GitHub热榜:最全中华古诗词数据库,收录30多万诗词

收录5.5万首唐诗,超过28万首宋词,还囊括了诗经、论语、蒙学等……这个名为“chinese-poetry”、号称“最全中文诗歌古典文集数据库”的项目,登顶GitHub热榜。

截止发稿,这一项目已获得近2.5万标星,Fork超过4600,受欢迎度可见一斑。
项目发起者名为Jackey,在Teambition从事运维自动化工作。他解释了为什么要做这个仓库:

从某种意义上来说,这些庞大的文集离我们是有一定距离的。而电子版方便拷贝,所以此开源数据库诞生了。此数据库通过 JSON 格式分发,可以让你很方便的开始你的项目。

10大数据集

整个项目最核心的内容,就是数据集了。目前,仓库中一共有10个数据集,分别是:全唐诗、全宋诗、全宋词、五代·花间集、五代·南唐二主词、论语、诗经、幽梦影、四书五经、蒙学。

这些数据,都来自互联网。如何采集的?项目发起者也分享了全宋词爬取过程及数据分析。为什么没有古诗?他也给出了解释,古诗采集没有记录过程,因为古诗数据庞大,目标网站有限制,采集过程经常中断超过了一个星期。围绕数据库,他进行了一个初步的词频分析:

但这些数据集的应用,远远不止于此。

8大案例展示

在项目中,

作者也放上了使用数据集的应用案例。有基于浏览器的诗词网站,有安卓版的应用“离线全唐诗”,有简体唐诗生成(char-RNN),也诗词桌面和相关小程序等等。

而且这些项目,也大都在GitHub上开源了。

如果你有兴趣,可以收好传送门:

https://github.com/chinese-poetry/chinese-poetry