微信公众号文章语料库

[linsun84]

部分网络抓取的微信公众号的文章，已经去除 HTML ，只包含了纯文本。每行一篇，是 JSON 格式， name 是微信公众号名字， account 是微信公众号 ID ， title 是题目， content 是正文。

Clone 完 Git 之后，要用 git lfs fetch 来拿主要的文件。

目前数据大约 1G ，数据会定期更新增加。

请只用于研究用途。

https://github.com/nonamestreet/weixin_public_corpus

[sharp]

你是怎么抓的

[xlxlxlxl]

我该说 1024 还是好人一生平安(●'◡'●)
楼主好人

[songkaiape]

同问怎么抓取的。。好奇

[linsun84]

文章蛮多的
http://www.cnblogs.com/java-wgm/p/5088674.html

主要有验证码和各种限制。刚更新了，数据增加到了 3G 。