한국어 위키 텍스트

한국어 위키 텍스트는 lovit@github 님이 한국어 위키백과를 텍스트 형태로 가공해 공개한 데이터입니다. 데이터 정보는 다음과 같습니다.

• author: lovit@github
• repository: https://github.com/lovit/kowikitext
• size:
  • train : 26,794,425 lines (877,754 articles, 1.7G)
  • dev : 130,419 lines (4,433 articles, 7.7M)
  • test : 134,340 lines (4,434 articles, 8.4M)

데이터 구조는 다음과 같습니다.

1. 파이썬에서 사용하기

파이썬 콘솔을 실행한 뒤 말뭉치를 내려받고 읽어들일 수 있습니다.

말뭉치 다운로드

한국어 위키 텍스트를 로컬에 내려 받는 파이썬 예제는 다음과 같습니다.

from Korpora import Korpora
Korpora.fetch("kowikitext")

말뭉치 읽어들이기

한국어 위키 텍스트를 파이썬 콘솔에서 읽어들이는 예제는 다음과 같습니다. 말뭉치가 로컬에 없다면 다운로드도 함께 수행합니다.

from Korpora import Korpora
corpus = Korpora.load("kowikitext")

다음과 같이 실행해도 한국어 위키 텍스트를 읽어들일 수 있습니다. 수행 결과는 위의 코드와 동일합니다.

from Korpora import KowikiTextKorpus
corpus = KowikiTextKorpus()

위 코드 둘 중 하나를 택해 실행하면 corpus라는 변수에 말뭉치를 로드합니다. train은 한국어 위키 텍스트의 train 데이터로 첫번째 인스턴스는 다음과 같이 확인할 수 있습니다.

>>> corpus.train[0]
SentencePair(text='외교부장\n외교부장', pair=' = 분류:중화인민공화국의 외교부장 =')
>>> corpus.train[0].text
'외교부장\n외교부장'
>>> corpus.train[0].pair
= 분류:중화인민공화국의 외교부장 =

dev, test는 각각 한국어 위키 텍스트의 dev, test 데이터로 첫번째 인스턴스는 다음과 같이 확인할 수 있습니다.

>>> corpus.dev[0]
SentencePair(text='스폴리아텔레(, )는 이탈리아의 후식으로서 ...', pair=' = 스폴리아텔레 =')
>>> corpus.test[0]
SentencePair(text='기타', pair=' = 분류:러시아의 기타 연주자 =')

get_all_texts라는 메소드를 실행하면 한국어 위키 텍스트의 모든 text(섹션 본문)를 확인할 수 있습니다.

>>> corpus.get_all_texts()
['외교부장\n외교부장', ... ]

get_all_pairs라는 메소드를 실행하면 한국어 위키 텍스트의 모든 pair(섹션 타이틀)를 확인할 수 있습니다.

>>> corpus.get_all_pairs()
['= 분류:중화인민공화국의 외교부장 =', ... ]

2. 터미널에서 사용하기

파이썬 콘솔 실행 없이 바로 말뭉치를 다운받을 수 있습니다. 다음과 같이 실행하면 됩니다.

korpora fetch --corpus kowikitext