我们在预训练word vector或其他预训练任务时,需要大量的语料数据,Wikipedia开放了英文语料,大约11G:wiki英文语料下载链接
该语料库是.bz2格式,但是不能直接解压,需要使用工具处理,我们介绍两种常用的处理工具,gensim和wikiextractor。
Gensim
gensim提供了处理工具,但是只能够获得文章的词列表,丢失了段落句子以及标点符号。
from gensim.corpora import WikiCorpus
a = 'enwiki-latest-pages-articles.xml.bz2'
wiki = WikiCorpus(a, lemmatize=False, dictionary={})
for text in wiki.get_texts():
for word in text:
pass
Wikiextractor
想要获得原文,可以通过wikiextractor工具。
git clone https://github.com/attardi/wikiextractor
python wikiextractor/WikiExtractor.py INPUT_FILE -o OUTPUT_PATH --json
所有文章会