我是信息处理方向的，做文本分类方面的研究，需要语料库。在论坛学习后下载了LCMC和PH语料库的数据，但这两个语料库是分词之后的，请问如何得到分词前的整篇文本呢？非常感谢!
You are using an out of date browser. It may not display this or other websites correctly.
You should upgrade or use an alternative browser.
You should upgrade or use an alternative browser.
如何获得LCMC和PH语料库的全文
- 主题发起人 smilelife1979
- 时间
以前碰到过类似的情况。这里说一种有效的做法，用EditPro Pad或其他软件如 PowerGrep打开你的语料库（MS word加载大语料库很慢）,用正则表达式查找然后全部替换即可。编写表达式的时候，一定要考虑周全些，不要有漏网之鱼。我是信息处理方向的，做文本分类方面的研究，需要语料库。在论坛学习后下载了LCMC和PH语料库的数据，但这两个语料库是分词之后的，请问如何得到分词前的整篇文本呢？非常感谢!
回复: Re: 如何获得LCMC和PH语料库的全文
谢谢！对PH语料库试了EditPlus正则表达式，结果EditPlus没响应了，可能文件太大（2447700行）。因为这个库缺乏每个文本时间信息，所以想问发布者是否有原文可以提供。说明里提到这是Guo Jin's Chinese PH corpus，Guo Jin是中科院的？有知道联系方式的可以提供以下吗？
以前碰到过类似的情况。这里说一种有效的做法，用EditPro Pad或其他软件如 PowerGrep打开你的语料库（MS word加载大语料库很慢）,用正则表达式查找然后全部替换即可。编写表达式的时候，一定要考虑周全些，不要有漏网之鱼。
谢谢！对PH语料库试了EditPlus正则表达式，结果EditPlus没响应了，可能文件太大（2447700行）。因为这个库缺乏每个文本时间信息，所以想问发布者是否有原文可以提供。说明里提到这是Guo Jin's Chinese PH corpus，Guo Jin是中科院的？有知道联系方式的可以提供以下吗？
回复: 如何获得LCMC和PH语料库的全文
The source information, include date of publication, of each text sample in the LCMC is available at the corpus website. e.g. for news reports in category A:
http://www.lancs.ac.uk/fass/projects/corpus/LCMC/lcmc/kat_a.htm
The source information, include date of publication, of each text sample in the LCMC is available at the corpus website. e.g. for news reports in category A:
http://www.lancs.ac.uk/fass/projects/corpus/LCMC/lcmc/kat_a.htm