Wikipedia 语料库处理

本文介绍如何从维基百科获取语料并进行繁简转换的过程。首先下载最新语料,然后使用WikipediaExtractor抽取正文,最后利用OpenCC工具完成繁简转换。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

参考:http://licstar.net/archives/262

参考的博客略旧,根据博客内容调整了处理过程

第一步:下载语料

最新的:http://download.wikipedia.com/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2

第二步:抽取正文

  1. 下载 Wikipedia Extractor:https://github.com/attardi/wikiextractor
  2. 安装 Wikipedia Extractor:

    sudo python setup.py install

  3. 抽取正文:

    python WikiExractorPath/WikiExtractor.py -b 1000M -o extracted WikiDataPath/zhwiki-latest-pages-articles.xml.bz2

得到的文件默认在当前路径下的,./extracted/AA/下

第三步:繁简转换

  1. 下载 OpenCC:https://github.com/BYVoid/OpenCC
  2. 安装OpenCC:

    make
    sudo make install

  3. 繁简转换:

    opencc -i wiki_00 -o wiki_00_chs -c OpenCCPath/data/config/t2s.json
    opencc -i wiki_01 -o wiki_01_chs -c OpenCCPath/data/config/t2s.json
    opencc -i wiki_02 -o wiki_02_chs -c OpenCCPath/data/config/t2s.json
    opencc -i wiki_03 -o wiki_03_chs -c OpenCCPath/data/config/t2s.json

第二步得到多少个wiki_xx就处理多少次

遇到的问题:Could NOT find Doxygen (missing: DOXYGEN_EXECUTABLE)
解决:

sudo apt-get install doxygen

得到的结果中,title就是搜索关键词,也就是词库

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值