微信公众号文章语料库

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

For Existing Member Sign In

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

This topic created in 3654 days ago, the information mentioned may be changed or developed.

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

git

微信

公众

语料库

4 replies • 2016-05-09 12:36:24 +08:00

sharp

May 7, 2016

你是怎么抓的

xlxlxlxl

May 8, 2016

我该说 1024 还是好人一生平安(●'◡'●)
楼主好人

songkaiape

May 9, 2016

同问怎么抓取的。。好奇

linsun84

May 9, 2016

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 。