wiki中文语料+word2vec (python3.5 windows win7)

环境： win7+python3.5

1. 下载wiki中文分词语料   使用迅雷下载会快不少，大小为1个多G

     https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2 

2. 安装opencc用于中文的简繁替换

   安装exe的版本

  到https://bintray.com/package/files/byvoid/opencc/OpenCC 中下载

opencc-1.0.1-win64.7z

并解压放置到自定义的目录下

   也可安装 python版本的：

    pip install opencc-python

    安装时会报错：

  报错一： ImportError: No module named distribute_setup

   解决方法，到 http://www.minitw.com/download/distribute_setup.zip 下载ZIP，解压后将.py文件放置到 电脑的分盘:你安裝Python的目录Lib(例如：C:Python35Lib)

   报错二：chown() missing 1 required positional argument: 'numeric_owner'

   到distribute_setup.py中，找到self.chown(tarinfo, dirpath)，改为chown(tarinfo, dirpath, ''); 

  报错三： import opencc时，报错 no module named 'version'

  将opencc的__init__.py 中的from version import __version__改为from .version import __version__

  

3. 将wiki的资料转为文本txt

    python process_wiki.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.text

    解压后得到925M的文件，由于wiki中的东西是会定期更新的，所以不同时间下载得到的大小不一样

   

    process_wiki.py 源码如下：

    注： 网上的版本大多是针对python2的，使用python3进行解压会在output.write(space.join(text) + " ")这一句出现提示关于byte或str的错误，所以需要有如下修改：

1. space = b' '#原来是space = ' '
2. ...

3. for text in wiki.get_texts():
       s=space.join(text)
       s=s.decode('utf8') + "
   "
   output.write(s)

1. #!/usr/bin/env python
2. # -*- coding: utf-8 -*-
3. # 修改后的代码如下：
5. import logging
6. import os.path
7. import sys
9. from gensim.corpora importWikiCorpus
11. if __name__ =='__main__':
12. program = os.path.basename(sys.argv[0])
13. logger = logging.getLogger(program)
15. logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')
16. logging.root.setLevel(level=logging.INFO)
17. logger.info("running %s"%' '.join(sys.argv))
19. # check and process input arguments
20. if len(sys.argv)<3:
21. print(globals()['__doc__']% locals())
22. sys.exit(1)
23. inp, outp = sys.argv[1:3]
24. space = b' '
25. i =0
27. output = open(outp,'w',encoding='utf-8')
28. wiki =WikiCorpus(inp, lemmatize=False, dictionary={})
29. for text in wiki.get_texts():
30. s=space.join(text)
31. s=s.decode('utf8')+" "
32. output.write(s)
33. i = i +1
34. if(i %10000==0):
35. logger.info("Saved "+ str(i)+" articles")
37. output.close()
38. logger.info("Finished Saved "+ str(i)+" articles")

 

 4. 繁简转化

进入解压后的opencc的目录，打开dos窗口，输入

opencc -i wiki.zh.text -o wiki.zh.jian.text -c t2s.json

则会得到wiki.zh.jian.text，里面是简体的中文

 

此时，大家会比较好奇，里边装着的到底是什么东西~

由于解压后的txt有900多M大，用txt打开比较困难，所以我们采用python自带的IO进行读取

1. import codecs,sys
2. import opencc
4. f=codecs.open('zh.wiki.txt','r',encoding="utf8")
5. line=f.readline()
7. print(line)

打印的结果如下，可以看出文档中包含多干行文字，每一行文字为一篇文章，每一个空格表示此处原为一个标点符号

 简体的打印结果如下：

5. 分词

 由第四步得到语料仅由标点隔开，还需将其分割成词

 此处使用结巴分词 pip install jieba 即可安装

 结巴的具体介绍见：https://github.com/fxsjy/jieba 

 结巴分词参考了https://codesky.me/archives/ubuntu-python-jieba-word2vec-wiki-tutol.wind 中的做法

 由于编码的原因，此处使用了codecs

 

1. import jieba
2. import jieba.analyse
3. import jieba.posseg as pseg
4. import codecs,sys
6. def cut_words(sentence):
7. #print sentence
8. return" ".join(jieba.cut(sentence)).encode('utf-8')
10. f=codecs.open('zh.jian.wiki.txt','r',encoding="utf8")
11. target = codecs.open("zh.jian.wiki.seg.txt",'w',encoding="utf8")
12. print('open files')
13. line_num=1
14. line = f.readline()
15. while line:
17. print('---- processing ', line_num,' article----------------')
18. line_seg =" ".join(jieba.cut(line))
19. target.writelines(line_seg)
20. line_num = line_num +1
21. line = f.readline()
24. f.close()
25. target.close()
26. exit()
27. while line:
28. curr =[]
29. for oneline in line:
30. #print(oneline)
31. curr.append(oneline)
33. after_cut = map(cut_words, curr)
34. target.writelines(after_cut)
35. print('saved ',line_num,' articles')
36. exit()
37. line = f.readline1()
39. f.close()
40. target.close()

分词后的文档长这个样子：

6. 训练word2vec模型

1. python train_word2vec_model.py zh.jian.wiki.seg.txt wiki.zh.text.model wiki.zh.text.vector

train_word2vec_model.py源码如下：

1. import logging
2. import os.path
3. import sys
4. import multiprocessing
5. from gensim.corpora importWikiCorpus
6. from gensim.models importWord2Vec
7. from gensim.models.word2vec importLineSentence
8. if __name__ =='__main__':
9. program = os.path.basename(sys.argv[0])
10. logger = logging.getLogger(program)
11. logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')
12. logging.root.setLevel(level=logging.INFO)
13. logger.info("running %s"%' '.join(sys.argv))
14. # check and process input arguments
15. if len(sys.argv)<4:
16. print(globals()['__doc__']% locals())
17. sys.exit(1)
18. inp, outp1, outp2 = sys.argv[1:4]
19. model =Word2Vec(LineSentence(inp), size=400, window=5, min_count=5, workers=multiprocessing.cpu_count())
20. model.save(outp1)
21. model.save_word2vec_format(outp2, binary=False)

训练时长，看个人的机子配置，我训了一天。。。（吐槽一下换不了的破机子）

最终得到

 

7. 测试训练好的模型

结果如下：

但是呀，这个语句改成这样：

得到的结果却是： 难道这个模型宫斗剧看多了，发现皇上和太后是一家人，低阶的后宫女人是一团，只有皇后是个另类？

剩下的，各位自己去调戏吧，应该乐趣不少~

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

    

 

来自为知笔记(Wiz)