在进行自然语言处理之前，首先需要一个语料，这里选择*中文语料，由于*是 .xml.bz2文件，所以要将其转换成.txt文件，下面就是相关步骤：
步骤一：下载*中文语料
https://dumps.wikimedia.org/zhwiki/latest/zhwiki-latest-pages-articles.xml.bz2
然后解压文件
文件夹里是一个这个文件
步骤二：安装依赖库
我们需要安装一些依赖库，有numpy、scipy以及gensim，安装gensim依赖于scipy，安装scipy依赖于numpy。我们直接用pip安装numpy，在windows命令行下使用命令：
1 pip install numpy 2 pip install scipy 3 pip install gensim
步骤三：将xml.bz2文件转换成.text文件
注意：我在网上找的代码，通常说会因为python2和python3的版本不同在使用python3进行解压会在output.write(space.join(text) + "\n")这一句出现提示关于byte或str的错误，
但是我用了python3修改的代码，反而出现错误，其实现在下载的语料直接用python2的代码也可以。
*********不过为了有些人可能采用下面代码会出现byte和str的错误，我将之前网上找的对于python3代码的修改依然保留（32-40行）***********************
（1）写代码 命名为process_wiki.py
2 # -*- coding:utf-8 -*- 3 # Author:Gao 4 import logging 5 import os.path 6 import six 7 import sys 8 import warnings 9 10 warnings.filterwarnings(action='ignore', category=UserWarning, module='gensim') 11 from gensim.corpora import WikiCorpus 12 13 if __name__ == '__main__': 14 program = os.path.basename(sys.argv[0]) 15 logger = logging.getLogger(program) 16 17 logging.basicConfig(format='%(asctime)s: %(levelname)s: %(message)s') 18 logging.root.setLevel(level=logging.INFO) 19 logger.info("running %s" % ' '.join(sys.argv)) 20 21 # check and process input arguments 22 if len(sys.argv) != 3: 23 print("Using: python process_wiki.py enwiki.xxx.xml.bz2 wiki.en.text") 24 sys.exit(1) 25 inp, outp = sys.argv[1:3] 26 space = " " 27 i = 0 28 29 output = open(outp, 'w',encoding='utf-8') 30 wiki = WikiCorpus(inp, lemmatize=False, dictionary={}) 31 for text in wiki.get_texts(): 32 # if six.PY3: 33 # output.write(b' '.join(text).decode('utf-8') + '\n') 34 35 36 37 38 39 # else: 40 # output.write(space.join(text) + "\n") 41 output.write(space.join(text) + "\n") 42 i=i+1 43 if (i%10000==0): 44 logger.info("Saved " + str(i) + " articles") 45 46 output.close() 47 logger.info("Finished Saved " + str(i) + " articles")
（2）运行代码（在cmd中运行）
首先到自己下载的中文*预料的文件夹下，将自己的语料库和执行文件放在同一个文件夹下，这样方便执行，然后进入放置这两个文件的文件夹下（我的在f盘）
python process_wiki.py zhwiki-latest-pages-articles.xml.bz2 wiki.zh.text
（3）运行结果（运行时间比较长，耐心等待，后面就出结果啦）
现在我们就得到了处理后的中文*.txt文档，下一篇我们将进一步对文档进行处理
相关参考：https://www.jianshu.com/p/98d84854f7a3