码迷,mamicode.com
首页 > 其他好文 > 详细

处理搜狐新闻语料

时间:2018-08-17 12:51:36      阅读:473      评论:0      收藏:0      [点我收藏+]

标签:log   php   lines   for   out   新闻   blank   ima   open   

数据集来源:http://www.sogou.com/labs/resource/cs.php

技术分享图片

目的:得到title集合文本,content集合文本

代码:

#python2
import chardet
with open("news_sohusite_xml.dat",r) as h:
    x=h.readlines()
# print(x[3])

topics=x[3::6]
print(len(topics))
contents=x[4::6]

type = chardet.detect(x[3])
print(type)

# a = topics[0].decode(type["encoding"])

for i in topics:
    with open("sohusite_topics.txt","a") as f_out:
        f_out.write(i[14:-16].decode("gb18030").encode("utf-8")+\n)
#         f_out.write(i[14:-16].decode(type["encoding"]).encode("utf-8")+‘\n‘)
        
for i in contents:
    with open("sohusite_contents.txt","a") as f_outt:
        f_outt.write(i[9:-11].decode("gb18030").encode("utf-8")+\n)

解码编码上花了点时间:原本用chardet.detect可以得到文本编码是gb2312,但是decode的时候会报错:

UnicodeDecodeError :‘gb2312‘ codec can‘t decode bytes:illegal multibyte sequence

解决办法:

技术分享图片

 

处理搜狐新闻语料

标签:log   php   lines   for   out   新闻   blank   ima   open   

原文地址:https://www.cnblogs.com/helloworld0604/p/9492682.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!