V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
linsun84
V2EX  ›  Python

微信公众号文章语料库

  •  
  •   linsun84 · 2016-05-06 15:00:34 +08:00 · 4975 次点击
    这是一个创建于 3127 天前的主题,其中的信息可能已经有所发展或是发生改变。

    部分网络抓取的微信公众号的文章,已经去除 HTML ,只包含了纯文本。每行一篇,是 JSON 格式, name 是微信公众号名字, account 是微信公众号 ID , title 是题目, content 是正文。

    Clone 完 Git 之后,要用 git lfs fetch 来拿主要的文件。

    目前数据大约 1G ,数据会定期更新增加。

    请只用于研究用途。

    https://github.com/nonamestreet/weixin_public_corpus

    4 条回复    2016-05-09 12:36:24 +08:00
    sharp
        1
    sharp  
       2016-05-07 15:14:52 +08:00
    你是怎么抓的
    xlxlxlxl
        2
    xlxlxlxl  
       2016-05-08 14:53:57 +08:00
    我该说 1024 还是好人一生平安(●'◡'●)
    楼主好人
    songkaiape
        3
    songkaiape  
       2016-05-09 11:00:05 +08:00
    同问怎么抓取的。。好奇
    linsun84
        4
    linsun84  
    OP
       2016-05-09 12:36:24 +08:00
    文章蛮多的
    http://www.cnblogs.com/java-wgm/p/5088674.html

    主要有验证码和各种限制。刚更新了,数据增加到了 3G 。
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   1760 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 22ms · UTC 16:36 · PVG 00:36 · LAX 08:36 · JFK 11:36
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.