crownpku/Rasa_NLU_Chi：将中文自然语言转换为结构化数据

InsaneLife/ChineseNLPCorpus是一个综合性的中文自然语言处理数据集项目。它包含多种类型的数据集，像阅读理解数据集有DuReader等不同种类；任务型对话数据集包括MedicalDS等；文本分类、情感分析、实体识别等方面也有诸多相关数据集。这些数据为做相关实验提供了丰富的材料，并且项目欢迎补充提交合并。任何人对这个项目有想法或者有使用经验都可以参与讨论。

ymcui/Chinese - BERT - wwm项目发布基于全词掩码技术的中文预训练模型及其相关模型。项目详细给出各模型参数、数据来源、下载方式等。并在多类中文数据集（如阅读理解、情感分析等）测试不同模型效果，为中文自然语言处理研究提供模型资源与实验数据参考。

liuhuanyong/liuhuanyong.github.io是一个丰富的面向中文自然语言处理的学习资源。它包含了六十余类实践项目及学习索引，像语言资源构建、社会计算、自然语言处理组件等多个学习主题都有涵盖。并且还包含作者的个人简介、学习心得等内容，还有语言资源以及工业落地系统等方面的内容。这是一个专门为自然语言处理入门学习者打造的较为全面的学习资源，能够让学习者在这个平台上获取多方面的知识，对中文自然语言处理领域有一个较为全面的初步认识，方便学习者在这个基础上进一步深入学习该领域的知识。

zorlan/skycaiji即蓝天采集器，是一款开源免费的爬虫系统。其操作简便，仅需简单点选编辑规则即可采集数据。它的运行环境多样，包括本地、虚拟主机和云服务器等。它能够采集几乎所有类型的网页，还可无缝对接各类CMS建站程序，免登录实时发布数据，并且整个过程全自动无需人工干预，是一款完全跨平台的云端爬虫系统，官方网址为www.skycaiji.com。

michaelliao/sinaweibopy是一个新浪微博Python SDK，它是独立的Python脚本，提供OAuth2.0认证API调用包装器用于社交网络。开发者需先注册应用获取相关参数来创建APIClient，进而获取访问令牌，可调用如获取用户时间轴、发布状态等API，操作时要参考API文档按请求方法操作。该项目由Michael Liao开发维护。

Docling是一个能够轻松快速解析文档并导出为所需格式的项目。它可以处理多种流行文档格式，如PDF、DOCX等，能导出为HTML、Markdown和JSON等格式。具有高级PDF文档理解能力，包括页面布局等，还能与其他框架集成用于RAG/QA应用，支持OCR，有CLI，有丰富的示例和详细的文档，是一个非常实用的文档处理工具。