爬網頁、洗數據、創建海量數據集一條龍！英偉達工程師開源工具庫
英偉達工程師小姐姐Chip Huyen，在GitHub上開源了一個名為“lazynlp”的工具庫。爬網頁、清洗數據、創建數據集都可以搞定。
乾明 發自 凹非寺
量子位 報道 | 公眾號 QbitAI
想做研究，卻沒有足夠的數據，著實讓人抓狂、苦惱。
現在，你可以自己動手創建數據集了。
英偉達工程師小姐姐Chip Huyen，在GitHub上開源了一個名為“lazynlp”的工具庫。
爬網頁、清洗數據、創建數據集都可以搞定。
她說，使用這個庫，你應該能創建一個比大于40G的文本數據集，比OpenAI訓練GPT-2時使用的還要大。
開源僅一天，項目在GitHub上就獲得了300多星，Twitter上獲得上千次點贊。fast.ai創始人Jeremy Howard等人也轉發推薦。
而且，用這個工具庫創建數據集的過程，也并不麻煩。
五步走，一條龍
第一步，獲取你想抓取的網頁的網址。
小姐姐提供了三個你可以直接拿走使用的網址集合，分別來自Reddit、古騰堡計劃（電子書）、維基百科。
當然，你也可以下載自己的。
第二步，刪除重復的網址。
網址有很多，重復也在所難免。
這里提供了兩種方法，來刪除重復的網址。
第三步，下載網址內容。
這里提供了兩種方法，一種可以并行下載多個文件，另一種可以單獨下載網頁內容。
如果網址數量比較大，可以將列表分成多個文件的，分別調用函數。
小姐姐說，自己能夠并行40個腳本，下載起來也更容易一些。
第四步，清理網頁。
這一步有3個方法可以選擇，一是使用lazynlp/cleaner.py中的方法，二是直接調用命令行：
lazynlp.clean_page(page)
另外，也可以使用lazynlp.download_pages ( )函數，同時爬網頁并清理。
第五步，刪除重復網頁。
網站下載好了，該清理的東西都清理了，接下來需要去重。
不然就會有一些文本重復出現，從而影響數據集的表現。
小姐姐提供了3個函數，可以幫你完成步驟。
做完這些，你就有自己的NLP數據集了，想干什么就可以放手去做了。
如果你有想法，請收好下面的傳送門：
https://github.com/chiphuyen/lazynlp
- 滴滴副總裁葉杰平離職，他是出行巨頭的AI掌門人，戰勝Uber中國的關鍵科學家2020-09-07
- 董明珠的格力空調賣不動了：上半年營收同比腰斬，24年來首次被美的反超2020-09-01
- 手機配件市場上的“隱形巨頭”：80后長沙夫妻創辦，IPO首日市值逼近600億2020-08-31
- 寒武紀半年報：每天虧百萬，銷售力度提升營收反降11%，上市高峰市值跌去40%2020-08-30
相關閱讀
2000 行代碼，帶你寫一個自己的 SQL 數據庫
“Go SQL DB” 是一個研究目的的支持SQL查詢的關系型數據庫。主要目標是為了向數據庫愛好者展示一個關系型數據庫的基本原理和關鍵設計。
