क्या किसी के पास एक छोटे से कॉर्पस में उपयोग के लिए दैनिक अंग्रेजी पाठ के अभिलेखागार या संग्रह कहां से ढूंढना है? मैं एक कामकाजी प्रोटोटाइप के लिए गुटेनबर्ग परियोजना पुस्तकों का उपयोग कर रहा हूं, और अधिक समकालीन भाषा को शामिल करना चाहता हूं। एक recent answer यहां अप्रत्यक्ष रूप से एक महान archive of usenet movie reviews पर इंगित किया गया, जो मेरे साथ नहीं हुआ था, और यह बहुत अच्छा है। इस विशेष कार्यक्रम के लिए तकनीकी यूजनेट अभिलेखागार या प्रोग्रामिंग मेलिंग सूचियां परिणाम झुकाएंगी और विश्लेषण करने में कठोर होंगी, लेकिन किसी भी प्रकार का सामान्य ब्लॉग टेक्स्ट, या चैट ट्रांसक्रिप्ट, या जो कुछ भी दूसरों के लिए उपयोगी हो सकता है, वह बहुत उपयोगी होगा। साथ ही, आंशिक या डाउनलोड करने योग्य शोध कॉर्पस जो कि बहुत ही चिह्नित नहीं है, या विकिपीडिया लेखों, या किसी अन्य विचार के उपयुक्त सबसेट खोजने के लिए कुछ ह्युरिस्टिक है, की बहुत सराहना की जाती है।एनएलपी: बिल्डिंग (छोटा) निगम, या "बहुत-बहुत-विशेष अंग्रेजी-भाषा टेक्स्ट फाइलें कहां प्राप्त करें?"
(बीटीडब्ल्यू, मैं एक जानबूझकर धीमी स्क्रिप्ट का उपयोग कर एक अच्छा नागरिक w/r/t डाउनलोड कर रहा हूं, जो इस तरह की सामग्री को होस्ट करने वाले सर्वरों पर मांग नहीं कर रहा है, अगर आपको किसी चीज़ को इंगित करने में नैतिक खतरा लगता है।)
अद्यतन: उपयोगकर्ता S0rin बताता है कि विकिपीडिया कोई क्रॉलिंग अनुरोध नहीं करता है और इसके बजाय this export tool प्रदान करता है। प्रोजेक्ट गुटेनबर्ग में here निर्दिष्ट नीति है, नीचे की रेखा, क्रॉल न करने का प्रयास करें, लेकिन यदि आपको यह करना है: "अनुरोध के बीच कम से कम 2 सेकंड प्रतीक्षा करने के लिए अपने रोबोट को कॉन्फ़िगर करें।"
अद्यतन 2 विकिपीडिया डंप जाने का रास्ता है, उत्तरदाताओं ने उन्हें इंगित किया। मैं यहां से अंग्रेजी संस्करण का उपयोग कर समाप्त हुआ: http://download.wikimedia.org/enwiki/20090306/, और एक आधे आकार के स्पेनिश डंप। वे साफ करने के लिए कुछ काम हैं, लेकिन इसके लायक हैं, और उनमें लिंक में बहुत उपयोगी डेटा है।
यह बहुत उपयोगी है, धन्यवाद – unmounted
इसके अलावा, 40 मिलियन शब्द एक आदर्श आकार है, और मैं क्या कर रहा हूं अब तक का उपयोग कर, Europarl डेटा सही है। – unmounted
आरएसएस फ़ीड इतनी साफ नहीं हो सकती है कि वे सीडीएटीए का उपयोग करें, जो एचटीएमएल को फ़ीड में एम्बेड करने की अनुमति देता है। – VirtuosiMedia