wiki中文语料下载及繁体转简体的处理。

最新推荐文章于 2025-05-19 14:10:28 发布

原创

最新推荐文章于 2025-05-19 14:10:28 发布 · 3.2k 阅读

6 ·

CC 4.0 BY-SA版权

本文提供了wiki中文语料的下载链接，并介绍了如何使用OpenCC将下载的xml文件转换为中文txt文件，以及进行繁体到简体的转换，详细步骤包括在DOS窗口中运行特定命令。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

wiki中文语料下载地址：https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2

下载后是xml的文件，需要转换为中文的txt文件，网上又很多处理的python代码。

#!/usr/bin/env python
# -*- coding: utf-8  -*-
#将xml的wiki数据转换为text格式

import logging
import os.path
import sys

from gensim.corpora import WikiCorpus

if __name__ == '__main__':
    program = os.path.basename(sys.argv[0])#得到文件名
    logger = logging.getLogger(program)

    logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')
    logging.root.setLevel(level=logging.INFO)
    logger.info("running %s" % ' '.join(sys.argv))

    if len(sys.argv) < 3:
        #print globals()['__doc__'] % locals()
        sys.exit(1)

    inp, outp = sys.argv[1:3]
    space = " "
    i = 0

    output = open(outp, 'w')
    wiki =WikiCorpus(inp, lemmatize=False, dictionary=[])#gensim里的维基百科处理类WikiCorpus
    for text in wiki.get_tex