kaldi处理数据时出现这个问题
text file ‘***’ contains disallowed UTF-8 whitespace character(s)
原因有两个一个是多了/r,一个是多了/xa0.
把出错的那一行打印出来,然后用下面的代码查看字符
temp = open('error.txt', 'r')
r.readline()
就可以看到除了\n以外,多出的字符,删掉即可。
在服务器上处理数据出错,这里记录一下。
用sed去除重复空格和制表符,只保留一个,网上很多方法是错的,根本没办法有效的去除,下面实测有效:
sed -i 's/[[:blank:]]\+/ /g' text
sed -i 's/[[:blank:]]\{2,\}/ /g' text
不知道网上有些答案贴出来是怎么处理成功的。
中文数据处理:
直接用Jieba分词先分词,分完词以后,标点这些已经和字分开。如
我。
会被分为我。
英文数据处理:
小写
去除符号
tokenizer