处理搜狐新闻语料

Posted helloworld0604

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了处理搜狐新闻语料相关的知识,希望对你有一定的参考价值。

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

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

 

以上是关于处理搜狐新闻语料的主要内容,如果未能解决你的问题,请参考以下文章

NLP之自己动手训练中文word2vec模型

搜狐新闻下载|搜狐新闻app下载

搜狐新闻APP是如何使用HUAWEI DevEco IDE快速集成HUAWEI HiAI Engine

Jsoup+HttpUnit爬取搜狐新闻

中文NLP福利!大规模中文自然语言处理语料

折叠屏应用快人半步,搜狐引领新闻体验再升级