主要以黑、白、灰三种色调，描绘了吉尔斯曼娜的肖像。阳光斜射在她的面部与身上，微微右倾的身材高大健美，面目秀美冷俊，黑色的上衣衬托出她的面部、手臂与白色披巾，灰色的室内环境与人物的黑色服饰和谐统一，主次分明。画家以写实的手法、近乎浪漫的风格，表现了一位美丽女性的十足风韵。 瓦伦丁·亚历山德罗维奇·谢洛夫 V·A·Serov,(1865—1911年)出生于19世纪后期著名作曲家和音乐批评家谢洛夫之家，自幼爱好绘画，9岁时就师 从于大画家列宾，年青时又在皇家美术学院受到严格的绘画基础训练，为他成长奠定了基础 。　谢洛夫的创作题材多样，肖像画、历史画、风俗画、风景、插图和舞台美术无所不能，但他最出色的是肖像画。谢洛夫的绘画创作活动始于巡回展览画派极盛时期的80年代，列宾的艺术思想和绘画技巧给予他决定性的影响。　谢洛夫创作的后期，恰逢1905年之后画坛各种现代美术流派崛起，艺术界的创作现实也影响着谢洛夫，他曾尝试过某些新的表现手法，在艺术形式上作过大胆的探索。但是他对艺术的 真诚和执着，以及对祖国和大自然的热爱，最终形成了他的现实主义绘画特征，对后来苏联绘画艺术的发展，产生了巨大的影响。"
+}

自然语言处理/nlp_learn/data/艺术详情/吹笛少年-马奈.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "8、吹笛少年 马奈 油画 法国 1866年 160×98厘米 巴黎奥赛博物馆\n\n画中描绘的是近卫军乐队里的一位少年吹笛手的肖像。画家在探索形与色的统一时，注意到人物个性特征的刻画。在色彩上追求一种稳定的、几乎没有变化的亮面，然后突然转入暗部，将人物置于浅灰色、近乎平涂的明亮背景中进行描绘，用比较概括的色块将形体显示出来。在这幅画中没有阴影，没有视平线，没有轮廓线，以最小限度的主体层次来作画，否定了三度空间的深远感。杜米埃说过马奈的画平得像扑克牌一样。 爱德华·马奈(Edouard Manet 1832-1883年)，擅画巴黎生活。马奈是地道的巴黎人，出身于上流社会。父亲是法官，希望马奈也能成为律师或官员，但他执意学画。他的作品取材于巴黎的生活，主要是画那些在阳台上、公园里、赛马场、游船上的人们。他还是一位非常出色的肖像画家。在印象派初期，他表现了一个画派领袖的才干，是一位承前启后的大师。代表作品有《奥林匹亚》、《草地上的午餐》、《吹短笛的男孩》等。"
+}

自然语言处理/nlp_learn/data/艺术详情/吻-克里姆特.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "12、吻 克里姆特 奥地利 1908年 布面油画 180×180cm 　奥地利维也纳奥地利美术馆\n\n这是一幅表现爱的抽象主题寓意的杰作。在开满鲜花的草地上，男人轻柔地抱起女人的头，富有激情地亲吻着女主人公的脸颊。男人身上的装饰都是方正色块，由黑白黄三色方块构成，象征了男人棱角分明，坚强的特质。女人身上是感性的圆形图案与流动的线条，代表了女性的柔媚和温柔圆润。女人一条手臂搂着男人的脖颈，一只手紧抓着男人的手，闭着眼睛尽情享受着幸福的感觉。她的表情是迷醉的、满足的，甚至似乎还有些害怕这幸福时刻的结束。在画面形式营造上调动了各种艺术手段，诸如线条和色块的组合，色彩中掺入金粉，使画面呈现出美妙温馨的梦幻场景。 古斯塔夫·克里姆特（Gustav Klimt，1862～1918）维也纳分离派绘画大师奥地利画家。1862年7月14日生于维也纳郊区布姆加特，1918年2月6日卒于同地。早年受业于维也纳工艺学校。1890年加入维也纳美术家协会。作品吸收古埃及、希腊及中世纪诸艺术要素，将强调轮廓线的面和古典主义镶嵌画的平面结合起来，创造出一种独特的富有感染力的绘画样式。代表作为《埃赫特男爵夫人》。1897年退出维也纳美术家协会，另组织维也纳分离派。克里姆特的画作以绚烂的色彩和华丽的装饰效果闻名，他的画作也给了后人很多启发。 "
+}

自然语言处理/nlp_learn/data/艺术详情/吻-莫勒.json

@@ -0,0 +1,4 @@
+{
+   "content": "475、吻 莫勒 俄国 1840年 59x65cm 布面油画 圣彼得堡俄罗斯博物馆\n\n\n这幅画是画家28岁时的作品。画家以古典主义的严谨手法，描绘了男女青年的爱情之吻。对人物的描绘十分细腻逼真，并且以细微的观察力表现了女青年的惊恐与男青年的主动。吻的瞬间是出其不意的，又是甜蜜的。大胆的男子与羞涩的少女，热烈的拥抱和半推半就的神情手势，刻画得很生动。这是一幅带有肖像性的半身特写风俗画。作者莫勒 (1812-1874年)是俄国19世纪风俗画家，在他的画中已体现出现实主义精神。",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/呐喊-蒙克.json

@@ -0,0 +1,4 @@
+{
+   "content": "47、\n呐喊 蒙克 挪威 1893年 油画 90.8X73.7cm 私人收藏\n\n\n2012年5月2日，挪威画家蒙克的代表作《呐喊》在纽约苏富比拍卖会上以1.199亿美元的价格成交。在这幅画上，蒙克以极度夸张的笔法，描绘了一个变了形的尖叫的人物形象，把人类极端的孤独和苦闷，以及那种在无垠宇宙面前的恐惧之情，表现得淋漓尽致。关于这幅画的创作，蒙克自己曾有一段记述：“我和两个朋友一起去散步，太阳快要落山了，突然间，天空变得血一样的红，一阵忧伤涌上心头，我呆呆地伫立在栏杆旁。深蓝色的海湾和城市上方是血与火的空间，友人相继前进，我独自站在那里，这时我突然感到不可名状的恐怖和战栗，我觉得大自然中仿佛传来一声震撼宇宙的呐喊。”画家运用了奇特的造型和动荡不安的线条，燃烧的血红色彩云以及象征死亡的黑色，表现了画家内心的恐惧情感。",
+   "author": "爱德华·蒙克（Edvard Munch，1863年12月12日 - 1944年1月23日）是挪威表现主义画家和版画复制匠。伟大的挪威画家，现代表现主义绘画的先驱。爱德华·蒙克是具有世界声誉的挪威艺术家，他的绘画带有强烈的主观性和悲伤压抑的情调。毕加索、马蒂斯就曾吸收他的艺术养料，德国和法国的一些艺术家也从他的作品中得到启发。他对心理苦闷的强烈的，呼唤式的处理手法对20世纪初德国表现主义的成长起了主要的影响。 "
+}

自然语言处理/nlp_learn/data/艺术详情/哺乳圣母-达芬奇.json

@@ -0,0 +1,4 @@
+{
+   "content": "316、哺乳圣母 达芬奇 意大利 布面蛋彩画 1490年 33x42cm 现藏苏联艾尔米塔日博物馆\n\n\n这幅画描绘了作为女性的理想形象充满母爱的圣母。画家在这里更多强调的是一种母爱的普遍人性。形象丰满，神态恬静，洋溢着一种年轻母亲的温柔的爱子之心。圣母的脸部显露出达·芬奇所惯用的描绘公式,过分重视女性眼睛的块面结构(这在他以后的大量圣母像上都有表现)。圣母怀里的婴儿形象被画得很生动 ,但在这里仍然是色彩处理让位于解剖结构的合理性。总之,这一幅画是他前期肖像艺术的一个范例。这时期，达·芬奇所全神贯注的，正是他对人体描绘的科学研究。",
+   "author": "莱昂纳多·达·芬奇(Leonardo da Vinci 1452-1519)，是与拉斐尔，米开朗基罗齐名的意大利文艺复兴三杰之一，也是整个欧洲文艺复兴时期最完美的代表，人类历史上最伟大的画家。他生于佛罗伦萨郊区的芬奇小镇，因此取名叫芬奇。他是一位思想深邃，学识渊博、多才多艺的画家、寓言家、雕塑家、发明家、哲学家、音乐家、医学家、生物学家、地理学家、建筑工程师和军事工程师。达芬奇是一位天才，人类智慧的象征。他取得最大的成就是绘画，《最后的晚餐》是世界最著名的宗教画，《蒙娜丽莎》则为世界上最著名、最伟大的肖像画。这两件誉满全球的作品使达·芬奇的名字永垂青史。达芬奇晚年极少作画，潜心科学研究，他一生完成的绘画作品并不多，但件件都是不朽之作。其作品具有明显的个人风格，并善于将艺术创作和科学探讨结合起来，这在世界美术史上是独一无二的。"
+}

自然语言处理/nlp_learn/data/艺术详情/喷泉旁的罗马女孩-博纳特.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "192、喷泉旁的罗马女孩 博纳特 法国 1875年 布面油画 170.2x100.3cm 纽约大都会博物馆\n\n\n画中黑眼睛罗马少女是那么可爱，衣服那么鲜艳，她赤裸着的双脚与她的衣着是那么的般配，看起来，小女孩觉得赤脚比那穿上鞋或拖鞋舒服多了。在炎热的夏天，能喝上一口水，那真是美不可言。在意大利，中午时分的阳光是那么的炽热，于是，公共饮水喷泉就成了天赐之物。清冽凉爽的水从城外山中引进城市，从石头的出口处诱人地流淌着, 飞溅着。当这生命之流触到她那急切张开着的嘴唇时，几乎可以听见她长长地叹出一声：啊，上天赐予人类的最好的礼物之一：“水”！ 作者： 莱昂·博纳特(Leon Bonnat, 1833-1922) ，法国的肖像及历史画家。他最具有代表性的作品是他所创作的一系列当代名人的肖像和宗教画，除此之外他还制作了意大利乡村风俗画和少量的东方场景画作。他的创作风格给予了后世很大的影响，一些著名的画家也师承于他例如萨金特等。"
+}

自然语言处理/nlp_learn/data/艺术详情/四棵树-席勒.json

@@ -0,0 +1,4 @@
+{
+   "content": "453、\n四棵树 席勒 奥地利 布上油画 1917年 100.5x141cm 维也纳奥地利美术馆藏\n\n这是席勒生命最后阶段的作品，仍体现了他在艺术上不懈的探索。虽然是一幅风景，但含有一定的象征性。画面以暖色调为主，四棵红色叶子的树平行排列，其中的三棵看起来很相似，而左起第二棵则叶子疏落，有些凄凉之感，席勒可能是有寓意的。背景是黄色调渐变的落日的天空，前景是褐色的土山坡，可以感觉到席勒受到富于装饰性的东方艺术和后印象派的感染。",
+   "author": "埃贡·席勒（Egon Schiele 1890-1918）20世纪初奥地利绘画巨子，表现主义画家，维也纳分离派的重要代表。1890年出生于奥地利图尔恩，1906年16岁的席勒就读于维也纳艺术工商学校，1908年，席勒在克洛斯特新堡举办了第一场展览。1909年，在完成第三年的学业后，席勒离开学校，创办新艺术组织。1915年因为第一次世界大战，席勒被陆军征召。1917年，他回到维也纳，得以专心从事绘画工作。1918年席勒怀孕6个月的妻子死于西班牙流感，同年席勒也因传染上西班牙流感逝世于维也纳，年仅28岁。虽然埃贡·席勒在短暂的生命中处处显示出个性的桀骜不逊和对绘画成规的反抗。他用自己敏锐的直觉，真实地揭露人性的本质。席勒虽然像一个艺术“殉道者”一样饱尝苦难和嘲讽，但却以这种独特的艺术光辉照亮了欧洲艺坛，成为杰出的现代表现主义画家。"
+}

自然语言处理/nlp_learn/data/艺术详情/回头浪-霍默.json

@@ -0,0 +1,4 @@
+{
+   "content": "37\n7、\n回头浪 霍默 美国 1886年 布面油画 76x121cm 现藏于美国克拉克美术学院\n\n\n这幅画是霍默以海洋生活为题材的重要作品。它与油画《救生索》并存为两大代表作。题材取自大西洋城附近一次“铁皇冠”号海上遇险事件。霍默自从画海以来经常随船出海，去体验海上艰苦的捕捞生活，并画了许多写生稿。《回头浪》一画，是在另一幅油画《救生索》的素材基础上酝酿而成的划时代的作品。为揭示这种海上遇险的生活情景。他去新泽西州作过实地观察。后又经多次构思，使画稿上所描绘的事件避免了地点的具体性。即是说，霍默不想把油画画成某次海难记录，而要表现出沉船发生以后，救生者那种临危不惧的精神状态。他选择了一乘客被营救者从船上救下后正运往救生船时的紧张时刻。",
+   "author": "温斯洛·霍默（Winslow Homer，1836—1910年），是一位将19世纪美国风俗画推向巅峰的画家，他以渔民、劳动妇女、士兵、水手等为其描绘的题材，反映了19世纪后期至20世纪初美国社会人们的生活和艰辛的劳动。霍默1836年2月24日出生于波士顿一个中产阶级的家庭。父亲是位商人，母亲是个业余美术爱好者。霍默从小得到良好的艺术熏陶，19岁时，在波士顿一个版画印刷店做学徒，两年后，走上职业绘画的道路，为刚创办的《哈泼周刊》供稿和为该刊的文字稿插图，并因此而小有名气。但他并不满足于此，1859年秋天，霍默由波士顿迁往纽约，进入纽约的国立美术学院学习，同时向油画家弗雷德里克·龙德学习油画。霍默是一位善于独立思考的艺术家，就像他自己所说的：“如果一个人将来想成为画家，他千万不要去看别人的画。”他是这么说的，同时更是这么做的。19世纪六七十年代法国印象派崛起的时候，他没有像其他人那样迷恋印象派，而是按照自己的思想来表现自己想要表现的事物。从霍默留存的作品看，霍默敏锐的观察力和善于创造装饰表现的能力，是完全可以和法国印象派大师们媲美的。"
+}

自然语言处理/nlp_learn/data/艺术详情/国王的悲伤-马蒂斯.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": ""
+}

自然语言处理/nlp_learn/data/艺术详情/土耳其浴室-安格尔.json

@@ -0,0 +1,4 @@
+{
+   "content": "499、土耳其浴室 安格尔 法国 1862年 布面油画 直径108厘米 巴黎卢浮宫藏\n\n\n这幅《土耳其浴室》在描写女性人体技巧方面达到了顶峰。画面上，一群在土耳其宫廷浴室里的少女，正悠闲自在地享受沐浴给她们带来的欢乐。 安格尔用熟练的笔触，优美的线条，柔和、富有变化的色彩，画出约 1-个女人体。她们在浴室中的不同动势和情态，组成一幅统一和谐的生活画面，这充分显示了画家的匠心独运。他有意在浴女中安插了一个黑人侍女，更加强了画面色彩的对比效果。《土耳其浴室》不仅给人们展示了女人的曲线和青春的活力，它还使人们感受到一种诗意、一种旋律，让人享受到安格尔绘画艺术的甜美。通过《土耳其浴室》的创作过程，人们还可以了解安格尔对艺术尽善尽美的追求。画面最初的构思是方形的，后来变成圆形。此外，画中人物的变化也很大，如靠近黑人侍女的 4个坐姿人体，以及正在入水的浴女都是后来加上的。由此可见安格尔创作态度的严肃认真。",
+   "author": "让·奥古斯特·多米尼克·安格尔（Jean Auguste Dominique Ingres，1780—1867），是继大卫之后法国新古典主义画派的最后代表。安格尔出生于法国西南部，从小就受到良好的艺术熏陶，在美术和音乐方面都颇有天赋。安格尔17岁到大卫画室学习，得到真传。两年后考入美术学院，获罗马大奖。5年后去罗马，把拉斐尔作为毕生崇拜的对象。其作品工整细致，用色鲜明和谐。曾两次去意大利长时间研究古典美术；在本国曾任巴黎艺术学院的教授多年。安格尔的声誉如日中天时，也正是古典主义面临终结，浪漫主义崛起的时代，他和新生的浪漫主义代表人德拉克洛瓦之间发生许多次辩论，浪漫主义强调色彩的运用，古典主义则强调轮廓的完整和构图的严谨，安格尔把持的美术学院对新生的各种画风嗤之以鼻，形成学院派风格。"
+}

自然语言处理/nlp_learn/data/艺术详情/圣佩尔山割麦人-莱尔米特.json

@@ -0,0 +1,4 @@
+{
+   "content": "",
+   "author": "253、圣佩尔山的割麦人 莱尔米特 法国 1883年 画布油画 76.80×97.20厘米\n\n\n1880年后，画家用几张大幅描绘家乡圣佩尔山乡亲们生活和劳作的画作参展并大获成功，其中就有这幅《圣佩尔山的割麦人》。特别值得一提的是，莱尔米特几次将同样的人物画进作品里，几幅画里的面孔完全可以辨识。这幅画的割麦人就是一个名叫喀什米·德罕的农夫，沉重的劳作后正在休息，对身旁两位粗壮农妇的交谈不理不睬。 莱昂·奥古斯丁·莱尔米特（Leon Augustin LHermitte，1844-1925），出生在法国皮卡第大区的埃纳省，并在那里生活了20年。这正是他眷恋农村生活，几乎所有的作品都用来描绘农事劳作的原因。1874年在法国沙龙取得成功之前，他一直往返于法国和英国之间，靠卖画为生。1880年后，他用几张大幅描绘家乡圣佩尔山乡亲们生活和劳作的画作参展并大获成功，其中就有这幅《圣佩尔山的割麦人》。"
+}

自然语言处理/nlp_learn/data/艺术详情/圣母子与圣安娜-达芬奇.json

@@ -0,0 +1,4 @@
+{
+   "content": "424、圣母子与圣安娜 达芬奇 意大利 木板油彩画 1512年 168x130cm 巴黎卢浮宫藏\n\n在这幅画中，画家达芬奇让圣母马利亚坐在她母亲的膝上，外祖母圣安娜虽然也很年轻，但仍感到圣母的身躯太大些，她难以承受如此重量。可是圣安妮脸上展现的笑容，是对着眼前那个顽皮的小外孙--耶稣(耶稣正从母亲的手中挣脱下来，想要骑在羔羊身上)而发出的，马利亚倒象坐在安乐椅上那样，毫不介意地伸手要去抱耶稣。这种情绪传递看起来好像不很协调，却生动表现了一家人的自然和谐。如果仔细观察，圣安娜与圣母子，三个人的眼神是各不相同，圣安娜是慈祥，圣母是摒弃感情的圣洁，而圣子则是超越年龄和活动的慈爱和坚毅。这种细致的刻画，将这一幅与其他家庭场景区分开来，看到他的人会第一时间感到它的与众不同，亦是不可言喻的神圣和光辉充满画面。",
+   "author": "莱昂纳多·达·芬奇(Leonardo da Vinci 1452-1519)，是与拉斐尔，米开朗基罗齐名的意大利文艺复兴三杰之一，也是整个欧洲文艺复兴时期最完美的代表，人类历史上最伟大的画家。他生于佛罗伦萨郊区的芬奇小镇，因此取名叫芬奇。他是一位思想深邃，学识渊博、多才多艺的画家、寓言家、雕塑家、发明家、哲学家、音乐家、医学家、生物学家、地理学家、建筑工程师和军事工程师。达芬奇是一位天才，人类智慧的象征。他取得最大的成就是绘画，《最后的晚餐》是世界最著名的宗教画，《蒙娜丽莎》则为世界上最著名、最伟大的肖像画。这两件誉满全球的作品使达·芬奇的名字永垂青史。达芬奇晚年极少作画，潜心科学研究，他一生完成的绘画作品并不多，但件件都是不朽之作。其作品具有明显的个人风格，并善于将艺术创作和科学探讨结合起来，这在世界美术史上是独一无二的。"
+}

自然语言处理/nlp_learn/data/艺术详情/圣母报喜-巴托尼.json

@@ -0,0 +1,4 @@
+{
+   "content": "168、\n圣母报喜 巴托尼 意大利 1741年 布面油画 100x60cm 巴黎卢浮官藏\n\n这是画家借圣母题材而创作的一幅无与伦比的美女图。圣母怀孕是传统的题材，这幅画不同之处在于除了圣母含羞的表情和双手合于胸的手势暗示有孕外，没有天使来报的画面。巴托尼的画，在古典的风格中，透露着现实的美。他的作品充满“个人的文化”,极富个性,深得上流人士的青睐。18世纪，许多富有的有识之士迷恋于欧洲大旅行,旅行中的一项内容就是请当时首屈一指的肖像大师巴托尼为他们作画。",
+   "author": "庞培奥·巴托尼（Pompeo Batoni 1708-1787），意大利著名画家，被称为是18世纪罗马的“画家王子”。正如他为神话与寓言作画一样，巴托尼的艺术始终跟随着缪斯的优雅身影。他借鉴了提香的绘画风格，注重细节，色彩明丽，绘画技巧娴熟，画面无可挑剔。在古典的风格中，透露着现实的美，把绘画技艺带进了一个新的领地，是意大利艺术史上最伟大的画家之一。"
+}

自然语言处理/nlp_learn/data/艺术详情/圣羊的礼赞-凡艾克.json

@@ -0,0 +1,4 @@
+{
+   "content": "420、圣羊的礼赞 凡艾克 尼德兰 1425-1429年 木板油画 137.7x242.3cm 根特圣巴蒙教堂藏\n\n\n这幅《圣羊的礼赞》是根特祭坛画之一，24幅画面中最大的一幅。在宏伟的风景中，展开了一幅崇拜圣灵羔羊的场面。画幅正中一只白羊立于祭坛上，从它胸部流出的血正注入金酒杯中。羊四周围绕着天使，一口大井旁跪着或站着哲学家，预言家、王子和圣徒，远处的左侧有一群主教，右侧是一组圣女，天空出现了圣灵的光辉，他们全都在期待着耶稣的归来。画家在这幅画中仔细地描绘了自然景色、空间透视、光线的变化，对众多的人物也进行了逐一的刻画。由于采用了油画描绘，使画面色彩显得特别透明鲜艳。",
+   "author": "扬·凡·艾克（Jan Van Eyck，1385－1441）杨·凡·艾克及其兄胡伯特·凡·艾克（1370－1426）是十五世纪时尼德兰的大画家。他的重大贡献是在前人的基础上，对油画颜料作了最后的改进。他把颜料直接和稀释油调和运用，使过去必须一次画完的胶粉画法，和不完善的油、胶画法，彻底改变为近代油画画法：可以多次敷色，用笔自如，易于涂改，使油画色彩丰富漂亮。这一画法传到意大利，使威尼斯画派大受其益。作品内容虽是宗教的，但画幅中对人物和景色的描绘、色调和质感的表现，体现了尼德兰画派的人文主义思想，对以后的欧洲绘画发展颇有影响。"
+}

自然语言处理/nlp_learn/data/艺术详情/在世界边缘上-保罗凯利勒.json

@@ -0,0 +1,4 @@
+{
+   "content": "465、\n在世界的边缘上 保罗凯利 加拿大 2012年 布面油画 70x70cm 私人收藏\n\n在这世界边缘的海边，一个年轻的女孩也许从远方匆匆赶来，随身带的行李箱搁在沙滩上当凳子，来不及慢慢脱鞋，一只鞋随手扔在沙滩上，天气很热，匆忙脱下红色外衣铺在箱子上当垫子，撑一把黑伞，半裸着上身，斜坐在箱子上，目光眺望的前方是滚动的海浪和翻卷的云朵，这是怎样的一幅情景啊！当然无论什么主题绘画就是感官艺术，其结果不外乎是透过感官--绘画艺术这一基本形式，来营造神秘的、无法用语言表达的感官“情欲美”的情结--视觉艺术美。",
+   "author": "保罗凯利（Paul Kelley 1955-）加拿大艺术家， 1955年出生于加拿大新斯科舍省。1973年-1975年在爱里森萨克维尔大学（Mount Allison University）学习。保罗与妻子和家人现住在新斯科舍省的拉哈夫老宅子里。喜欢与家人和朋友在一起跑步、划船。保罗艺术是一种爱的劳作结果，每幅作品都涉及在创造一个充满激情和诱惑形象的过程。首先对物体的光线、色彩和构图的精心安排，接着在数百个小时中，将以理性“感官美”和感性“情欲美”的微妙差异，找到表达的途径。 "
+}

自然语言处理/nlp_learn/data/艺术详情/在克里米亚山上-瓦西里耶.json

@@ -0,0 +1,4 @@
+{
+   "content": "474、在克里米亚山上 瓦西里耶夫 俄罗斯 1873年 布面油画 116x90cm 莫斯科特列季亚科夫美术博物馆\n\n\n这是画家临终前的杰作。画家以黄色为基调进行推演，展示了一个辽远的空间。近景以牛车为主，山坡上点缀以几株松树；远景是茫茫的群山。克里米亚是著名的风景胜地，画家以抒情的手法，描绘了山间的土路、缓行的牛车、山坡上松树等。运用虚实手法，把画面推向遥远，展示了克里米亚绮丽的风光。2014年3月21日，俄罗斯总统普京签署克里米亚共和国加入俄联邦的总统法令，宣布克里米亚完成了所有入俄法律程序。",
+   "author": "作者：费奥多尔·亚历山德罗维奇·瓦西里耶夫（Fioclor Aleksanclrovich Vasiliev 1850-1873年），俄国19世纪后半期优秀的风景画家，1850年2月22日出生于加特契纳，父亲是一名邮局职员，他的父母四年后结婚了，所以他一直被认为是私生子。他从12岁开始谋生，他曾是一名邮递员、抄写员和图片修复师的助手，1865年父亲去世后，他成了这个家庭的唯一支持者。从1863年到1867年，他在艺术家协会的绘画学院学习，师从风景大师希施金。他的风景画题材多选自农村田野，富有抒情意趣，也浅藏着淡淡的哀愁。代表作有《雨后》、《融雪》、《农村的街道》等，充满浪漫主义激情，具有抒情和叙事的特征。《在克里米亚山上》，是瓦西里耶夫的最后一幅创作，它以银灰色的调子描绘山区景色，山坡上的孤松和远处的雾气，烘托出作品的凄凉气氛。他从事绘画创作只有短暂的几年时间，不幸在23岁时得肺结核病绝笔于世。"
+}

自然语言处理/nlp_learn/data/艺术详情/在公园里-莫里索.json

@@ -0,0 +1,4 @@
+{
+   "content": "190、\n在公园里 莫里索 法国 油画 1874年 彩色粉笔画 73×92厘米\n\n青草和野花也沐浴着母爱的光芒，草香和花香伴着孩子甜蜜的笑容。一条小黑狗望着慈爱的女人，女人的怀里躺着可爱的孩子。这儿，朴素的生命多么美，宁静的氛围多么和谐。",
+   "author": "贝尔特·莫里索（Berthe Morisot,1841--1895）是法国印象派团体中不可或缺的人物和最出色的女画家。莫里索1841年生于法国布兰热一个颇有声望的官吏家庭，其祖父为著名画家弗拉戈纳尔，父亲是高级军官。莫里索最初跟随学院派画家吉夏尔学画，后来师从卡米耶·柯罗。19岁时与画家德华·马奈相遇。马奈对莫里索高贵典雅的气质极为欣赏，从此莫里索的形象屡屡出现在马奈的作品中。而莫里索也深受马奈艺术观的影响，成为一位印象派画家。她的作品大多以家庭生活为题材，笔触流畅，情感细腻，是位擅长撷取生活诗意的画家。"
+}

自然语言处理/nlp_learn/data/艺术详情/在和平田野上-梅尔尼科夫.json

@@ -0,0 +1,4 @@
+{
+   "content": "447、\n在和平的田野上 梅尔尼科夫 俄罗斯 布面油画 1950年 200x400cm\n\n\n这是一幅获得前苏联最高荣誉奖的作品。1950年，\n梅尔尼科夫\n创作了大型油画《在和平的田野上》,这时正值第二次世界大战结束不久，是人们对和平生活的重建充满向往的年代。梅尔尼科夫以清纯、明丽的色彩，描绘了俄罗斯北方割草季节大自然的绮丽风光：蓝天、白云、遍地绿草，野花在草丛中摇曳争艳。一群农妇扛着犁耙，欢快地走在田野上。强烈的生活气息和新颖的画法，博得美术界和大众的喝彩。整个画面似一首对劳动、生活和大地之美的赞歌。此画通过评委会的一致提名，梅尔尼科夫获得了文艺界最高荣誉的斯大林文艺奖。",
+   "author": "安德烈·梅尔尼科夫（1919－2012）：俄罗斯现实主义油画大师，曾多次获前苏联国家斯大林奖金和勋章，并获得了国家艺术最高奖——列宁奖章，获得前苏联人民艺术家称号，美术界公认的艺术泰斗。梅尔尼科夫早年毕业于列宾美术学院，并留院任教，1946年创作的《波罗的海海军的誓言》是他的成名作。梅尔尼科夫所具有的绘画天赋，特别是在表现性的写实绘画风格上的创新，使他在战后俄罗斯画坛崛起，成为俄罗斯画派的领军人物。他的《在和平的田野上》、《觉醒》、《告别》等大型油画作品，已载入俄罗斯艺术史册，并把苏联时期的现实主义绘画艺术推向了一个新的高峰。其画风影响整个俄国画坛，并波及东欧及新中国。 "
+}