网上可供下载的重要数据大整理

目前网上可供下载的数据众多，但是内容庞杂，我把其中比较有用的数据找了出来。 
  
wiki系： 
wikipedia大家都不陌生，它的下载地址是：http://dumps.wikimedia.org/ , 这里有详细介绍：http://en.wikipedia.org/wiki/Wikipedia:Database_download 
但是wikipedia只是Wikimedia基金会的一个子项目，wikimedia下面还有多个其他的重要项目，包括： 
wiktionary    一个语义化的关联词典，形式上类似于wordnet 
wikiquote    收录各种名人名言 
Wikibooks    免费的教科书和手册 
Wikinews    大量的新闻故事 
Wikiversity    免费的教育材料 
Wikisource    免费的文本内容 
上述的这些内容，都可以通过http://dumps.wikimedia.org/ 下载到。 
还有一些小型的wiki项目，比如： 
http://simple.wikipedia.org    使用Basic English写的wiki，给儿童和初学者看 
http://simple.wiktionary.org    使用Basic English写的wiktionary 
  
wikipedia的数据处理有很多方式，我比较推崇这两个： 
jwpl:    http://code.google.com/p/jwpl/ 
wikipedia-miner:   http://wikipedia-miner.cms.waikato.ac.nz/wiki/ 
  
下面我介绍下另一个商业化的wiki网站:http://www.wikia.com  这个网站上用户可以创建单独的维基网站，下面是排名前250位wikia网站： 
http://wikis.wikia.com/wiki/List_of_Wikia_wikis 
wikia上的资源也可供下载：http://community.wikia.com/wiki/Help:Database_download 
  
Freebase: 
freebase是啥就不解释了，下面给出数据的下载地址： 
http://wiki.freebase.com/wiki/Data_dumps    freebase自身的数据 
http://wiki.freebase.com/wiki/WEX    freebase从wikipedia中提取的数据 
  
YAGO2: 
http://www.mpi-inf.mpg.de/yago-naga/yago/ 
  
dbpedia: 
http://www.dbpedia.org 
  
如果要找LinkedData，可以来这里：http://www.thedatahub.org    这里收集了很多Linked Data 
http://linkeddata.org/    这里有一张图，给出了各种linkeddata的关系和影响力。 
  
如果要找各种网上的api，可以来这里：http://www.programmableweb.com     
现在外国政府纷纷对外公开数据，下面是几个政府的开放数据集： 
http://data.gov.au    澳大利亚 
http://data.dc.gov    美国哥伦比亚州的 
http://www.data.gov    美国 
http://data.gov.uk    英国 
http://databases.lapl.org/    洛杉矶地区的开放数据集，知道硅谷为啥这么牛了吧 
http://www.gov.hk/en/theme/psi/welcome        香港政府也公开了很多数据 
对比一下，外国政府做了这么多实事，人民大会堂里的那些酒囊饭袋们都在干什么？ 
  
http://lexsrv3.nlm.nih.gov/LexSysGroup/Projects/lexAccess/current/web/download.html    美国国家卫生署发布的词表 
http://www.census.gov/genealogy/www/data/2000surnames/index.html    美国统计局的姓名数据 
https://www.cia.gov/library/publications/download/    美国中央情报局发布的factbook，介绍了世界各国情况 
连卫生署，统计局和中情局这种单位都为美国的信息建设做出了这么多的贡献，我们应该知道自己跟美帝的差距有多大了吧。 
  
叙词表： 
http://www.nlm.nih.gov/mesh/filelist.html    mesh,关于医学的受控词表 
http://id.loc.gov/download/            美国国会图书馆发布的叙词表 
  
一些三元组数据： 
http://www.cs.utexas.edu/users/pclark/dart/    采集自BNC（英国国家语料库）和Reuters，2300万条 
http://reverb.cs.washington.edu/        华盛顿大学的项目，1500万条 
http://www.cs.washington.edu/research/sherlock-hornclauses/    大约有200-300万条数据 
http://www.cs.rochester.edu/research/knext    有535万条数据，来自BNC和布朗语料库 
http://rtw.ml.cmu.edu/rtw/resources        readtheweb项目，数据量较小 
  
机读词典： 
http://wordnet.princeton.edu/            英语的wordnet 
http://nlpwww.nict.go.jp/wn-ja/index.en.html    日语的wordnet 
http://alpage.inria.fr/~sagot/wolf-en.html    法语的wordnet 
http://wordnet.ru/                俄罗斯的wordnet 
http://cl.haifa.ac.il/projects/mwn/index.shtml    希伯来语的wordnet 
http://wordnet.dk/dannet/menu?item=2        丹麦语的wordnet 
http://grial.uab.es/sensem/download?idioma=en    西班牙语的wordnet 
http://www.ling.helsinki.fi/en/lt/research/finnwordnet/download.shtml    芬兰语的wordnet 
这些不同版本的wordnet都是免费下载的。可恨中国泱泱五千年的文明古国，文献典故浩如烟海，竟连一份免费且公开的机读词典都没有。这是汉语的耻辱，中国的耻辱，也是中华民族的耻辱。特别是中科院计算所和自动化所的人们，你们觉得呢？（顺祝hownet生意兴隆，越卖越好） 
  
http://dico.fj.free.fr/dico.php        日法词典 
http://www.csse.monash.edu.au/~jwb/edict.html    日英词典 
http://cc-cedict.org/wiki/start     中文到英文的词典，终于出来中文的了，可惜是外国人搞出来的。 
https://framenet.icsi.berkeley.edu    基于框架语义学的东东，恐怕不能算词典，不过没地儿放了。 
  
语料库： 
http://opus.lingfil.uu.se/    开放的平行语料库 
http://opus.lingfil.uu.se/OpenSubtitles_v2.php    大量电影字幕的下载地址 
http://www.statmt.org/europarl    欧洲议会的平行语料库 
http://www.anc.org/OANC/    开放的美国国家语料库 
  
http://snap.stanford.edu/data/    斯坦福大学的SNAP项目，抓了很多数据，不过时间较早，只有研究价值 
  

上面所列出的数据大多是英文的，中文的可供下载的数据少到可以忽略不计。此种局面估计十年内不会改变

转载自http://www.newsmth.net/nForum/article/NLP/13477