chinese-poetry —— 最全中文诗歌古典文集开源数据库

项目简介

chinese-poetry 是目前全网最全面的中文诗歌古典文集开源数据库，将海量中国古典诗词以标准 JSON 格式整理发布。项目覆盖从唐诗宋词到四书五经的庞大文本体系，为开发者、研究者和创作者提供了可直接使用的结构化中文古典语料。

该仓库以其 51K+ Stars 成为 GitHub 上中文 NLP 数据领域的标杆项目。

GitHub 数据

• 仓库地址: chinese-poetry/chinese-poetry

• Stars: 51,718

  Forks: 10,428

• License: MIT
• 语言: JavaScript（爬虫采集脚本）
• 创建时间: 2016-09-02
• 维护状态: 活跃维护，持续更新

核心功能

数据规模

扩展功能

• 高频词统计分析：提供诗歌高频词的可视化统计分析图表
• 数据结构标准化：统一 JSON 格式，字段清晰，易于解析
• 分类检索：按朝代、作者、词牌名等多维度分类

技术栈

数据以纯 JSON 文件存放，没有任何数据库依赖，任何语言都可以直接解析使用。

使用方式 / 安装

直接下载

git clone https://github.com/chinese-poetry/chinese-poetry.git

克隆后即可在 json/ 目录下找到分类整理好的 JSON 文件。

在代码中使用（Python 示例）

import json
# 加载唐诗数据
with open('./chinese-poetry/json/poet.tang.json', 'r', encoding='utf-8') as f:
    poems = json.load(f)
# poems 是一个包含 5.5 万首唐诗的列表

在前端项目中使用

直接将 JSON 文件作为静态资源引用，或通过构建工具打包。

适用场景

• 诗词类 App / 网站数据后端：为诗词阅读应用提供完整的离线数据
• 中文 NLP 语料：用于古诗文分词、文本分类、情感分析等研究
• 诗歌生成 AI 训练数据：作为古诗生成模型的预训练语料
• 学术研究：统计分析历代诗词的用词、题材、流派演变
• 文化教育：开发古诗词学习、背诵、测试工具

竞品对比

chinese-poetry 在数据完整性和开放许可方面具有不可替代的优势。5.5 万首唐诗和 26 万首宋诗的数据量至今仍是公开数据集中最大的。

参考资料

• GitHub 仓库
• 项目 Wiki
• 高频词统计分析
• 中文诗歌数据集