标签： python nlp spacy
对于在en_vectors_web_lg-2.1.0上受过训练的spacy模型Common Crawl dataset，我想知道如何解析数据集。我了解该语料库包含原始网页数据，元数据摘录和文本摘录。 html标记，URL等是否被过滤掉了？似乎缺少有关如何训练这些模型的文档。任何见解都会有所帮助。
en_vectors_web_lg-2.1.0
谢谢！