Descarga un corpus de Gensim con un proxy y un directorio de caché elegido

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

Esta orden POSIX proporciona el proxy HTTPS y el directorio de datos antes de importar el descargador de Gensim; después descarga text8 y devuelve su ruta local. Elige un endpoint HTTP de la lista de proxies HTTP para una ruta de descarga pública y sustituye el directorio por la ruta deseada.

GENSIM_DATA_DIR se lee en el directorio base del módulo durante la importación. Su valor predeterminado es ~/gensim-data, así que definirlo después de importar gensim.downloader llega demasiado tarde para esa inicialización.

La CLI llama a la misma función load que usa el código Python y emplea urllib. En una aplicación, api.load(name, return_path=True) elige el comportamiento de solo descarga en lugar de cargar el conjunto de datos en memoria.

Si el fallo persiste, distingue la petición del índice de la petición del artefacto. El índice procede del host de contenido sin formato de GitHub; los archivos proceden de las versiones y pueden redirigir a otros destinos. La caché local de información puede permitir que la consulta del índice continúe tras un fallo de red. Los datos existentes pueden evitar otra descarga de archivo. Por tanto, una carga en caliente no demuestra que ambos caminos de red hayan funcionado.