wikipedia 维基百科 语料 获取 与 提取 处理 by python3.5

标签：extra   压缩   nbsp   output   ext   com   back   htm   compress   

英文维基百科

https://dumps.wikimedia.org/enwiki/

中文维基百科

https://dumps.wikimedia.org/zhwiki/

全部语言的列表

https://dumps.wikimedia.org/backup-index.html

提取处理可以使用 wikiextractor提取正文（由于网页数量太多，结构又很纷乱，提取出来的会有少许瑕疵，再处理即可）

https://github.com/attardi/wikiextractor

运行命令：  python WikiExtractor.py -b 500M -o output_file_name  input_file_name.xml

Notice:

1. 建议处理解压后的文件

2. 如果在windows 下面跑，需要设置  fileinput.FileInput() 参数使用 utf-8 编码，如下：

input = fileinput.FileInput(input_file, openhook=fileinput.hook_encoded("utf-8"))

会冲掉原来的设置（跟压缩文件类型相关？）：fileinput.FileInput(openhook=fileinput.hook_compressed)

参考：https://docs.python.org/3.5/library/fileinput.html

wikipedia 维基百科 语料 获取 与 提取 处理 by python3.5

标签：extra   压缩   nbsp   output   ext   com   back   htm   compress   

原文地址：http://www.cnblogs.com/squirrel2300/p/7745088.html