企业官网建设流程全解析

• 数据集

本文以 chinese-poetry 仓库中 幽梦影/README.md 及其数据文件 幽梦影/youmengying.json 为主体，系统讲解清代张潮《幽梦影》一书的 JSON 数据组织方式、字段语义与完整加载路径。通过仓库内的数据加载器（loader/data_loader.py）与数据校验脚本（test_poetry.py），读者可以掌握这套「正文 + 评注」两层结构的清言类文本如何在仓库中被定义、读取与复用，并可直接运用于自己的诗词类应用开发。

数据集概况：清代张潮的清言文集

幽梦影是清代文学家张潮（字山来，号心斋）所著的一部随笔体格言集，以格言、警句与生活美学感悟为主，全书采用「正文 + 时人评注」的独特体例，正文之后往往附有曹秋岳、张竹坡、江含徵、黄九烟等同时代文人圈子的批注，形成一种对话式的阅读体验。

在 chinese-poetry 仓库中，该数据集由以下两部分组成：

• 幽梦影/README.md：数据集说明文档，交代作者、内容与数据格式；
• 幽梦影/youmengying.json：实际数据文件，共收录 219 条条目。

依据 幽梦影/README.md 的说明，本数据集提供简体中文内容，首版数据由社区贡献者@snowtraces提供。该数据集同时被仓库根目录 README.md 的「数据集」章节收录，与唐诗宋诗、全宋词、论语、诗经等并列，属于仓库覆盖的古典文集之一。

数据格式：content 与 comment 两层结构

幽梦影/README.md 中给出了明确的数据格式定义：整个文件是一个 JSON 数组，每个元素是一个对象，包含content（正文）与comment（评注数组）两个字段。README 中的示意如下：

[ { "content": "读经宜冬，其神专也；读史宜夏，其时久也；读诸子宜秋，其致别也；读诸集宜春，其机物也。", "comment": [ "曹秋岳曰：可想见其南面百城时。", "庞笔奴曰：读《幽梦影》则春、夏、秋、冬，无时不宜。" ] } ]

对 幽梦影/youmengying.json 的实际内容进行全量统计，可以得到如下结构事实：

各字段语义如下：

• content（字符串）：张潮原文正文。部分条目正文中保留有括号内注文，如“无善无恶是圣人(如'帝力何有于我'……之类)”，这是原书自注，直接保留在字符串中；
• comment（字符串数组）：时人评注的集合。每条评注以评者姓名开头，格式为“评者名＋曰＋评语”，例如“张竹坡曰：……”；同一正文可附带 0 到多条评注。

真实数据示例（节选自 幽梦影/youmengying.json 第 4 条）：

{ "content": "天下有一人知己，可以不恨。不独人也，物亦有之。如菊以渊明为知己，梅以和靖为知己，竹以子猷为知己……一与之订，千秋不移。若松之于秦始，鹤之于卫懿，正所谓不可与作缘者也。", "comment": [ "查二瞻曰：此非松、鹤有求于秦始、卫懿，不幸为其所近，欲避之而不能耳。", "殷日戒曰：二君究非知松、鹤者，然亦无损其为松、鹤。", "周星远曰：鹤于卫懿，犹当感恩。至吕政五大夫之爵，直是唐突十八公耳。", "王名友曰：松遇封，鹤乘轩，还是知己。世间尚有剧松煮鹤者，此又秦、卫之罪人也。", "张竹坡曰：人中无知己，而下求于物，是物幸而人不幸矣。物不遇知己而滥用于人，是人快而物不快矣。可见知己之难，知其难方能知其乐。" ] }

从数据结构上看，这种「一正文对多评注」的模型与仓库中其他诗集类数据集（如paragraphs数组式诗行）不同：幽梦影的content是整段连续文本，评注则独立成数组，非常适合直接渲染为“原文 + 批注”的阅读界面。

在数据集注册表中定位幽梦影

仓库通过 loader/datas.json 维护所有数据集的注册信息，幽梦影在其中登记如下：

"youmengying": { "name": "幽梦影-张潮文集", "id": 6, "path": "幽梦影/youmengying.json", "tag": "content" }

该配置字段的含义：

注意此处tag取值为content，这正是幽梦影数据集区别于多数诗集的标志：大部分数据集（如全唐诗、宋词）的tag是paragraphs，按诗行数组切分正文；而幽梦影直接以content字段作为提取目标，反映其“格言段落”而非“诗句行”的文本性质。

通过 PlainDataLoader 加载幽梦影正文

仓库提供了统一的数据加载器 loader/data_loader.py，其中PlainDataLoader类负责按注册表配置读取任意数据集。其核心读取逻辑（body_extractor）会先判断目标路径是单个 JSON 文件还是目录：

• 若是单文件（os.path.isfile成立），直接json.load后逐条累加poem[tag]；
• 若是目录，则遍历子文件并按excludes列表跳过 README、error 等非数据文件。

由于datas.json中youmengying的path指向单个文件、tag为content，因此加载时会走到单文件分支，将 219 条记录的content字符串依次拼入返回列表。最小可用调用示例：

from loader.data_loader import PlainDataLoader loader = PlainDataLoader() # 默认读取 ./loader/datas.json bodies = loader.body_extractor("youmengying") # 按注册名提取正文 print(len(bodies)) # 219 print(bodies[0]) # 读经宜冬，其神专也；读史宜夏，其时久也；……

PlainDataLoader还支持按数据集 id 提取（extract_with_ids([6])）与多数据集合并提取（extract_from_multiple(["youmengying", "shijing"])），便于把《幽梦影》与其他古典文集拼接成统一语料。若需要连带评注一起使用，则直接解析 幽梦影/youmengying.json 原始数组，遍历comment字段即可。

数据校验：test_poetry.py 与幽梦影目录

仓库根目录的 test_poetry.py 提供了针对各中文目录的 JSON 合法性校验。脚本中的is_book_directory通过判断目录名是否含中文字符来筛选文集目录，随后为每个目录（含幽梦影）动态注册一个test_幽梦影测试函数，递归调用check_json校验其中所有.json文件。

校验逻辑为：读取文件并执行json.loads，解析成功输出「校验成功」，解析失败则抛出断言并打印堆栈。这意味着 幽梦影/youmengying.json 只要能被标准 JSON 解析器读取，即可通过该脚本的校验。将 幽梦影/youmengying.json 与本仓库其他 JSON 数据一起纳入测试，保证了content/comment两层结构的数据在多次更新后仍保持合法可解析。

应用场景与使用建议

基于上述数据格式与加载路径，可将《幽梦影》数据集直接应用于以下场景：

1. 古籍阅读应用：渲染「正文 + 评注」对照视图，content作为主文，comment数组按评者分组展示，还原原书对话式批注体验；
2. 自然语言处理语料：利用PlainDataLoader的extract_from_multiple将youmengying与其他数据集（如shijing、chuci）合并，作为清言类文本的训练或检索语料；
3. 格言检索与推荐：219 条短小精悍的格言段落适合构建“每日一句”类功能，按id（数组下标）随机取条即可。

使用时需注意两点前提：一是数据文件采用 UTF-8 编码，读取时建议显式指定encoding='utf-8'；二是content与comment均为简体中文原始文本，未做句读分段或标点标准化处理，如需按句切分可在读取后进行二次加工。

小结

幽梦影数据集是 chinese-poetry 仓库中文言随笔类数据的典型代表：以 幽梦影/README.md 定义格式规范，以 幽梦影/youmengying.json 承载 219 条「正文 + 评注」内容，并通过 loader/datas.json 的注册表配置与 loader/data_loader.py 的PlainDataLoader实现统一读取，同时由 test_poetry.py 保证数据合法性。掌握这一组文件之间的关系，即可在自有应用中快速集成这份清言文集数据。

• 数据集