网址：http://en.wikipedia.org/wiki/Wikipedia 数据获得描述： 1.获取主页的内容，分析网页内容并找到主页上所有的本站链接

发布于2013-5-10Web2.0这一概念，由O'Reilly媒体公司总裁兼CEO提姆·奥莱理提出。他是美国IT业界公认的传奇式人物，是“开放源码”概念的缔造者，一直倡导开放标准，并活跃在开放源码运动的最前沿。在Web2.0革命中，维基（Wiki）的起源比博客还要早。博客是自己一个人编写维护，每天更新博客会让你思维枯竭，维基技术和支持它的网页就能够让大家群策群力一起交流共同爱好。维基对所有人包括浏览Wiki页面的人都是全开放的。也就是说，每个人都可以任意创建、修改和删除网站上的页面内容。维基和博客相比更加具有团队精神。通常我们将Wiki翻译为“维基”，到底何为Wiki？Wiki一词来源于夏威

维基中文语料库(非最新)(两部分此为Part1) zhwiki-latest-pages-articles.xml.bz2_.part1 | Part2不需要积分, Part2链接：https://download.csdn.net/download/Joker_Q/14967774

维基中文语料库(非最新)(两部分此为Part2) zhwiki-latest-pages-articles.xml.bz2_.part2 | 原压缩包太大需要分两次上传，part1链接：https://download.csdn.net/download/Joker_Q/14967708

数据来源于中文维基百科，利用gensim进行数据抽取，再经过繁体字转换成简体字，得到纯净的文本语料，可用于词向量训练。

将wiki上article数据进行下载，通过维基百科抽取工具将xml格式解析成txt格式，然后使用opencc将繁体转化为简体。在抽取时将文档分了段，因此只上传了部分文档

支持国产开源软件。互动维客开源系统（HDwiki）作为中国第一家拥有自主知识产权的中文维基（Wiki）系统，由互动在线（北京）科技有限公司于2006 年11月28日正式推出，力争为给国内外众多的维基（Wiki）爱好者提供一个免费、易用、功能强大的维基（Wiki）建站系统。HDwiki的推出，填补了中文维基（Wiki)的空白。

中文维基百科语料库，将其转换为文本文件后，进行繁体字转换为简体字，字符集转换，分词，然后训练得到模型以及向量。由于文件上传的大小限制是60MB，而训练后的所有文件大小有1G以上，所以这里只提供了下载链接，地址在网盘中。使用python中的gensim包进行训练得到的，运行时间较长，纯粹的维基百科中文语料训练后的结果，拿去可以直接使用。

这是最新的中文维基百科语料库（截至2019年2月20日），可以用来训练word2vec词向量，做文本分类，官网特别难下载，因此分享出来

自己用来训练word2vec的，已提取文本，做了分词处理，过滤了大部分的特殊字符。 共包含3273626个段落的文本（一个段落包含了多个语句）。 处理后的语料有1.1G，由于文件较大，提供百度网盘下载地址。