-
由于下载的维基百科语料库体量太大,并且都是中文,所以在pycharm中updating indexes非常非常久都无法完成编制索引,因此,下载的语料不要放在project中,而是放在chp3文件夹的外面,这样就不会进行索引了。
-
json错误,去掉后缀即可
# converter = opencc.OpenCC("t2s.json")
converter = opencc.OpenCC("t2s")
- GBK错误
f_in = open(sys.argv[1], "r", encoding="utf-8")
# print(需要打印的数据.encode(‘GBK’,‘ignore’).decode(‘GBK’))
print(line_t2s.encode('GBK','ignore').decode('GBK'))
- 最后在终端中执行
python .\chp3-new\convert_t2s.py .\wiki-text\AD\wiki_07 > output_file_zyy
就可以看到output文件中是简体中文。
下载的语料库下载链接如下:
链接:https://pan.baidu.com/s/1opkdj-skr8VmjsW2UEd06A
提取码:1024
–来自百度网盘超级会员V6的分享