数据收集小组目标
抢救互联网上即将消失的语料，抢救小众论坛、个人博客、影评书评等评论、剧本杀记录、跑团记录、现代诗之类的冷门文化。 这个小组就是发挥里屋论坛成员们互联网老兵的特长，去做程序员搞不定、国家企业等大机构嫌琐碎不愿意做的事情。
语料收集时，优先收集（1）最新的知识；（2）决策和推理的过程（讨论、辩论、推理等）
小组任务
1、收集QQ、微信聊天记录
因聊天记录可能涉及敏感数据，建议只要群聊记录。提交记录前可以使用脱敏工具。
2、天涯数据收集
尚未有渠道可收集天涯数据，欢迎提供。
3、中英文跑团记录收集
各种跑团记录文本收集，欢迎提供。
4、RSS订阅源收集
5、语料分类整理
对语料类型进行全面分类，例如语言-相声、文字-小说-科幻小说
6、数据脱敏工具
编写windows版本、离线可用的脱敏工具，增强普通用户提交数据的信心。
7、新语丝网站语料收集
8、霏凡论坛语料收集
确认论坛地址、尝试联系站长，欢迎提供。
9、游戏文本收集（有中英文对照的，翻译质量高的，暂时不要日语）
目标1：官方本地化的游戏，含文本较多的大型rpg、slg游戏优先，有多种语言的请一并提供。
目标2：各大汉化组，尝试批量取得汉化组经手的所有游戏汉化文本，有对照外文的最好。不要机器翻译的。
目标3：精品的个人汉化游戏。
进入游戏收集专用页面
@chouniu @炒饭
10、读秀书库资源下载 @小金豆子 @博卡登 完成20241018
传说有几百万本电子书可下载，征求来源和下载渠道。
已下载3T 20240308
其他书籍资源下载（见trello）：@博卡登 完成20241018
11、千帆育儿网 试卷下载 完成20240308 @z008
12、老光盘网站资料下载
从老光盘网站（http://nuduseng.com/laoguangpan.htm）提供的下载中筛选出语料部分，并下载。
目录整理已完成，按照目录逐步进行下载中。@BG5EKR亮亮 → @门神谨制
13、字典论坛下载
14、汪洋大海项目
github整站下载，项目进行中
15、Linux中国 开源社区（已关闭）数据收集 完成
16、NWSU OS/2 Archive 完成20240308
美国新墨西哥州立大学的OS/2电子档案馆(https://hobbes.nmsu.edu/)将于2024年4月15日关闭，官方已经提供了该档案馆的打包下载（数据截止到2024年1月11日），共18GB。 @NG @博卡登
17、STWP（Save The Web Project）
https://blog.save-web.org/
整理网页上的项目，哪些可直接下载，哪些需联系寄盘。
进行Dokuwiki下载（@等战）
获取邮寄硬盘联系方式
TG群关注（@急云）
语雀下载
中文博客1700下载
进入Save The Web Project专用页面
18、Internet Archive
研究如何从wayback machine上批量获取指定网站的数据。
研究如何从item、collection中下载，如何从metadata程序化生成下载链接、直接筛选压缩包内容、如何切换主、副下载站。
是否有可能列出IA全站的内容？
收集关键字，例如“论文”，“科技”，“网站域名”，尝试在IA上搜索内容
Wayback machine cdx索引使用研究
warczone中的内容下载（目录已完成，下载中）@z008 @等战 @ng warczone域名打标
wikiteam中内容下载
archiveteam中内容的筛选(https://archive.fart.website/archivebot/viewer/items?page=42)
https://archive.org/details/opensource_media 中的内容
进入Internet Archive专用页面
19、西山永定河文化 http://106.37.81.211:96/sjs/index.html
20、书格（shuge.org）古籍图书馆收集（先看ia有没有）
21、海外中文OA学术论文出版商（先看ia有没有）
22、中国工程院(https://www.engineering.org.cn)和Elsevier共同主办的《工程》期刊（先看ia有没有）
23、国外书评网站https://www.goodreads.com(waybackmachine上面有)@zhu rui
24、GRE真题库（已进行的调查：ETS没有公布每年的真题，IA搜索gre questions没有结果） @n374
语料收集通用话术
语料收集时进行联系沟通的通用话术by @龙骑兵，供参考
管子大人您好：
我是超大规模中文语料集“MNBVC”的成员之一，希望能就语料收集事宜获得XXXX论坛的帮助。
MNBVC的母体是“mop大杂烩”核心成员组成的“里屋论坛”，MNBVC属于非盈利公益化组织，由来自各领域的开发者组成，所生成的语料库完全免费开放给所有机构和个人，旨在为中文AI大模型技术提供（相对）优良的语料基础。
里屋地址：https://www.253874.net/ MNBVC官网地址：https://mnbvc.org Github项目地址：https://github.com/esbatmop/MNBVC
稍微解释一下：语料库的来源非常广泛，其中小众论坛内容也是重要目标之一，因为人类的对话不仅仅包含对话流利程度之类表层的东西，人类是靠对话来交流知识，靠语言来总结自然规律的。
作为XXXX的老玩家，非常希望获得你们过去汉化游戏的文本，我们会将数据放入MNBVC语料库，让这些游戏的相关内容和知识成为未来AI技术的一部分。
我们对数据有完善的保护措施，语料库仅作为AI模型训练使用，不存在作品传播的风险，并且我们不会对语料库的具体内容给出任何索引，规避其他风险。
如能提供帮助，还请不吝回复，我的微信是XXXXX，或者将您的微信发给我，我加您详谈。
再次感谢管子大人为游戏汉化做出的贡献！
小组成果
2023-07-07
完成了语料收集分类
2023-7-21
完成了脱敏工具windows版里屋脱敏1.0.zip @倾听
2023-9-1
完成800个RSS源收集 @急云 @joyi
2023-9-15
已收集1800个剧本杀脚本 @joyi
2023-9-22
发掘了中科院科技论文预发布平台 http://chinaxiv.org/home.htm @pob
2023-11-1
收集了某网站公开的13万本电子书
2023-11-17
完成了老光盘目录截图整理，去掉了跟PDF相关的索引 老光盘目录summary.docx @武田
2023-12-4
获取已关站的“台风论坛”数据 @等战
2024-1-1
试卷网（>https://www.shijuan1.com/）试卷收集完成 @z008
2024-3-8
读秀书库下载已完成首批3TB。@博卡登
2024-3-8
NWSU OS/2 Archive下载已完成。@博卡登
2024-3-8
千帆育儿网试卷下载已完成。@z008
2024-5-24
中国生物物种名录2024（http://sp2000.org.cn/download）@急云
2024-5-24
Internet Archive\warczone已完成：scp基金会、网易blog、reddit、ACM @等战
2024-5-24
糗事百科图文数据收集 @等战
2024-6-1
CDproject泄露代码收集完成 @武田
2024-8-21
整理了Anna's Archive放出的读秀书库、InternetArchive电子书下载链接 @博卡登
已消失的站点
| 站点 | 消失时间 | 备注 |
|---|---|---|
| 天涯 | 2023.4.26 | |
| 太平洋电脑论坛 | 2023.5.20 | |
| 菲凡论坛 | 2023.6.13 | |
| 伊甸园字幕组 | 2023.8.15 | |
| 台风论坛 | 2023.12.1 | |
| Linux中国 开源社区 | 2024.2.1 |
论坛站长帮忙导出论坛数据库内容的一种方法
加入小组
项目主页：https://mnbvc.253874.net/ 或发邮件：MNBVC@253874.net