Nieraz potrzebuję do różnych eksperymentów listę polskich słów. Zrobiłem sobie kiedyś fajną listę polskich słów przez pożonglowanie słownikiem frekwencyjnym, ale ta lista nie jest idealna. Na przykład nie ma w niej słowa "dowie", więc jakby używał jej Mickiewicz do szukania rymów przy pisaniu "Pana Tadeusza", to już przy drugiej linijce by się wywrócił.
Wyciągnąłem więc dziś listę wszystkich słów z wszystkich wierszy z mojego słownika rymów. Usunąłem z niej kilka najbardziej bzdurnych słów (niewiele, może cztery czy pięć, takich jak "aaa") - i proszę, oto ta lista: slowa_z_wierszy.txt.bz2. Na zachętę zobaczcie, oto początek i koniec tej listy, co cała ma 38078 słów:
aaronowa abacji abażur abażury abc abecadła abecadło (...) żywszych żywy żywych żywym żyzna żyzne żyznej żyzności żyzny żżono
Z jakiego utworu pochodzi słowo "Abacji" to przecież wiecie, bo to znane, a z jakiego pochodzi słowo "żżono" nie pytajcie, nie chce mi się sprawdzać. A gdyby was to jednak interesowało, to proszę - oto plik jsonl, w którym dla każdego słowa macie identyfikatory utworów, w których występuje, i ile razy występuje łącznie, we wszystkich utworach: slowa_z_wierszy.jsonl.bz2. Coś takiego:
{"slowo": "wpłynąłem", "utwory": [5], "ile_utworow": 1, "ile_wystapien": 1}
{"slowo": "na", "utwory": [5, 6, 7, 8, 10, 11, 13, 15, 16, 18, 19, 21, 22, 23, 24, 26, 27, 28, 29, 30, 31, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 47, 48, 50, 51, 52, 53, 55, 56, 57, 59, 60, 61, 62, 66, 71, 72, 73, 76, 77, 78, 79, 80, 81, 83, 85, 86, 87, 88, 89, 90, 92, 93, 94, 96, 97, 99, 101, 104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 118, 120, 121, 122, 123, 124, 127, 128, 130, 132, 135, 136, 138, 139, 141, 142, 143, 144, 145, 146, 148, 149, 150, 151, 152, 155, 156, 159, 161, 162, 163, 164, 165, 166, 167, 168, 174, 176, 177, 179, 180, 181, 182, 183, 184, 185, 188, 189, 190, 192, 193, 195, 196, 198, 201, 202, 203, 204, 205, 206, 207, 208, 212, 214, 215, 217, 218, 219, 220, 221, 222, 223, 224, 226, 227, 228, 230, 231, 232, 234, 235, 236, 238, 239, 240, 242, 243, 244, 245, 247, 248, 251, 252, 253, 255, 256, 257, 258, 259, 260, 261, 262, 263, 264, 265, 266, 267, 268, 270, 271, 272, 273, 274, 275, 276, 277, 279, 281], "ile_utworow": 201, "ile_wystapien": 2410}
{"slowo": "suchego", "utwory": [277, 219, 5], "ile_utworow": 3, "ile_wystapien": 3}
{"slowo": "przestwór", "utwory": [5, 127], "ile_utworow": 2, "ile_wystapien": 2}
{"slowo": "oceanu", "utwory": [120, 5], "ile_utworow": 2, "ile_wystapien": 2}
(...)
A oto json z rozpiską, jakie id to jaki utwór: utwory.json.bz2.
Dobrego korzystania.