txtcn-wiki 0.0.1

从维基百科抽取中文语料

txtcn_wiki

安装方法如下，请用 python3

pip install txtcn_wiki

使用有问题请到 github.com/txtcn/wiki 发帖。

从维基百科抽取中文语料

维基百科语料下载地址 : dumps.wikimedia.org/zhwiki

有很多链接，下载比如 https://dumps.wikimedia.org/zhwiki/20200701/zhwiki-20200701-pages-articles.xml.bz2

下载后运行类似如下的命令来抽取中文语料

txtcn_wiki /share/wiki/zhwiki-20200701-pages-articles.xml.bz2

小技巧：维基百科打包打包很大，但是不需要完全下载也可以运行以上命令（会报错，但能部分输出，方便开发）

会在bz2的同目录输出两个文件

• 条目正文：zhwiki-20200701-pages-articles.title.txt.zd
• 条目标题：zhwiki-20200701-pages-articles.txt.zd

这两个文件是Zstandard压缩后的纯文本文件 ( 参见 Zstandard：一种新的无损压缩算法 )

使用本软件包附带的 zdcat 命令可以查看， 比如：

zdcat /share/wiki/zhwiki-20200701-pages-articles.title.txt.zd

在条目正文中，条目的标题以 "➜ " 开头。

在程序中读取zd文件，可用如下方法（zd可以单独安装，比如pip install zd，源码见gitee.com/znlp/zd）

import zd

with zd.open(
  "/share/wiki/zhwiki-20200701-pages-articles.txt.zd"
) as f:
  for i in f:
    print(i)

特别感谢

代码改编自 《获取并处理中文维基百科语料 - 科学空间|Scientific Spaces》