赵元任感觉自己就像是一个齿轮一样。
他把文件分块下载，然后打开查看，这才发现这些资料压根不能直接用于训练。
网页里充斥着导航栏，广告，版权声明，推荐链接之类的内容。
另外一篇文章可能被不同的网站转载几十上百次，标题只是稍作修改，内容几乎完全一致，百家号的泛滥导致去重工作是天量。
论坛帖子则有大量无意义的回复。
千禧年的回复，“我顶”、“沙发”、“路过”、“露珠好人”。
再加上中文文本本身的复杂度。
简体繁体异体字混杂，全角半角符号不统一，网页编码错误会把一段正常文字变成乱码。
火星文就不说了。
有些内容看上去是中文，实际上是机器翻译的语句，语法正确，表达方式却格外怪异。
种种问题堆叠在一起，赵元任找不到切入点。
这就好像已经被猫打乱的毛球，所有的线头混在一起，你压根找不到最初的那根线头。
晚上十点，马辽起身，“走？”
赵元任看了眼自己处理后的文本，数据量比上午减少了百分之四十，心想已经够了，但他很快打开公共仓库看了眼，顾彦平的已经清洗完了。
还写了一篇文档给他们看：“数据清洗第一天。”
他下意识道：“算了，马里奥，你先走吧，我再看看。”
“.……别指望靠规则去判断内容质量，格式混乱的内容不一定就没有价值，格式标准的内容也可能全是垃圾。
