爬网页、洗数据、创建海量数据集一条龙！英伟达工程师小姐姐开源工具库

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 !