MNBVC-Wiki

关注问答语料的处理，包括一问一答，一问多答和多轮对话等。这部分语料常用于大模型的sft训练。

• word试卷清洗（进行中，负责人：图北）
• quora分布式爬虫（进行中，负责人：[!]）
• moss数据的整理（进行中，负责人：Roger）
• wikihow（已完成，负责人：挖泥船）
• 外交部问答数据（已完成，负责人：curry）

Quora是一个知识分享平台，用户可以在上面提问、回答问题

尝试过的一些思路：

• 使用selenium模拟访问，滚动页面更新出所有数据，再解析html dom结构获取数据(速度不太可观)
• 使用selenium + mimtproxy去实现一个自动化模拟访问。mimtproxy搭建本地代理拦截特定的网络请求和响应获取需要的数据(已有实现作为备用)
• 固定某些api接口的某些参数可以访问到数据，但是由于一些反爬机制，可能有不可预估的情况出现(目前在用方案)

任务步骤：

1. 根据一组常用关键词去检索，建立一份问答帖子的链接索引
2. 使用已有的链接去爬取对应的问答数据

代码仓库

Quora 710W URL