搜狗800GB數(shù)據(jù)預(yù)處理

項(xiàng)目位置:node2:/home/disk1/xukaituo/expriments/ngram-2016-11/

Step 1. 轉(zhuǎn)換編碼

iconv -f gbk//IGNORE -t utf-8//IGNORE filename > new_format_file

Step 2. 將非漢字去掉

#!/usr/bin/env python
# coding: utf-8

import codecs
import re
import sys

def remove_non_Chinese_word(input_file, output_file):
    re_non_chinese = ur"[^\u4e00-\u9fa5]+"
    with codecs.open(input_file, 'r', 'utf-8') as inputf:
        with codecs.open(output_file, 'w', 'utf-8') as outputf:
            for line in inputf:
                re_result = re.sub(re_non_chinese, u"", line)
                # new_line = " ".join(re_result)
                new_line = re_result
                outputf.write(new_line + '\n')


if __name__ == '__main__':
    if len(sys.argv) < 3:
        print "Usage: python 0-filter_non_chinese.py input-file output-file"
        sys.exit()
    remove_non_Chinese_word(sys.argv[1], sys.argv[2])

Step 3. 刪除空白行

sed -i '/^$/d' filename

Step 4. 分詞

使用ltp分詞工具
[1]github https://github.com/HIT-SCIR/ltp
[2]文檔 http://ltp.readthedocs.io/zh_CN/latest/api.html#id2
[3]模型 https://pan.baidu.com/share/link?shareid=1988562907&uk=2738088569
部分bash腳本:

cd /home/disk1/xukaituo/expriments/ngram-2016-11/utils
CWSTOOL=/home/disk1/xukaituo/projects/Chinese-word-segmentation
1-Chinese-word-segmentor/cws ${CWSTOOL}/ltp_data/cws.model $2 $3

調(diào)用ltp接口的分詞程序:

// cws.cc

// Copyright 2016 ASLP(Author: Kaituo Xu)

#include <iostream>
#include <fstream>
#include <string>
#include <vector>
#include "segment_dll.h"

int main(int argc, char *argv[])
{
    try {
        if (argc < 4) {
            std::cerr << "cws [model path] [input file path] [output file path]" << std::endl;
            return 1;
        }

        void *engine = segmentor_create_segmentor(argv[1]);
        std::ifstream input(argv[2]);
        std::ofstream output(argv[3], std::ofstream::app);

        if (!engine || !input || !output) {
            return -1;
        }

        std::string line;
        while (getline(input, line)) {
            std::vector<std::string> words;
            int len = segmentor_segment(engine, line, words);
            for (int i = 0; i < len; ++i) {
                output << words[i] << " ";
            }
            output << std::endl;
        }

        segmentor_release_segmentor(engine);
        return 0;

    } catch(const std::exception &e) {
        std::cerr << e.what();
        return -1;
    }
}

Step 5. 將暫時(shí)不用的數(shù)據(jù)進(jìn)行壓縮,節(jié)省磁盤空間

# 使用`gzip`對(duì)文件進(jìn)行壓縮
gzip <filename>
# 解壓縮
gzip -d <filename>.gz

壓縮后原文件消失串稀,默認(rèn)在<filename>后加.gz;解壓縮后,.gz文件會(huì)消失狮杨。

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末母截,一起剝皮案震驚了整個(gè)濱河市,隨后出現(xiàn)的幾起案子橄教,更是在濱河造成了極大的恐慌清寇,老刑警劉巖,帶你破解...
    沈念sama閱讀 217,084評(píng)論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件护蝶,死亡現(xiàn)場(chǎng)離奇詭異华烟,居然都是意外死亡,警方通過(guò)查閱死者的電腦和手機(jī)持灰,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,623評(píng)論 3 392
  • 文/潘曉璐 我一進(jìn)店門盔夜,熙熙樓的掌柜王于貴愁眉苦臉地迎上來(lái),“玉大人,你說(shuō)我怎么就攤上這事喂链》凳” “怎么了?”我有些...
    開封第一講書人閱讀 163,450評(píng)論 0 353
  • 文/不壞的土叔 我叫張陵椭微,是天一觀的道長(zhǎng)洞坑。 經(jīng)常有香客問(wèn)我,道長(zhǎng)蝇率,這世上最難降的妖魔是什么迟杂? 我笑而不...
    開封第一講書人閱讀 58,322評(píng)論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮瓢剿,結(jié)果婚禮上逢慌,老公的妹妹穿的比我還像新娘。我一直安慰自己间狂,他們只是感情好攻泼,可當(dāng)我...
    茶點(diǎn)故事閱讀 67,370評(píng)論 6 390
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著鉴象,像睡著了一般忙菠。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上纺弊,一...
    開封第一講書人閱讀 51,274評(píng)論 1 300
  • 那天牛欢,我揣著相機(jī)與錄音,去河邊找鬼淆游。 笑死傍睹,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的犹菱。 我是一名探鬼主播拾稳,決...
    沈念sama閱讀 40,126評(píng)論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼,長(zhǎng)吁一口氣:“原來(lái)是場(chǎng)噩夢(mèng)啊……” “哼腊脱!你這毒婦竟也來(lái)了访得?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 38,980評(píng)論 0 275
  • 序言:老撾萬(wàn)榮一對(duì)情侶失蹤陕凹,失蹤者是張志新(化名)和其女友劉穎悍抑,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體杜耙,經(jīng)...
    沈念sama閱讀 45,414評(píng)論 1 313
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡搜骡,尸身上長(zhǎng)有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,599評(píng)論 3 334
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了佑女。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片浆兰。...
    茶點(diǎn)故事閱讀 39,773評(píng)論 1 348
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡磕仅,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出簸呈,到底是詐尸還是另有隱情榕订,我是刑警寧澤,帶...
    沈念sama閱讀 35,470評(píng)論 5 344
  • 正文 年R本政府宣布蜕便,位于F島的核電站劫恒,受9級(jí)特大地震影響,放射性物質(zhì)發(fā)生泄漏轿腺。R本人自食惡果不足惜两嘴,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,080評(píng)論 3 327
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望族壳。 院中可真熱鬧憔辫,春花似錦、人聲如沸仿荆。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,713評(píng)論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽(yáng)拢操。三九已至锦亦,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間令境,已是汗流浹背杠园。 一陣腳步聲響...
    開封第一講書人閱讀 32,852評(píng)論 1 269
  • 我被黑心中介騙來(lái)泰國(guó)打工, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留舔庶,地道東北人抛蚁。 一個(gè)月前我還...
    沈念sama閱讀 47,865評(píng)論 2 370
  • 正文 我出身青樓,卻偏偏與公主長(zhǎng)得像惕橙,于是被迫代替她去往敵國(guó)和親篮绿。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,689評(píng)論 2 354

推薦閱讀更多精彩內(nèi)容