今日GitHub热榜第一：最全中华古诗词数据库，收录30多万诗词
乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI
收录5.5万首唐诗，超过28万首宋词，还囊括了诗经、论语、蒙学等……
这个名为“chinese-poetry”、号称“最全中文诗歌古典文集数据库”的项目，今日登顶GitHub热榜第一。
截止发稿，这一项目已获得近2.5万标星，Fork超过4600，受欢迎度可见一斑。
项目发起者名为Jackey，在Teambition从事运维自动化工作。他解释了为什么要做这个仓库：
从某种意义上来说，这些庞大的文集离我们是有一定距离的。而电子版方便拷贝，所以此开源数据库诞生了。此数据库通过 JSON 格式分发，可以让你很方便的开始你的项目。
10大数据集
整个项目最核心的内容，就是数据集了。
目前，仓库中一共有10个数据集，分别是：全唐诗、全宋诗、全宋词、五代·花间集、五代·南唐二主词、论语、诗经、幽梦影、四书五经、蒙学。
这些数据，都来自互联网。如何采集的？项目发起者也分享了全宋词爬取过程及数据分析。
为什么没有古诗？他也给出了解释，古诗采集没有记录过程，因为古诗数据庞大，目标网站有限制，采集过程经常中断超过了一个星期。
围绕着数据库，他也进行了一个初步的词频分析：
但这些数据集的应用，远远不止于此。
8大案例展示
在项目中，作者也放上了使用数据集的应用案例。
有基于浏览器的诗词网站，有安卓版的应用“离线全唐诗”，有简体唐诗生成(char-RNN)，也诗词桌面和相关小程序等等。
而且这些项目，也大都在GitHub上开源了。
如果你有兴趣，可以收好传送门：
https://github.com/chinese-poetry/chinese-poetry
版权所有，未经授权不得以任何形式转载及使用，违者必究。
- 滴滴副总裁叶杰平离职，他是出行巨头的AI掌门人，战胜Uber中国的关键科学家2020-09-07
- 董明珠的格力空调卖不动了：上半年营收同比腰斩，24年来首次被美的反超2020-09-01
- 手机配件市场上的“隐形巨头”：80后长沙夫妻创办，IPO首日市值逼近600亿2020-08-31
- 寒武纪半年报：每天亏百万，销售力度提升营收反降11%，上市高峰市值跌去40%2020-08-30
相关阅读
