语料收集

Prerequisite:

Install OpenCC in Ubuntu with:

sudo apt-get install opencc

Then run with:

opencc <options>

How to use:

  1. Download data from wiki dumps: e.g.
    https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2
    or
    https://dumps.wikimedia.org/zhwiki/
  2. Use WikiExtractor to extract title and contents from xml:
    python WikiExtractor.py -b 500M -o extracted --json zhwiki-latest-pages-articles.xml.bz2
    Note: the --json flag will export file into json instead of html-like text.
    ref: https://github.com/attardi/wikiextractor
  3. (Optional) Use OpenCC to convert traditional Chinese to simplified Chinese.
    opencc -i wiki_00 -o zh_wiki_c zht2zhs.ini
  4. Run convert_symbols.py to extract text only

Reference:
https://blog.csdn.net/u013421941/article/details/68947622

  • 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