欢迎各位童鞋交流和指教!
-----------------------------------------------------------------------------------
最近因为要做中文语义关系分类,所以需要获取一些中文文本数据,wikipedia中文无疑是一个很好的选择。
因为wiki自己平时隔一段时间就在dump的网页上更新文本数据,这个非常方便我们使用和下载wiki的数据,比爬虫要容易多,而且已经有意大利的大牛BenStobaugh写好了WikipediaExtractor的代码,已经将文本格式、各种神奇的符号去掉,做了初步的处理,不过这个代码存在一些问题,就是可能对有些符号过于敏感,去掉了对我们理解语义可能有用的符号,但目前这个地方对于我来说不太重要,所以我就先用大牛的代码啦。
废话少说,操作步骤如下:
1)先到wiki的dump的网页上下载dump.xml.bz2的文件。https://dumps.wikimedia.org/zhwiki/上点击20170501,下载zhwiki-20170501-pages-articles.xml.bz2
2)使用wikipediaextractor抽取正文文本。网址http://wiki.apertium.org/wiki/Wikipedia_Extractor下载代码,重名名为WikiExtractor.py,当前路径下
python3WikiExtractor.py --infn dump.xml.bz2,
后面是下载