乾明 发自 凹非寺 

量子位 报道 | 公众号 QbitAI
想做研究，却没有足够的数据，着实让人抓狂、苦恼。
现在，你可以自己动手创建数据集了。
英伟达工程师小姐姐Chip Huyen，在GitHub上开源了一个名为“lazynlp”的工具库。
爬网页、清洗数据、创建数据集都可以搞定。
她说，使用这个库，你应该能创建一个比大于40G的文本数据集，比OpenAI训练GPT-2时使用的还要大。
开源仅一天，项目在GitHub上就获得了300多星，Twitter上获得上千次点赞。fast.ai创始人Jeremy Howard等人也转发推荐。
而且，用这个工具库创建数据集的过程，也并不麻烦。

五步走，一条龙

第一步，获取你想抓取的网页的网址。
小姐姐提供了三个你可以直接拿走使用的网址集合，分别来自Reddit、古腾堡计划（电子书）、维基百科。
当然，你也可以下载自己的。
第二步，删除重复的网址。
网址有很多，重复也在所难免。
这里提供了两种方法，来删除重复的网址。
第三步，下载网址内容。
这里提供了两种方法，一种可以并行下载多个文件，另一种可以单独下载网页内容。
如果网址数量比较大，可以将列表分成多个文件的，分别调用函数。
小姐姐说，自己能够并行40个脚本，下载起来也更容易一些。
第四步，清理网页。
这一步有3个方法可以选择，一是使用lazynlp/cleaner.py中的方法，二是直接调用命令行：
lazynlp.clean_page(page)
另外，也可以使用lazynlp.download_pages ( )函数，同时爬网页并清理。
第五步，删除重复网页。
网站下载好了，该清理的东西都清理了，接下来需要去重。
不然就会有一些文本重复出现，从而影响数据集的表现。
小姐姐提供了3个函数，可以帮你完成步骤。
做完这些，你就有自己的NLP数据集了，想干什么就可以放手去做了。
如果你有想法，请收好下面的传送门：
https://github.com/chiphuyen/lazynlp
— 完 —
一份小调查
大噶好，
为了了解大家感兴趣的话题，丰富我们的报道内容，带来更好的阅读体验，请大家帮我们填一份调查问卷鸭，扫码即可进入问卷页面。
笔芯。（￣︶￣）➷➷➷
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
喜欢就点「好看」吧 !
继续阅读
阅读原文