本文主要向大家介绍了Windows运维之wiki中文语料+word2vec (python3.5  windows win7)，通过具体的内容向大家展现，希望对大家学习Windows运维有所帮助。

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 //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:\Python35\Lib)

   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) + "\n")这一句出现提示关于byte或str的错误，所以需要有如下修改：

space = b' '#原来是space = ' '

...

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

#!/usr/bin/env python

# -*- coding: utf-8 -*-

# 修改后的代码如下：

import logging

import os.path

import sys

from gensim.corpora importWikiCorpus

if __name__ =='__main__':

program = os.path.basename(sys.argv[0])

logger = logging.getLogger(program)

logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')

logging.root.setLevel(level=logging.INFO)

logger.info("running %s"%' '.join(sys.argv))

# check and process input arguments

if len(sys.argv)<3:

print(globals()['__doc__']% locals())

sys.exit(1)

inp, outp = sys.argv[1:3]

space = b' '

i =0

output = open(outp,'w',encoding='utf-8')

wiki =WikiCorpus(inp, lemmatize=False, dictionary={})

for text in wiki.get_texts():

s=space.join(text)

s=s.decode('utf8')+"\n"

output.write(s)

i = i +1

if(i %10000==0):

logger.info("Saved "+ str(i)+" articles")

output.close()

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

import codecs,sys

import opencc

f=codecs.open('zh.wiki.txt','r',encoding="utf8")

line=f.readline()

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

import jieba

import jieba.analyse

import jieba.posseg as pseg

import codecs,sys

def cut_words(sentence):

#print sentence

return" ".join(jieba.cut(sentence)).encode('utf-8')

f=codecs.open('zh.jian.wiki.txt','r',encoding="utf8")

target = codecs.open("zh.jian.wiki.seg.txt",'w',encoding="utf8")

print('open files')

line_num=1

line = f.readline()

while line:

print('---- processing ', line_num,' article----------------')

line_seg =" ".join(jieba.cut(line))

target.writelines(line_seg)

line_num = line_num +1

line = f.readline()

f.close()

target.close()

exit()

while line:

curr =[]

for oneline in line:

#print(oneline)

curr.append(oneline)

after_cut = map(cut_words, curr)

target.writelines(after_cut)

print('saved ',line_num,' articles')

exit()

line = f.readline1()

f.close()

target.close()

分词后的文档长这个样子：

6. 训练word2vec模型

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：

import logging

import os.path

import sys

import multiprocessing

from gensim.corpora importWikiCorpus

from gensim.models importWord2Vec

from gensim.models.word2vec importLineSentence

if __name__ =='__main__':

program = os.path.basename(sys.argv[0])

logger = logging.getLogger(program)

logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s')

logging.root.setLevel(level=logging.INFO)

logger.info("running %s"%' '.join(sys.argv))

# check and process input arguments

if len(sys.argv)<4:

print(globals()['__doc__']% locals())

sys.exit(1)

inp, outp1, outp2 = sys.argv[1:4]

model =Word2Vec(LineSentence(inp), size=400, window=5, min_count=5,workers=multiprocessing.cpu_count())

model.save(outp1)

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~

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注系统运维windows频道！