ChineseWiki
维基百科中文词条
维基百科开源的中文词条内容，收集了99W+词条，当然比百度少了不少。 有效处理该原始语料的方法主要有两个：1、Wikipedia Extractor；2、gensim的wikicorpus库。 两种处理都比较粗糙，导致：
- Wikipedia Extractor提取出来的结果，会去掉很多空格与括号里面的内容；
- gensim.corpora.wikicorpus.WikiCorpus处理，问题更严重，因为它连所有标点都去掉了。
先下载语料文件：下载地址
zhwiki-20180301-pages-articles-multistream.xml.bz2 是主文件； zhwiki-20180301-pages-articles-multistream-index.txt.bz2 是每个词条的编号信息。
本篇主要是写如何进行整理：
- 1、繁简转化库——opencc的安装与使用
- 2、wiki中文词条整理
- 3、关键词检索模块
额外的还有一些其他辅助信息：
- 1、重定向匹配表，中文维基重定向的同义词表
- 2、词条的编号信息，官方提供 zhwiki-20180301-pages-articles-multistream-index.txt.bz2 23.6 MB
1、繁简转化库——opencc的安装与使用
其中繁体转简体中文的库，opencc的安装，网上的说明程序真尼玛多，没一个搞的定的，吐槽一下！！！ 直接来看github原文，安装方式：
pip install opencc-python-reimplemented
或者把github下载下来用python setup.py install安装，哪有网上教程那么麻烦！
使用也不太一样：
from opencc import OpenCC
openCC = OpenCC('s2t') # convert from Simplified Chinese to Traditional Chinese
# can also set conversion by calling set_conversion
# openCC.set_conversion('s2tw')
to_convert = '开放中文转换'
converted = openCC.convert(to_convert)
支持的转换模式有：
'hk2s': Traditional Chinese (Hong Kong standard) to Simplified Chinese
's2hk': Simplified Chinese to Traditional Chinese (Hong Kong standard)
's2t': Simplified Chinese to Traditional Chinese
's2tw': Simplified Chinese to Traditional Chinese (Taiwan standard)
's2twp': Simplified Chinese to Traditional Chinese (Taiwan standard, with phrases)
't2hk': Traditional Chinese to Traditional Chinese (Hong Kong standard)
't2s': Traditional Chinese to Simplified Chinese
't2tw': Traditional Chinese to Traditional Chinese (Taiwan standard)
'tw2s': Traditional Chinese (Taiwan standard) to Simplified Chinese
'tw2sp': Traditional Chinese (Taiwan standard) to Simplified Chinese (with phrases)
2、wiki中文词条整理
参考并整理代码参考苏神的：获取并处理中文维基百科语料
先从官网下载了zhwiki-20180301-pages-articles-multistream.xml.bz2文件，然后先用wiki_parser.py将其进行解析，变成以下格式：
=== 词源 ===
英语词语Philosophy（philosophia）源于古希腊语中的φιλοσοφία，意思为「爱智慧」，有时也译为「智慧的朋友」
=== 主分支 ===
哲学可以分为很多不同的分支，主要包括形而上学、知识论、伦理学、逻辑学和美学。
* 形而上学/宇宙论
* 知识论
然后笔者的做法是利用给每一行进行打标wiki_clean.py，因为每一行通过符号是可以直接从属关系。记号遵从以下表格：
| 内容级别 | 内容 | 标记 |
|---|---|---|
| 1级标题 | 【政治学】 | 1 |
| 2级标题 | == 历史 == | 2 |
| 3级标题 | === 古典时期 === | 3 |
| 4级标题 | ==== 古典时期 ==== | 4 |
| 平行关系 | * 知识论 | 5 |
| 正文 | 英语词语Philosophy | 0 |
最后生成的如下表格：
3、关键词检索模块
本模块目前还在考虑，遇到了中文分词一样的问题，如果给入的数据是：'民用无人机到自主驾驶汽车'，那么我们应该是想了解这句话里面的：无人机;自主驾驶汽车，但最后会分出：民用；无人机；自主；驾驶；汽车；无人...
概念从属关系，驾驶汽车与汽车，肯定想知道驾驶汽车
目前做到的效果是：
search_txt = '民用无人机到自主驾驶汽车'
search(search_txt)
结果输出：
{'无人机': '各种类型的无人机。\r\n无人机（Uncrewed vehicle、Unmanned vehicle、Drone）或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。\r\n在日常用语中，“无人机”被特指为“无人飞行载具”。\r\n',
'汽车': 'Benz Patent-Motorwagen Nummer 1，第一辆“现代汽车”。\r\n1927年的汽车，福特T型车。\r\n1942年的汽车，纳许大使。\r\n1980年的汽车，大众帕萨特\r\n1999年的汽车，西雅特托莱多\r\n2008年的超级跑车，科尼赛克CCX。\r\n日产Maxima SR\r\n怪兽卡车\r\n汽车或称机动车（英式英语：car；美式英语：automobile；美国口语：auto），即本身具有动力得以驱动，不须依轨道或电缆，得以动力行驶之车辆。广义来说，具有四轮或以上行驶的车辆，普遍多称为汽车。虽然，长久以来学术各界对「谁是第一位汽车发明者」皆有不同的看法及论述，未有完全一致性的看法，但是，绝大部份学者皆将德国工程师卡尔·本茨视为第一位发明者。美国人亨利·福特首先大量生产平价汽车，是使汽车得以普及化的人。\r\n',
'驾驶': '驾驶，指的是人类在操纵交通工具或一些机械设备时的行为，可分为机动车驾驶、船舶驾驶、列车驾驶、航空器驾驶、其它驾驶，这些一般都属于真实驾驶，可采用手动驾驶或自动驾驶的方式进行驾驶。对于通过电子系统以游戏等方式进行模拟真实驾驶情况的行为，则被称为虚拟驾驶。对于交通工具或一些机械设备的驾驶者，被称为驾驶员。对于驾驶交通工具或一些机械设备时应随身携带的证件，则被称为驾驶证。\r\n'}