فهرست توقفواژههای فارسی در CSV، JSON و TXT همراه راهنمای انتخاب و محدودیت‌های حذف واژه‌ها.
۱۵ ردیف نخست؛ برای دیدن تمام ستون‌ها، جدول را افقی جابه‌جا کنید.
| word |
|---|
| ! |
| , |
| . |
| : |
| ; |
| ، |
| ؛ |
| ؟ |
| آباد |
| آره |
| آری |
| آمد |
| آمده |
| آن |
| آنان |
انتشار یا آماده‌سازی جدید بسته، به معنی به‌روز بودن رکوردهای منبع نیست.
۱. یکسان‌سازی ی/ک و فاصله مجازی را جدا از حذف توقف‌واژه طراحی کنید.
۲. قبل و بعد حذف، کیفیت جست‌وجو یا مدل را اندازه بگیرید.
۳. در تحلیل احساس، واژه‌های نفی را بدون بررسی حذف نکنید.
۴. نسخه فهرست استفاده‌شده را کنار خروجی نگه دارید.
بررسی فایل آماده‌شده: 799 ردیف و 1 ستون؛ 0 ردیف کاملاً تکراری. مقادیر خالی: word: 0
حذف همه واژه‌ها برای تمام مسائل مناسب نیست؛ واژه‌های نفی و عبارت‌های چندبخشی ممکن است معنای متن را تغییر دهند. برای تحلیل احساس و جست‌وجو روی داده خودتان ارزیابی کنید. منبع قدیمی است و فهرست جامع فارسی امروز محسوب نمی‌شود.
| ستون | معنی | نوع | واحد |
|---|---|---|---|
| word | یک واژه یا عبارت پیشنهادی برای حذف در برخی کاربردها | متن | — |
حفظ ترتیب و متن واژه‌ها؛ حذف خطوط خالی در صورت وجود؛ تبدیل به CSV و JSON بدون یکسان‌سازی حروف یا حذف حدسی واژه.
stopwords-iso / Gene Diaz
Copyright (c) 2016 Gene Diaz / stopwords-iso. MIT.
داده پایه از منبع عمومی با مجوز MIT است؛ مبلغ بسته بابت آماده‌سازی، کنترل کیفیت و راهنمای فارسی است، نه مالکیت انحصاری داده عمومی. متن مجوز MIT و نام صاحب اثر باید همراه نسخه‌های بازنشرشده حفظ شود.
36fe1ef697a9013035a20baa8a899582acd49f3b5a4c167bdcae4f398b93062aآماده‌سازی متن‌های فارسی خودم را می‌خواهم