搜狗新闻语料处理
自然语言处理,最重要的当然是语料数据,选择搜狗实验室的语料库是不错的,但是模型训练前,需要对数据做一些处理,过程如下。
1、数据下载链接:搜狗新闻语料库
先在链接上下载“搜狐新闻数据(SogouCS)”,请直接下载“精简版”!(迷你版有雷。。。)
2、数据下载下来后是这样子的
3、数据量已经很大了,每一个txt采用的是ANSI编码方式
4、每个新闻可以根据url、contenttitle、content三者进行拆分
url:获取内容类别
contenttitle:获取内容标题,作为之后txt的文档名
content:正文内容
5、开始拆分数据
import re
import os
class Sougou(object):
def __init__(self):
self.directory = 'sogoucs/'
self.file = [file for a,b,file in</