最近在做中文文本分类，你做数据，首先你就得有数据集嘛，没有数据集你就得自己爬，很麻烦，我自己已经走了很多弯路了，只想提供给大家一些实用的东西，目的就酱。
搜狗实验室数据资源
首先挂一个链接，因为其他博文的链接都是八百辈子之前的都挂掉了，想要下载的点击这个搜狗实验室,强烈建议不要使用Chrome，不知道为啥就是无法跳转到下载界面，我使用的Safari，然后登记下个人信息酒就可以使用了，毕竟你还是要尊重下人家的版权的嘛。
假设我们要使用搜狐新闻数据：
完整版非常大，是一个.dat格式的文件，还要自己进行切分，事实上搜狗实验室提供的资源不仅是ASCII码格式的，你需要自己转换，甚至文档都是xml结构的，你还需要自己提取，mmp，折腾我好久，当然我是个有毅力的人，最后当然是选择放弃了，哈哈哈哈哈～
虽然我失败了，但是给你们提供一个案例，祝你们能实现：
文本分类中语料库的获取——对搜狗语料库进行想要格式的获取
将搜狗实验室新闻语料库导入navicat
中文文本分类数据集THUCNews
点击这里去往官网
THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。我们在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。使用THUCTC工具包在此数据集上进行评测，准确率可以达到88.6%。
同样，你登录好自己的信息就可以下载了，但是你值得注意的是：这个数据集非常大，压缩包1.5G，实际文件大概在2.2G左右，解压缩就浪费了两个小时，毫不夸张的说，我都不敢在我的mac上尝试，还是借的同学的win，一般的话一个类别大概用个2000条就已经非常多了，自己可以动手在整理一下。
总结
清华的是按照类别存放的，就是太大了，切割一下拿来就可以用，搜狗这个很不良心啊，不推荐不推荐。
致谢
感谢清华大学的孙茂松，李景阳，郭志芃，赵宇，郑亚斌，司宪策，刘知远
感谢搜狗实验室团队