MarkupLM源码解析之数据准备(二)

前言

原文地址:https://blog.csdn.net/m0_48742971/article/details/123261951

这篇文章主要分析load_html_and_groundtruth方法,这个方法负责加载SWDE数据集中的html文件和标注数据。

1. 读取标注数据

下载SWDE数据集并解压后,可以查看目录结构,数据在sourceCode目录下,标注数据在groudtruth目录下,目录结构如下。

[root@localhost sourceCode]# tree groundtruth
groundtruth
├── auto
│   ├── auto-aol-engine.txt
│   ├── auto-aol-fuel_economy.txt
│   ├── auto-aol-model.txt
│   ├── auto-aol-price.txt

│   ├── auto-autobytel-engine.txt
│   ├── auto-autobytel-fuel_economy.txt
│   ├── auto-autobytel-model.txt
│   ├── auto-autobytel-price.txt
...略...
├── book
│   ├── book-abebooks-author.txt
│   ├── book-abebooks-isbn_13.txt
│   ├── book-abebooks-publication_date.txt
│   ├── book-abebooks-publisher.txt
│   ├── book-abebooks-title.txt
...略...

可以看到每个标注文件的命名方式:

vertical-website-field.txt
垂直领域-网站名称-字段.txt

源代码中从文件名直接提取出vertical, website, field

vertical, website, field = truthfile.replace(".txt", "").split("-")

下面开始读取groudtruth文件的内容。

with open(os.path.join(gt_path, v, truthfile), "r") as gfo:
    lines = gfo.readlines()
    for line in lines[2:]:
        # Each line should contains more than 3 elements splitted by \t
        # which are: index, number of values, value1, value2, etc.
        item = line.strip().split("\t"
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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