项目整体框架预览
1. 数据准备
创建一个新的项目目录结构,并设置所需的文件。首先让我们创建一个项目目录:
mkdir poetry_analysiscd poetry_analysis现在我们来创建项目所需的文件poetry_analysis/README.md:
# 古诗词理解与推理评测系统
这是一个基于vllm部署Qwen模型的古诗词理解与推理评测系统。系统能够解析古诗词，提供关键词解释、句子含义分析以及情感分类。
## 环境要求
- Python 3.8+
- CUDA 支持（用于GPU加速）
- 足够的GPU显存（建议至少16GB）
## 安装依赖
```bash
pip install -r requirements.txt
```
## 项目结构
```
poetry_analysis/
├── README.md
├── requirements.txt
├── data/
│ ├── train.json # 训练数据
│ └── test.json # 测试数据
├── src/
│ ├── inference.py # 主推理代码
│ └── utils.py # 工具函数
└── output/ # 输出结果目录
```
## 使用方法
1. 准备数据
- 将训练数据放在 `data/train.json`
- 将测试数据放在 `data/test.json`
2. 运行评测
```bash
python src/inference.py
```
3. 查看结果
- 结果将保存在 `output/submit.json` 文件中
## 输出格式
输出文件为JSON格式，包含以下字段：
- idx: 数据索引
- ans_qa_words: 关键词解释
- ans_qa_sents: 句子解释
- choose_id: 情感分类结果
## 注意事项
1. 首次运行时会自动下载Qwen模型，请确保网络连接正常
2. 建议使用GPU进行推理，CPU推理速度会较慢
3. 可以在inference.py中调整模型参数和推理设置创建项目目录结构:
mkdir -p poetry_analysis/{data,src,output}创建poetry_analysis/requirements.txt:
vllm>=0.2.0
transformers>=4.30.0
torch>=2.0.0
numpy>=1.20.0
tqdm>=4.65.0
accelerate>=0.20.0
sentencepiece>=0.1.99创建工具函数文件poetry_analysis/src/utils.py:
import json
import re
from typing import Dict, List, Any
def load_json_file(file_path: str) -> List[Dict[str, Any]]:
"""
加载JSON文件
"""
with open(file_path, 'r', encoding='utf-8') as f:
return json.load(f)
def save_json_file(data: List[Dict[str, Any]], file_path: str) -> None:
"""
保存JSON文件
"""
with open(file_path, 'w', encoding='utf-8') as f:
json.dump(data, f, ensure_ascii=False, indent=4)
def extract_word_explanation(response: str, word: str) -> str:
"""
从模型响应中提取关键词解释
"""
pattern = f"{word}[:：](.*?)(?=\n|$)"
match = re.search(pattern, response)
if match:
return match.group(1).strip()
return ""
def extract_sentence_explanation(response: str, sentence: str) -> str:
"""
从模型响应中提取句子解释
"""
# 处理可能的特殊字符
sentence = re.escape(sentence)
pattern = f"{sentence}[:：](.*?)(?=\n|$)"
match = re.search(pattern, response)
if match:
return match.group(1).strip()
return ""
def extract_emotion_choice(response: str) -> int:
"""
从模型响应中提取情感选择
返回选项的索引(0-3对应A-D)
"""
pattern = r"情感选择[:：]\s*([A-D])"
match = re.search(pattern, response)
if match:
choice = match.group(1)
return ord(choice) - ord('A')
return -1 # 返回-1表示未找到有效选择创建改进版的推理代码poetry_analysis/src/inference.py:
from vllm import LLM, SamplingParams
import os
from tqdm import tqdm
from utils import (
load_json_file,
save_json_file,
extract_word_explanation,
extract_sentence_explanation,
extract_emotion_choice
)
class PoetryAnalyzer:
def __init__(self, model_name="Qwen/Qwen-7B-Chat"):
"""
初始化诗词分析器
"""
self.model_name = model_name
self.llm = None
self.sampling_params = SamplingParams(
temperature=0.7,
top_p=0.95,
max_tokens=1024,
stop=None
)
def load_model(self):
"""
加载模型
"""
print(f"正在加载模型 {self.model_name}...")
self.llm = LLM(model=self.model_name)
print("模型加载完成！")
def generate_prompt(self, data):
"""
生成提示词
"""
prompt = f"""作为一位古诗词专家，请分析以下古诗词：
标题：{data['title']}
作者：{data['author']}
内容：{data['content']}
请完成以下三个任务：
1. 解释下列关键词的含义（每个词给出简明扼要的解释）：
{', '.join(data['qa_words'])}
2. 解释下列句子的含义（每句话给出完整的解释）：
{', '.join(data['qa_sents'])}
3. 这首诗表达的情感是：{data['choose']}中的哪一个？
请按照以下格式回答：
关键词解释：
{data['qa_words'][0]}：[解释]
{' '.join([word + '：[解释]' for word in data['qa_words'][1:]])}
句子解释：
{data['qa_sents'][0]}：[解释]
{' '.join([sent + '：[解释]' for sent in data['qa_sents'][1:]])}
情感选择：[选项字母]
注意：
1. 解释要准确、简洁
2. 每个关键词和句子都必须给出解释
3. 情感选择必须是选项中的一个字母
"""
return prompt
def parse_response(self, response, data):
"""
解析模型输出的回答
"""
result = {
"ans_qa_words": {},
"ans_qa_sents": {},
"choose_id": -1
}
# 解析关键词解释
for word in data['qa_words']:
explanation = extract_word_explanation(response, word)
result["ans_qa_words"][word] = explanation
# 解析句子解释
for sent in data['qa_sents']:
explanation = extract_sentence_explanation(response, sent)
result["ans_qa_sents"][sent] = explanation
# 解析情感选择
result["choose_id"] = extract_emotion_choice(response)
return result
def process_single_poem(self, data):
"""
处理单个诗词
"""
prompt = self.generate_prompt(data)
outputs = self.llm.generate([prompt], self.sampling_params)
response = outputs[0].outputs[0].text
return self.parse_response(response, data)
def run_analysis(self, test_file, output_file):
"""
运行分析
"""
if self.llm is None:
self.load_model()
print(f"正在读取测试数据: {test_file}")
test_data = load_json_file(test_file)
results = []
print("开始处理诗词...")
for idx, data in enumerate(tqdm(test_data)):
try:
result = self.process_single_poem(data)
result["idx"] = idx
results.append(result)
except Exception as e:
print(f"处理第{idx}首诗词时出错: {str(e)}")
# 添加空结果以保持索引对应
results.append({
"idx": idx,
"ans_qa_words": {word: "" for word in data['qa_words']},
"ans_qa_sents": {sent: "" for sent in data['qa_sents']},
"choose_id": -1
})
print(f"正在保存结果到: {output_file}")
save_json_file(results, output_file)
print("处理完成！")
def main():
# 设置文件路径
base_dir = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
test_file = os.path.join(base_dir, "data", "test.json")
output_file = os.path.join(base_dir, "output", "submit.json")
# 创建分析器实例
analyzer = PoetryAnalyzer()
# 运行分析
analyzer.run_analysis(test_file, output_file)
if __name__ == "__main__":
main()现在我已经为您创建了一个完整的项目结构，包括：
项目目录结构：
poetry_analysis/
├── README.md # 项目说明文档
├── requirements.txt # 项目依赖
├── data/ # 数据目录
│ ├── train.json # 训练数据
│ └── test.json # 测试数据
├── src/ # 源代码目录
│ ├── inference.py # 主推理代码
│ └── utils.py # 工具函数
└── output/ # 输出结果目录使用方法：
- 首先安装依赖
cd poetry_analysis pip install -r requirements.txt - 运行推理：
python src/inference.py - 结果将保存在 output/submit.json
2. few-shot Prompt设计
目标：在每个测试样本的prompt前插入若干训练样例，提升模型表现。
poetry_analysis/src/inference.py
from vllm import LLM, SamplingParams
import os
from tqdm import tqdm
from utils import (
load_json_file,
save_json_file,
extract_word_explanation,
extract_sentence_explanation,
extract_emotion_choice
)
import random
class PoetryAnalyzer:
def __init__(self, model_name="/hy-tmp/Qwen-7B-Chat", train_data_path=None, num_shots=3):
"""
初始化诗词分析器
"""
self.model_name = model_name
self.llm = None
self.sampling_params = SamplingParams(
temperature=0.7,
top_p=0.95,
max_tokens=1024,
stop=None
)
self.num_shots = num_shots
self.train_data = []
if train_data_path and os.path.exists(train_data_path):
self.train_data = load_json_file(train_data_path)
def load_model(self):
"""
加载模型
"""
print(f"正在加载模型 {self.model_name}...")
self.llm = LLM(model=self.model_name, trust_remote_code=True)
print("模型加载完成！")
def generate_few_shot_examples(self):
"""
随机选取few-shot训练样例，格式化为prompt片段
"""
if not self.train_data or self.num_shots == 0:
return ""
examples = random.sample(self.train_data, min(self.num_shots, len(self.train_data)))
shots = []
for ex in examples:
shot = (
f"【示例】\n"
f"标题：{ex['title']}\n"
f"作者：{ex.get('author', '')}\n"
f"内容：{ex['content']}\n"
f"关键词解释：\n"
)
for k, v in ex['keywords'].items():
shot += f"{k}: {v}\n"
shot += f"白话文：{ex.get('trans', '')}\n"
shot += f"情感：{ex.get('emotion', '')}\n"
shots.append(shot)
return "\n".join(shots)
def generate_prompt(self, data):
"""
生成带few-shot的提示词
"""
few_shot = self.generate_few_shot_examples()
prompt = f"""{few_shot}\n【待分析】\n标题：{data['title']}\n作者：{data.get('author', '')}\n内容：{data['content']}\n\n请完成以下三个任务：\n\n1. 解释下列关键词的含义（每个词给出简明扼要的解释）：\n{', '.join(data['qa_words'])}\n\n2. 解释下列句子的含义（每句话给出完整的解释）：\n{', '.join(data['qa_sents'])}\n\n3. 这首诗表达的情感是：{data['choose']}中的哪一个？\n\n请按照以下格式回答：\n\n关键词解释：\n{data['qa_words'][0]}：[解释]\n{' '.join([word + '：[解释]' for word in data['qa_words'][1:]])}\n\n句子解释：\n{data['qa_sents'][0]}：[解释]\n{' '.join([sent + '：[解释]' for sent in data['qa_sents'][1:]])}\n\n情感选择：[选项字母]\n\n注意：\n1. 解释要准确、简洁\n2. 每个关键词和句子都必须给出解释\n3. 情感选择必须是选项中的一个字母\n"""
return prompt
def parse_response(self, response, data):
"""
解析模型输出的回答
"""
result = {
"ans_qa_words": {},
"ans_qa_sents": {},
"choose_id": -1
}
# 解析关键词解释
for word in data['qa_words']:
explanation = extract_word_explanation(response, word)
result["ans_qa_words"][word] = explanation
# 解析句子解释
for sent in data['qa_sents']:
explanation = extract_sentence_explanation(response, sent)
result["ans_qa_sents"][sent] = explanation
# 解析情感选择
result["choose_id"] = extract_emotion_choice(response)
return result
def process_single_poem(self, data):
"""
处理单个诗词
"""
prompt = self.generate_prompt(data)
outputs = self.llm.generate([prompt], self.sampling_params)
response = outputs[0].outputs[0].text
return self.parse_response(response, data)
def run_analysis(self, test_file, output_file):
"""
运行分析
"""
if self.llm is None:
self.load_model()
print(f"正在读取测试数据: {test_file}")
test_data = load_json_file(test_file)
results = []
print("开始处理诗词...")
for idx, data in enumerate(tqdm(test_data)):
try:
result = self.process_single_poem(data)
result["idx"] = idx
results.append(result)
except Exception as e:
print(f"处理第{idx}首诗词时出错: {str(e)}")
# 添加空结果以保持索引对应
results.append({
"idx": idx,
"ans_qa_words": {word: "" for word in data['qa_words']},
"ans_qa_sents": {sent: "" for sent in data['qa_sents']},
"choose_id": -1
})
print(f"正在保存结果到: {output_file}")
save_json_file(results, output_file)
print("处理完成！")
def main():
# 设置文件路径
test_file = "data/test.json"
output_file = "output/submit.json"
train_file = "data/train.json"
# 创建分析器实例，传入训练集路径
analyzer = PoetryAnalyzer(train_data_path=train_file, num_shots=3)
# 运行分析
analyzer.run_analysis(test_file, output_file)
if __name__ == "__main__":
main() 如需调整few-shot数量，只需修改num_shots参数即可。例如：PoetryAnalyzer(train_data_path=train_file, num_shots=5)。
3. 模型推理
目标：用vllm+Qwen-7B批量推理。
部署vllm
安装环境依赖
pip install -r requirements.txt安装完成后，可以用以下命令检查 vllm 是否安装成功：
python -c "import vllm; print(vllm.__version__)"使用Modelscope将模型下载到服务器
pip install modelscopemodelscope download qwen/Qwen-7B-Chat将模型移动到数据盘 /hy-tmp/Qwen-7B-Chat 下，
mv ~/.cache/modelscope/hub/models/qwen/Qwen-7B-Chat /hy-tmp/
由于我们将Qwen模型移动到了数据盘下，需要在代码poetry_analysis/src/inference.py中指定新的本地模型路径
analyzer = PoetryAnalyzer(model_name="/hy-tmp/Qwen-7B-Chat", train_data_path=train_file, num_shots=3)src/inference.py已实现批量推理。只需运行：
python src/inference.py预测输出如下
[
{
"ans_qa_words": {
"衰草": "",
"故关": "",
"风尘": ""
},
"ans_qa_sents": {
"故关衰草遍，离别自堪悲": "",
"掩泪空相向，风尘何处期。": ""
},
"choose_id": -1,
"idx": 0
},
{
"ans_qa_words": {
"窥": "",
"牧马": "至今，指从现在起；窥，偷看；牧马，放牧马匹；临洮，古代地名，位于今甘肃省临洮县。",
"临洮": ""
},
"ans_qa_sents": {
"至今窥牧马": "至今，指从现在起；窥，偷看；牧马，放牧马匹；临洮，古代地名，位于今甘肃省临洮县。",
"不敢过临洮": ""
},
"choose_id": -1,
"idx": 1
},
{
"ans_qa_words": {
"回合": "",
"阑": "",
"离人": ""
},
"ans_qa_sents": {
"别梦依依到谢家": "",
"犹为离人照落花": ""
},
"choose_id": -1,
"idx": 2
},
{
"ans_qa_words": {
"涕": "眼泪。",
"却看": "回头看。",
"纵酒": "尽情饮酒。"
},
"ans_qa_sents": {
"剑外忽传收蓟北，初闻涕泪满衣裳。": "忽然听说收复了蓟北，（杜甫）听闻这个消息后悲喜交加，泪流满面。",
"白日放歌须纵酒，青春作伴好还乡。": "在晴朗的日子里放声高歌，尽情饮酒，年轻的朋友们作伴一起回到故乡。"
},
"choose_id": 3,
"idx": 3
},
{
"ans_qa_words": {
"一日程": "",
"估客": "",
"鼓鼙": ""
},
"ans_qa_sents": {
"估客昼眠知浪静，舟人夜语觉潮生。": "",
"三湘衰鬓逢秋色，万里归心对月明。": ""
},
"choose_id": -1,
"idx": 4
},
{
"ans_qa_words": {
"长乐宫": "",
"宫莺": ""
},
"ans_qa_sents": {
"长乐宫连上苑春": "",
"君门一入无由出": ""
},
"choose_id": -1,
"idx": 5
},
{
"ans_qa_words": {
"鸿雁": "大型候鸟，秋天南飞，春天北归，常常被视为传递消息的使者。",
"江湖": "古代泛指广大无边的水域，后来也用来形容人情世故。",
"魑魅": "传说中的怪物，这里指阴险、邪恶的人或事。"
},
"ans_qa_sents": {
"鸿雁几时到": "请问鸿雁什么时候能飞到？",
"应共冤魂语，投诗赠汨罗": "应该和冤屈的魂魄一起说话，把诗投赠到汨罗江。"
},
"choose_id": 0,
"idx": 6
},
{
"ans_qa_words": {
"浩然": "形容人的气势盛大，有磅礴之感。",
"荒戍": "荒废的戍楼。",
"孤棹": "孤零零的船只。"
},
"ans_qa_sents": {
"荒戍落黄叶，浩然离故关。": "",
"何当重相见，樽酒慰离颜。": ""
},
"choose_id": 2,
"idx": 7
}打印代码运行过程中的详细调试信息
处理结果并不理想，我们在 inference.py 的关键位置增加原始模型输出打印和解析异常打印。这样可以看到每条样本的 prompt、模型 response 以及解析结果。
from vllm import LLM, SamplingParams
import os
from tqdm import tqdm
from utils import (
load_json_file,
save_json_file,
extract_word_explanation,
extract_sentence_explanation,
extract_emotion_choice
)
import random
class PoetryAnalyzer:
def __init__(self, model_name="/hy-tmp/Qwen-7B-Chat", train_data_path=None, num_shots=3):
"""
初始化诗词分析器
"""
self.model_name = model_name
self.llm = None
self.sampling_params = SamplingParams(
temperature=0.7,
top_p=0.95,
max_tokens=1024,
stop=None
)
self.num_shots = num_shots
self.train_data = []
if train_data_path and os.path.exists(train_data_path):
self.train_data = load_json_file(train_data_path)
def load_model(self):
"""
加载模型
"""
print(f"正在加载模型 {self.model_name}...")
self.llm = LLM(model=self.model_name, trust_remote_code=True)
print("模型加载完成！")
def generate_few_shot_examples(self):
"""
随机选取few-shot训练样例，格式化为prompt片段
"""
if not self.train_data or self.num_shots == 0:
return ""
examples = random.sample(self.train_data, min(self.num_shots, len(self.train_data)))
shots = []
for ex in examples:
shot = (
f"【示例】\n"
f"标题：{ex['title']}\n"
f"作者：{ex.get('author', '')}\n"
f"内容：{ex['content']}\n"
f"关键词解释：\n"
)
for k, v in ex['keywords'].items():
shot += f"{k}: {v}\n"
shot += f"白话文：{ex.get('trans', '')}\n"
shot += f"情感：{ex.get('emotion', '')}\n"
shots.append(shot)
return "\n".join(shots)
def generate_prompt(self, data):
"""
生成带few-shot的提示词
"""
few_shot = self.generate_few_shot_examples()
prompt = f"""{few_shot}\n【待分析】\n标题：{data['title']}\n作者：{data.get('author', '')}\n内容：{data['content']}\n\n请完成以下三个任务：\n\n1. 解释下列关键词的含义（每个词给出简明扼要的解释）：\n{', '.join(data['qa_words'])}\n\n2. 解释下列句子的含义（每句话给出完整的解释）：\n{', '.join(data['qa_sents'])}\n\n3. 这首诗表达的情感是：{data['choose']}中的哪一个？\n\n请按照以下格式回答：\n\n关键词解释：\n{data['qa_words'][0]}：[解释]\n{' '.join([word + '：[解释]' for word in data['qa_words'][1:]])}\n\n句子解释：\n{data['qa_sents'][0]}：[解释]\n{' '.join([sent + '：[解释]' for sent in data['qa_sents'][1:]])}\n\n情感选择：[选项字母]\n\n注意：\n1. 解释要准确、简洁\n2. 每个关键词和句子都必须给出解释\n3. 情感选择必须是选项中的一个字母\n"""
return prompt
def parse_response(self, response, data, idx=None):
result = {
"ans_qa_words": {},
"ans_qa_sents": {},
"choose_id": -1
}
try:
if not response or not isinstance(response, str):
print(f"[调试] idx={idx}, response为空或格式异常")
return result
for word in data['qa_words']:
explanation = extract_word_explanation(response, word)
result["ans_qa_words"][word] = explanation
for sent in data['qa_sents']:
explanation = extract_sentence_explanation(response, sent)
result["ans_qa_sents"][sent] = explanation
result["choose_id"] = extract_emotion_choice(response)
except Exception as e:
print(f"[调试] idx={idx}, 解析response时出错: {e}")
return result
def process_single_poem(self, data, idx=None):
prompt = self.generate_prompt(data)
print(f"\n[调试] idx={idx}, prompt=\n{prompt}\n{'='*40}")
outputs = self.llm.generate([prompt], self.sampling_params)
response = outputs[0].outputs[0].text
print(f"\n[调试] idx={idx}, response=\n{response}\n{'='*40}")
return self.parse_response(response, data, idx=idx)
def run_analysis(self, test_file, output_file):
if self.llm is None:
self.load_model()
print(f"正在读取测试数据: {test_file}")
test_data = load_json_file(test_file)
results = []
print("开始处理诗词...")
for idx, data in enumerate(tqdm(test_data)):
try:
result = self.process_single_poem(data, idx=idx)
result["idx"] = idx
results.append(result)
except Exception as e:
print(f"处理第{idx}首诗词时出错: {str(e)}")
results.append({
"idx": idx,
"ans_qa_words": {word: "" for word in data['qa_words']},
"ans_qa_sents": {sent: "" for sent in data['qa_sents']},
"choose_id": -1
})
print(f"正在保存结果到: {output_file}")
save_json_file(results, output_file)
print("处理完成！")
def main():
# 设置文件路径
test_file = "data/test.json"
output_file = "output/submit.json"
train_file = "data/train.json"
# 创建分析器实例，传入训练集路径
analyzer = PoetryAnalyzer(train_data_path=train_file, num_shots=3)
# 运行分析
analyzer.run_analysis(test_file, output_file)
if __name__ == "__main__":
main() 运行后如何分析
- 终端会输出每条样本的 prompt、response 及解析情况。
- 如果 response 为空、格式异常或解析出错，会有详细提示。
- 这样可以定位是模型没生成、生成内容不对，还是解析正则有问题。
调试信息样例输出如下：
18%|██████████▋ | 59/327 [04:06<14:12, 3.18s/it]
[调试] idx=59, prompt=
【示例】
标题：汉江临泛
作者：
内容：楚塞三湘接，荆门九派通。江流天地外，山色有无中。郡邑浮前浦，波澜动远空。襄阳好风日，留醉与山翁。
关键词解释：
汉江: 即汉水，流经陕西汉中、安康，湖北十堰、襄阳、荆门、潜江、仙桃、孝感，到汉口流入长江
楚塞: 楚国边境地带，这里指汉水流域
三湘: 湖南有湘潭、湘阴、湘乡，合称三湘
荆门: 山名，荆门山，在今湖北宜都县西北的长江南岸
九派: 九条支流，长江至浔阳分为九支，指江西九江
郡邑: 指汉水两岸的城镇
浦: 水边
好风日: 一作‘风日好’，风景天气好
山翁: 一作‘山公’，指山简，晋代竹林七贤之一山涛的幼子，西晋将领，镇守襄阳
白话文：汉江流经楚塞又折入三湘，西起荆门往东与九江相通。江水滔滔远去，好像一直涌流到天地之外，两岸山色时隐时现，若有若无。远处的城郭好像在水面上飘动，波翻浪涌，辽远的天空也仿佛为之摇荡。襄阳的风景天气好，我愿在此地酣饮陪伴山翁。
情感：追求美好境界，寄情山水，豪情壮志，陶醉于自然之美
【示例】
标题：凤箫吟·锁离愁
作者：
内容：锁离愁，连绵无际，来时陌上初熏。绣帏人念远，暗垂珠泪，泣送征轮。长亭长在眼，更重重、远水孤云。但望极楼高，尽日目断王孙。 消魂。池塘别后，曾行处、绿妒轻裙。恁时携素手，乱花飞絮里，缓步香茵。朱颜空自改，向年年、芳意长新。遍绿野，嬉游醉眠，莫负青春。
关键词解释：
凤箫吟: 词牌名
陌上初熏: 路上散发着草的香气
绣帏: 绣房、闺阁
暗垂珠泪: 暗暗落下一串串珠露般的眼泪
王孙: 送行之人
绿妒轻裙: 轻柔的罗裙和芳草争绿
恁: 那
素手: 女子洁白如玉的手
香茵: 芳草地
白话文：离愁萦绕，看着眼前连绵无际的春草，想起与心上人同游时它们还刚在路边吐出香馨。闺中人想到心上人要远行，暗暗地流下泪珠，哽咽着目送远去的车轮。人已远去她还痴痴地张望，可见到的已是重重远水、片片孤云。她又登楼极目远望，但望穿秋水也难见游子踪影。伤心啊伤心，自从池塘分别后无日不黯然销魂。想当年同游的地方连绿草都妒忌她的罗裙。那时候他携着她的手，在花丛柳絮之中，在翠绿香茵上信步徜徉。如今她的容颜虽已渐渐老去，但心中情意仍像芳草一样年年常新。她要再游遍绿野，忘情嬉戏酣饮，不辜负这珍贵的年少青春。
情感：伤感与怀念
【示例】
标题：竹里馆
作者：
内容：独坐幽篁里，弹琴复长啸。
深林人不知，明月来相照。
关键词解释：
竹里馆: 辋川别墅胜景之一，房屋周围有竹林，故名。
幽篁（huáng）: 幽深的竹林。
啸（xiào）: 撮口发出长而清脆的声音，类似于打口哨。
深林: 指‘幽篁’。
相照: 与‘独坐’相应，意思是说，左右无人相伴，唯有明月似解人意，偏来相照。
长啸: 撮口而呼，这里指吟咏、歌唱。古代一些超逸之士常用来抒发感情。魏晋名士称吹口哨为啸。
白话文：独自闲坐在幽静竹林，一边弹琴一边高歌长啸。
深深的山林中无人知晓，只有一轮明月静静与我相伴。
情感：宁静、孤独、悠闲
【待分析】
标题：和晋陵陆丞早春游望
作者：杜审言
内容：独有宦游人，偏惊物候新。云霞出海曙，梅柳渡江春。淑气催黄鸟，晴光转绿蘋。忽闻歌古调，归思欲沾巾。
请完成以下三个任务：
1. 解释下列关键词的含义（每个词给出简明扼要的解释）：
宦游人, 物候, 淑气
2. 解释下列句子的含义（每句话给出完整的解释）：
独有宦游人, 归思欲沾巾
3. 这首诗表达的情感是：{'A': '思乡之情', 'B': '欢快愉悦', 'C': '孤独寂寞', 'D': '春天的喜悦'}中的哪一个？
请按照以下格式回答：
关键词解释：
宦游人：[解释]
物候：[解释] 淑气：[解释]
句子解释：
独有宦游人：[解释]
归思欲沾巾：[解释]
情感选择：[选项字母]
注意：
1. 解释要准确、简洁
2. 每个关键词和句子都必须给出解释
3. 情感选择必须是选项中的一个字母