Stáhněte korpus Gensim přes proxy a zvolený adresář mezipaměti

Nastavte proxy prostředí urllib a GENSIM_DATA_DIR před spuštěním stahovače; použití CLI nemění jeho HTTP backend.

https_proxy=http://proxy.example:8080 \
GENSIM_DATA_DIR=/path/to/gensim-data \
python -m gensim.downloader --download text8

Toto spuštění POSIX dodá HTTPS proxy a datový adresář před importem stahovače Gensim, poté stáhne text8 a vrátí jeho místní cestu. Vyberte HTTP endpoint ze seznamu HTTP proxy pro veřejnou cestu stahování a adresář nahraďte zamýšlenou cestou.

GENSIM_DATA_DIR se při importu načte do základního adresáře modulu. Výchozí hodnota je ~/gensim-data, takže nastavení po importu gensim.downloader je pro tuto inicializaci příliš pozdě.

CLI volá stejnou funkci load, kterou používá kód Pythonu, a používá urllib. V aplikaci api.load(name, return_path=True) volí chování pouze stahování místo načtení datové sady do paměti.

U přetrvávající chyby rozlište požadavek na index od požadavku na soubor. Index pochází z hostitele surového obsahu GitHubu; soubory pocházejí z vydání a mohou přesměrovat na jiné cíle. Místní mezipaměť informací může umožnit, aby vyhledání v indexu pokračovalo i po výpadku sítě. Existující data mohou ušetřit další stahování souboru. „Teplé“ načtení tedy nedokazuje, že obě síťové cesty fungovaly.

Související články