參考:http://licstar.net/archives/262
參考的部落格略舊,根據部落格内容調整了處理過程
第一步:下載下傳語料
最新的:http://download.wikipedia.com/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2
第二步:抽取正文
- 下載下傳 Wikipedia Extractor:https://github.com/attardi/wikiextractor
- 安裝 Wikipedia Extractor:
sudo python setup.py install
- 抽取正文:
python WikiExractorPath/WikiExtractor.py -b 1000M -o extracted WikiDataPath/zhwiki-latest-pages-articles.xml.bz2
得到的檔案預設在目前路徑下的,./extracted/AA/下
第三步:繁簡轉換
- 下載下傳 OpenCC:https://github.com/BYVoid/OpenCC
- 安裝OpenCC:
make
sudo make install
- 繁簡轉換:
opencc -i wiki_00 -o wiki_00_chs -c OpenCCPath/data/config/t2s.json
opencc -i wiki_01 -o wiki_01_chs -c OpenCCPath/data/config/t2s.json
opencc -i wiki_02 -o wiki_02_chs -c OpenCCPath/data/config/t2s.json
opencc -i wiki_03 -o wiki_03_chs -c OpenCCPath/data/config/t2s.json
第二步得到多少個wiki_xx就處理多少次
遇到的問題:Could NOT find Doxygen (missing: DOXYGEN_EXECUTABLE)
解決:
sudo apt-get install doxygen
得到的結果中,title就是搜尋關鍵詞,也就是詞庫