0
我正在研究分類算法。爲了做到這一點,我需要一個包含來自wikimedia的大約10,000個靜態HTML頁面的數據集。類似 page-title-1.html .... page-title-10000.html如何從Wiki獲取10.000靜態html頁面的數據集
我試過谷歌,我發現我的最佳解決方案是從http://dumps.wikimedia.org/other/static_html_dumps/2008-06/en/下載它。
但是,我不知道如何使用它來獲得我想要的。
有一些文件如下
html.lst 2008-Jun-19 17:25:05 692.2M application/octet-stream
images.lst 2008-Jun-19 18:02:09 307.4M application/octet-stream
skins.lst 2008-Jun-19 17:25:06 6.0K application/octet-stream
wikipedia-en-html.tar.7z 2008-Jun-21 16:44:22 14.3G application/x-7z-compressed
我想知道如何與* .LST文件做,什麼是wikipedia-en-html.tar.7z
下載7zip解壓壓縮文件。 http://www.7-zip.org/ – RichieHindle
是的,感謝您的建議,我會嘗試它,但維基百科-en-html.tar.7z約爲14G,它需要一些時間來獲取文件,我只是想確定我是否可以獲取html文件或其他* .lst文件。我不知道如何處理* .lst文件。 – PhucNguyen
'* .lst'文件包含文件列表,而不是實際的內容。我懷疑主存檔包含HTML - 它更可能是維基標記。 – RichieHindle