Duplicar posible:
Looking for dataset to test FULLTEXT style searches on¿Dónde puedo encontrar una gran cantidad de archivos de texto?
Soy recientemente a un proyecto de minería de datos, para lo cual necesito 100 GB de texto plano para la prueba ... estoy cansado de buscar la red todo el día. Alguien por favor ayúdenme proporcionando los enlaces donde puedo descargar tales archivos de texto. Gracias.
¿Qué tipo de texto estás buscando? Conversacional, artículos, libros, ¿o una buena difusión de todo?
Proyecto Gutenberg podría ser un buen comienzo: http://www.gutenberg.org/
Wikipedia también le permite descargar un archivo de artículos: http://en.wikipedia.org/wiki/Wikipedia:Database_download
Sí ... cualquier tipo de archivo de texto está bien ... sí ... conversación, artículos, documentales, novelas ... etc ...! – Sri
El proyecto Gutenberg probablemente sea su mejor opción, hay más de 38,000 libros gratis allí. La mayoría de ellos se pueden descargar como archivos de texto sin formato. – Jordan
¿Hay una mejor manera ... en lugar de descargar cada archivo de texto uno tras otro ... ¿puedo obtener un archivo comprimido cuyo tamaño es del orden de 1 GB? – Sri
se debe utilizar http://dumps.wikimedia.org/
¿puede por favor proporcionarme un enlace específico ..! n vi un archivo comprimido de formato xml, alrededor de 230 GB. Aquí está el enlace ... http://en.wikipedia.org/wiki/Wikipedia:Database_download ... antes de descargar me gustaría saber qué hay exactamente dentro de él ... ps: estamos buscando archivos de texto que tengan algún significado texto ... como conversaciones, documentales, etc. – Sri
es en realidad un archivo de volcado del archivo de volcado de Wikimedia. Y generalmente contiene un artículo de Wikipedia en formato xml. Así que puede verificarlo. Creo que debería ser útil para usted. – vikky
¿Estás tratando archivo de texto descarga de 100 GB. .... – vikky
¡Sí! Más de 100 GB en realidad ... ¡1TB es nuestro objetivo ...! – Sri
Obtenga todo el gutenberg en un archivo 7zip: http://www.gutenberg-tar.com/ – JoeRocc