ABOUT ME

-

Today
-
Yesterday
-
Total
-
  • 한국어 뉴스 데이터로 딥러닝 시작하기 - 2. 위키 덤프 데이터 파싱하기
    프로그래밍/자연어처리 2016. 12. 8. 12:12
    반응형



    한국어 뉴스 데이터로 딥러닝 시작하기 



    2. 위키 덤프 데이터 파싱하기 


     1. 한국어 위키 덤프 다운로드 받기 바로가기  



    이전 포스팅에서 다운로드 받았던 위키 덤프 데이터를 훈련 데이터로 사용하기 위해서는 

    일단 덤프 데이터를 파싱해야 합니다. 


    다행히 세상에는 좋은 오픈 소스들이 많기 때문에 

     그 중 하나인 Wikipedia_Extractor 를 사용해 보겠습니다. 


    Wikipedia_Extractor는 python 기반의 open source로 

    위키 덤프에서 위키 문서의 제목과 본문만 clean text로 추출합니다. 




    홈페이지: http://medialab.di.unipi.it/wiki/Wikipedia_Extractor

    github : https://github.com/attardi/wikiextractor




    python이 이미 깔려있어야 하며 

    Python 2.7 or Python 3.3+ 버전 이상이 필요합니다. 


    설치 및 사용방법은 간단합니다. 



    github clone으로 저장소를 checkout 받고

     WikiExtractor.py의 인수로 덤프 파일을 주면 됩니다. 



    // 

    git clone "https://github.com/attardi/wikiextractor.git"




    python WikiExtractor.py kowiki-20161201-pages-articles.xml.bz2




    그럼 처리되고 있는 타이틀들이 빠르게 지나가면서 파싱이 진행됩니다. 

    참고로 한국어 덤프 파일은 5분 내외로 파싱이 마무리됩니다. 





    wikiextractor 로 파싱된 데이터들은 

    text 디렉토리에 비슷한 사이즈 파일들로 나눠서 저장되어 있습니다.



    /wiki/wikiextractor/text# ll

    total 32

    drwxr-xr-x 8 root root 4096 12월  7 17:19 ./

    drwxr-xr-x 4 root root 4096 12월  7 17:15 ../

    drwxr-xr-x 2 root root 4096 12월  7 17:41 AA/

    drwxr-xr-x 2 root root 4096 12월  7 17:16 AB/

    drwxr-xr-x 2 root root 4096 12월  7 17:17 AC/

    drwxr-xr-x 2 root root 4096 12월  7 17:18 AD/

    drwxr-xr-x 2 root root 4096 12월  7 17:19 AE/

    drwxr-xr-x 2 root root 4096 12월  7 17:19 AF/



    # du -sh *

    100M    AA

    100M    AB

    100M    AC

    100M    AD

    100M    AE

    6.7M    AF





    /wiki/wikiextractor/text/AA# ls

    wiki_00  wiki_06  wiki_12  wiki_18  wiki_24  wiki_30  wiki_36  wiki_42  wiki_48  wiki_54  wiki_60  wiki_66  wiki_72  wiki_78  wiki_84  wiki_90  wiki_96

    wiki_01  wiki_07  wiki_13  wiki_19  wiki_25  wiki_31  wiki_37  wiki_43  wiki_49  wiki_55  wiki_61  wiki_67  wiki_73  wiki_79  wiki_85  wiki_91  wiki_97

    wiki_02  wiki_08  wiki_14  wiki_20  wiki_26  wiki_32  wiki_38  wiki_44  wiki_50  wiki_56  wiki_62  wiki_68  wiki_74  wiki_80  wiki_86  wiki_92  wiki_98

    wiki_03  wiki_09  wiki_15  wiki_21  wiki_27  wiki_33  wiki_39  wiki_45  wiki_51  wiki_57  wiki_63  wiki_69  wiki_75  wiki_81  wiki_87  wiki_93  wiki_99

    wiki_04  wiki_10  wiki_16  wiki_22  wiki_28  wiki_34  wiki_40  wiki_46  wiki_52  wiki_58  wiki_64  wiki_70  wiki_76  wiki_82  wiki_88  wiki_94

    wiki_05  wiki_11  wiki_17  wiki_23  wiki_29  wiki_35  wiki_41  wiki_47  wiki_53  wiki_59  wiki_65  wiki_71  wiki_77  wiki_83  wiki_89  wiki_90








    위 파일들은 여러 개의 문서들을 아래 format으로 저장하고 있습니다. 



     <doc id="" revid="" url="" title="">

            ...

            </doc>




    아래는 지미 카터 제목의 문서의 추출 예시입니다. 





    <doc id="5" url="https://ko.wikipedia.org/wiki?curid=5" title="지미 카터">

    지미 카터


    제임스 얼 "지미" 카터 주니어(, 1924년 10월 1일 ~ )는 민주당 출신 미국 39번째 대통령(1977년 ~ 1981년)이다.

    지미 카터는 조지아 주 섬터 카운티 플레인스 마을에서 태어났다. 조지아 공과대학교를 졸업하였다. 그 후 해군에 들어가 전함·원자력·잠수함의 승무원으로 일하였다. 1953년 미국 해군 대

    위로 예편하였고 이후 땅콩·면화 등을 가꿔 많은 돈을 벌었다. 그의 별명이 "땅콩 농부" (Peanut Farmer)로 알려졌다.

    1962년 조지아 주 상원 의원 선거에서 낙선하나 그 선거가 부정선거 였음을 입증하게 되어 당선되고, 1966년 조지아 주 지사 선거에 낙선하지만 1970년 조지아 주 지사를 역임했다. 대통령

    이 되기 전 조지아 주 상원의원을 두번 연임했으며, 1971년부터 1975년까지 조지아 지사로 근무했다. 조지아 주지사로 지내면서, 미국에 사는 흑인 등용법을 내세웠다.

    1976년 대통령 선거에 민주당 후보로 출마하여 도덕주의 정책으로 내세워, 포드를 누르고 당선되었다.

    카터 대통령은 에너지 개발을 촉구했으나 공화당의 반대로 무산되었다.

    카터는 이집트와 이스라엘을 조정하여, 캠프 데이비드에서 안와르 사다트 대통령과 메나헴 베긴 수상과 함께 중동 평화를 위한 캠프데이비드 협정을 체결했다.

    그러나 이것은 공화당과 미국의 유대인 단체의 반발을 일으켰다. 1979년 백악관에서 양국 간의 평화조약으로 이끌어졌다. 또한 소련과 제2차 전략 무기 제한 협상에 조인했다.

    카터는 1970년대 후반 당시 대한민국 등 인권 후진국의 국민들의 인권을 지키기 위해 노력했으며, 취임 이후 계속해서 도덕정치를 내세웠다.

    그러나 주 이란 미국 대사관 인질 사건에서 인질 구출 실패를 이유로 1980년 대통령 선거에서 공화당의 로널드 레이건 후보에게 져 결국 재선에 실패했다. 또한 임기 말기에 터진 소련의 >아프가니스탄 침공 사건으로 인해 1980년 하계 올림픽에 반공국가들의 보이콧을 내세웠다.

    지미 카터는 대한민국과의 관계에서도 중요한 영향을 미쳤던 대통령 중 하나다. 인권 문제와 주한미군 철수 문제로 한때 한미 관계가 불편하기도 했다. 1978년 대한민국에 대한 조선민주주

    의인민공화국의 위협에 대비해 한미연합사를 창설하면서, 1982년까지 3단계에 걸쳐 주한미군을 철수하기로 했다. 그러나 주한미군사령부와 정보기관·의회의 반대에 부딪혀 주한미군은 완전

    철수 대신 6,000명을 감축하는 데 그쳤다 . 또한 박정희 정권의 인권 문제 등과의 논란으로 불협화음을 냈으나, 1979년 6월 하순, 대한민국을 방문하여 관계가 다소 회복되었다.

    1979년 ~ 1980년 대한민국의 정치적 격변기 당시의 대통령이었던 그는 이에 대해 애매한 태도를 보였고, 이는 후에 대한민국 내에서 고조되는 반미 운동의 한 원인이 됐다. 10월 26일, 박>정희 대통령이 김재규 중앙정보부장에 의해 살해된 것에 대해 그는 이 사건으로 큰 충격을 받았으며, 사이러스 밴스 국무장관을 조문사절로 파견했다. 12·12 군사 반란과 5.17 쿠데타에 대

    해 초기에는 강하게 비난했으나, 미국 정부가 신군부를 설득하는데, 한계가 있었고 결국 묵인하는 듯한 태도를 보이게 됐다.

    퇴임 이후 민간 자원을 적극 활용한 비영리 기구인 카터 재단을 설립한 뒤 민주주의 실현을 위해 제 3세계의 선거 감시 활동 및 기니 벌레에 의한 드라쿤쿠르스 질병 방재를 위해 힘썼다. 미국의 빈곤층 지원 활동, 사랑의 집짓기 운동, 국제 분쟁 중재 등의 활동도 했다.

    카터는 카터 행정부 이후 미국이 북핵 위기, 코소보 전쟁, 이라크 전쟁과 같이 미국이 군사적 행동을 최후로 선택하는 전통적 사고를 버리고 군사적 행동을 선행하는 행위에 대해 깊은 유>감을 표시 하며 미국의 군사적 활동에 강한 반대 입장을 보이고 있다.

    특히 국제 분쟁 조정을 위해 조선민주주의인민공화국의 김일성, 아이티의 세드라스 장군, 팔레인스타인의 하마스, 보스니아의 세르비아계 정권 같이 미국 정부에 대해 협상을 거부하면서 >사태의 위기를 초래한 인물 및 단체를 직접 만나 분쟁의 원인을 근본적으로 해결하기 위해 힘썼다. 이 과정에서 미국 행정부와 갈등을 보이기도 했지만, 전직 대통령의 권한과 재야 유명 >인사들의 활약으로 해결해 나갔다.

    1978년에 채결된 캠프데이비드 협정의 이행이 지지부진 하자 중동 분쟁 분제를 해결하기 위해 1993년 퇴임 후 직접 이스라엘과 팔레인스타인의 오슬로 협정을 이끌어 내는 데도 성공했다.

    1993년 1차 북핵 위기 당시 조선민주주의인민공화국에 대한 미국의 군사적 행동이 임박했으나, 미국 전직 대통령으로는 처음으로 조선민주주의인민공화국을 방문하고 미국과 조선민주주의>인민공화국 양국의 중재에 큰 기여를 해 위기를 해결했다는 평가를 받았다. 또한 이 때 김일성 주석과 김영삼 대통령의 만남을 주선했다. 하지만 그로부터 수주일 후 김일성이 갑자기 사망

    하여 김일성과 김영삼의 만남은 이루어지지 못했다.

    미국의 관타나모 수용소 문제, 세계의 인권문제에서도 관심이 깊어 유엔에 유엔인권고등판무관의 제도를 시행하도록 노력하여 독재자들의 인권 유린에 대해 제약을 하고, 국제형사재판소를

     만드는 데 기여하여 독재자들 같은 인권유린범죄자를 재판소로 회부하여 국제적인 처벌을 받게 하는 등 인권 신장에 크나 큰 기여를 했다.

    2011년 4월 26일부터 29일까지 조선민주주의인민공화국을 3일간 방문했다.

    경제문제를 해결하지 못하고 주 이란 미국 대사관 인질 사건에 발목이 잡혀 실패한 대통령으로 평가를 받지만 이란 사태는 미국 내 이란 재산을 풀어주겠다는 조건을 내세워서 사실상 카터

    가 해결한 것이었고, 사랑의 집짓기 운동 등으로 퇴임 후에 훨씬 더 존경받는 미국 대통령 중에 특이한 인물로 남았다.

    그는 2002년 말 인권과 중재 역할에 대한 공로를 인정받아 노벨 평화상을 받게 되었다.


    </doc>

    <doc id="9" url="https://ko.wikipedia.org/wiki?curid=9" title="수학">






    참고로 공백이나 형태소 단위로 토큰화된 한국어 위키 덤프 데이터 (문장만 포함)는 아래 github에 올려두었다. 

    앞으로 진행되는 다른 연재 자료들도 계속 추가할 예정이니 필요하신 분은 watch를 걸어주셍 : ) 


    github 바로가기 


     https://github.com/roboreport/doc2vec-api/




    이제 이 데이터들을 형태소 태깅하여 doc2vec 모델 훈련을 시켜보도록 하겠습니다. 









    728x90
    반응형
Designed by Tistory.