此專案爬取中國時報、聯合報 及 Yahoo新聞的新聞資料,並對新聞進行分詞,最終產生各種長度的詞彙頻率。
本專案首先以 Ngrams 產生初步的 辭彙庫,並基於 ngrams 詞彙庫來進行 Maximum Matching 分詞產生另一組辭彙庫。
主要是針對新聞網站提供的 RSS 去爬取資料,使用的函式庫包括:
- feedparser: 解析 RSS feed
- urllib and requests: 解析網址和發送 http 請求
- beautifulsoup4: 解析 HTML
- 此程式輸出長度為 2 ~ 5 的詞彙,檔案皆置於
output/
output/lexicon
: 裡面有 MM.json 及 Ngrams.json 兩個檔案,分別紀錄了兩種分詞方法所產生的詞彙output/stats/grams
: 此路徑中含有 ngrams 方法統計出的日、月、年熱門詞彙