WP2TXT 0.3.0下载地址

中提取文本从维基百科转储文件快速和容易。

WP2TXT是一种小型，易于使用的应用专门设计的，以帮助您从维基百科转储文件（XML /用bzip2编程的编码）剥离所有的MediaWiki标记和其他元数据中提取纯文本数据。

原本打算寻找一个简单的神器出山:www.shenqi73.com方法来获得开源多语种语料库的研究人员是有用的，但用于其他目的可能是很方便的。

下面是一些主要特点“WP2TXT”：

·转储文件转换不同语言的维基百科（只考英语和日语的，虽然）。
·创建输出文件指定的编码和尺寸。
·允许用户指定文本元素（标题，标题，段落等）提取/转换。
·允许用户决定是否嵌入在文本中的脚注（及等）会被跳过或不。
·字符引用被转换为UTF-8的实体。