1 Star 0 Fork 0

holysll/Scikit-learn

加入 Gitee
与超过 1200万 开发者一起发现、参与优秀开源项目,私有仓库也完全免费 :)
免费加入
文件
该仓库未声明开源许可证文件(LICENSE),使用请关注具体项目描述及其代码上游依赖。
克隆/下载
1_process.py 983 Bytes
一键复制 编辑 原始数据 按行查看 历史
holysll 提交于 2019-03-15 20:13 . Scikit-learn
#!/usr/bin/env python
#-*- coding: utf-8 -*-
#将xml的wiki数据转换为text格式
from gensim.corpora import WikiCorpus
if __name__ == '__main__':
program = os.path.basename(sys.argv[0])#取得文件名
logger = logging.getLogger(program)
logging.basicConfig(format='%(ascting)s: %(levelname)s: %(message)s')
logging.root.setLevel(level=logging.INFO)
logging.info("running %s" % ' ',join(sys.argv))
if len(sys.argv) < 3:
print globals()['__doc__'] % locals()
sys.exit(1)
inp, outp = sys.argv[1:3]
space = " "
i = 0
output = open(output, 'w')
wiki = WikiCorpus(inp, lemmatize = False, dictionary=[])#gensim里的维基百科处理类WikiCorpus
for text in wiki.get_texts():#通过get_texts将维基里的每篇文章转换为1行text文本,并且去掉了标点符号
output.write(space.join(text) + "\n")
i = i + 1
if (i % 10000 == 0):
logger.info("Saved" +str(i)+" articles.")
output.close()
logger.info("Finished Saved "+str(i)+" articles.")
Loading...
马建仓 AI 助手
尝试更多
代码解读
代码找茬
代码优化
Python
1
https://gitee.com/holysll/Scikit-learn.git
git@gitee.com:holysll/Scikit-learn.git
holysll
Scikit-learn
Scikit-learn
master

搜索帮助