搜狐新闻数据400w+

在之前的闲聊对话语料中提到，爬取了400w+新闻语料训练word2vec，考虑到这个平台数据质量比较高，但是爬取的时候又有频率限制、网页打开慢、甚至有时候需要多次访问才能打开网页，经过几个月断断续续地爬取，在此把这部分数据公布给大家学习使用。这部分数据不仅可用来训练word2vec，还能进行做简单的新闻分类任务（可以通过url确定新闻的类别）。

数据特点：

• 时间跨度：2009-10-19至2016-10-31，2534天的新闻
• 同一天的数据保存在以日期“20xxxxxx”格式命名的文件中，一则新闻一行
• 非节假日，一天有1400+篇新闻
• 爬取的新闻已进行抽取正文，每则新闻包含的字段有url、title、content（部分新闻可能没有content）
• 已通过url进行去重
• 数据量400w+，大小12G+

下载链接：链接: https://pan.baidu.com/s/1eTZ8XQa 密码: haup

本文转自 https://weibo.com/p/23041816d74e01f0102x1js