公众号关注 “GitHubDaily”

设为 “星标”，每天带你逛 GitHub！

转自量子位，作者乾明

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，今日登顶 GitHub 热榜第一。

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。

围绕着数据库，他也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

推荐阅读：Python 趣味打怪：147 段简单代码助你从入门到大师大幅提高开发效率的 9 款工具动画: 一个浏览器是如何工作的？表弟的数学题，我竟然用了 Python 才解出来这款开源的 Markdown 编辑器，我爱了！