中文互联网上有一批开发者，把散落在典籍里的诗词、字典与古籍整理成规整的 JSON 与 CSV。chinese-poetry、chinese-xinhua、daizhigev20 三个仓库覆盖全唐诗宋词、成语字典与 4.8GB 民间古籍，可直接当语料。

在数字技术日新月异的当下，中文互联网上的一批开发者，正悄然用工程代码为诗词、字典、古籍建立现代索引。

他们将散落在历代典籍里的辞章、字典与诗篇，化作干净规整的 JSON、CSV 和纯文本。这些项目没有复杂的算法炫技，却凭借极其扎实的基础数据整理，成为自然语言处理、古典文化应用以及当今各类大模型 Agent 背后不可或缺的基础。

无论你是古典文化的爱好者、数字人文学者，还是正在寻找中文优质语料的开发者，以下三个项目都值得常驻于你的收藏夹与硬盘之中。

01 chinese-poetry：把全唐诗宋词装进 JSON

项目地址：https://github.com/chinese-poetry/chinese-poetry

chinese-poetry 是一个收录多种中文古典诗词与文集数据的开源项目，该项目在 GitHub 上斩获了超过 5.3 万颗星标。

项目的初衷非常纯粹：通过现代技术将文集结构化为便于解析的 JSON 文件，消除古籍与现代代码之间的壁垒，降低开发者构建诗词类应用的门槛。

涵盖的数据矩阵：

1. 诗词体量庞大。收录唐诗约 5.5 万首、宋诗约 26 万首，覆盖唐宋两代近 1.4 万位诗人；宋词收录 2.1 万余首，涉及 1564 位词人。
2. 经典谱系齐全。除唐诗宋词外，仓库还系统收纳了《论语》《诗经》、四书五经、蒙学经典、明代小品文《幽梦影》、楚辞、元曲、五代《花间集》乃至纳兰性德词集等。
3. 开箱即用的分卷组织。每个文集或朝代均设有独立目录，内部按作者或卷帙拆分为独立的小型 JSON 文件，兼顾了程序按需增量读取的效率与轻量化需求。

划重点

31.5 万首唐宋诗 + 2.1 万首宋词，加上从《论语》到纳兰词的完整经典谱系。一个仓库，就能撑起诗词类应用的整层数据。

02 chinese-xinhua：汉字、词语、成语与歇后语

项目地址：https://github.com/pwxcoo/chinese-xinhua

现代汉语自然语言处理的一大痛点，是基础词典的闭源与碎文化。chinese-xinhua 的起源颇为有趣：作者原本只打算做一款成语接龙小程序，因苦于找不到结构清晰且公开透明的基础词典数据库，便自行从各大公开站点抓取清洗，最终整理出这套极高人气的通用字典库。

该项目目前收获了 1.1 万 Star，已成为中文分词校验、文字游戏开发与汉语教学工具的经典基础设施。

核心数据一览

所有数据均集中于 data/ 目录中，字段设计直观干练，极易导入各类数据库。

划重点

成语、单字、词语、歇后语四张表，合计 32.6 万条记录。文件字段直白，导入数据库即可使用。

03 daizhigev20：4.8GB 的民间数字古籍全库

项目地址：https://github.com/garychowcmu/daizhigev20

如果说前两个项目侧重于文人词章与基础文字，daizhigev20 则是名副其实的古典文献大海。

该项目的底本来自早期知名古籍整理项目「殆知阁」（取自「吾生也有涯，而知也无涯；以有涯随无涯，殆矣」）。在原独立站点历经变迁后，开源社区成员将其文本完整托管并持续维护。

整个项目全部采用原生 .txt 纯文本格式存储，解压后体积逼近 4.8GB，涵盖约 1.6 万种典籍、20 万卷、近 20 亿字。对于现代电子设备而言，一次性打开某些超大子卷甚至会短暂吃满内存，足见其厚重。

经史子集与十藏结构

不同于常规现代四部分类，项目参照传统丛书的十部类目进行了严谨归纳。

1. 佛藏：大藏经诸品、历代高僧传、汉传与藏传佛学义理集
2. 儒藏：十三经注疏、宋明理学语录、历代经解训诂著作
3. 道藏：三洞四辅道教典籍、丹经科仪、内修养生诸书
4. 易藏：历朝易象数理、卜筮占候与图说阐微专著
5. 医藏：伤寒金匮、脉经本草、历朝名家医案与方剂全编
6. 史藏：二十四史正史、野史杂史、起居注、职官制度与地理方志
7. 子藏：先秦诸子百家、兵家谋略、农桑术数诸流派集评
8. 诗藏：历朝诗话、总集汇编、选本及韵书专集
9. 艺藏：书法画品、琴谱棋经、印学园冶等传统艺境珍本
10. 集藏：汉魏六朝别集、唐宋明清文人全集与总集汇纂

划重点

1.6 万种典籍、20 万卷、近 20 亿字，纯文本存储。十部类目的归纳沿用了传统丛书的分类逻辑，检索时能顺着学术脉络定位。

04 如何获取这些宝藏数据

文史古籍具有超长周期的稳定性，数据一旦校准成型便无需频繁更新。大家可以通过以下两种方式将其落地至本地环境。以第一个项目为例。

方式一 终端克隆仓库

在终端中执行对应的克隆命令，将目标仓库同步至本地环境。

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

若获取其他两个仓库，只需将其中的 URL 替换为相应的开源地址即可。

方式二 网页端打包下载源码

若本地未配置 Git 环境，访问对应的 GitHub 项目主页后，点击页面绿色的 Code 按钮，在下拉菜单中选择 Download ZIP，即可将全量数据压缩包直接下载到本地并解压。

在大模型与智能体时代，如何用好它们

这些数据由结构化的 JSON、CSV 和纯文本构成，天然具备出色的解析友好度。随着大模型编程助手与 Agent 工具（如 Claude Code、Cursor、WorkBuddy）的普及，普通人也无需编写海量底层爬虫，只需向智能体明确输入提示词，即可快速实现如下高价值玩法。

1. 搭建私人专属的「传统文化 RAG 知识库」。比如将 daizhigev20 中的医藏或史藏文本分块切片，结合向量检索，打造能引经据典、不胡说八道的古文问答助手。
2. 构建高精度古典文学生成与文风评估器。利用 chinese-poetry 规整的格律、平仄与韵脚数据，让大模型在写古风诗词时摆脱「顺口溜」缺陷，严格按照平水韵或词牌格律生成作品。
3. 开发轻量级语言交互应用。直接利用 chinese-xinhua 的成语缩写与释义字段，通过智能体快速搭出一套交互式成语接龙游戏或微信问答小程序。
4. 数字人文的高频意象挖掘。借助 Python 脚本统计全宋词中各类词牌与高频意象（如「东风」「斜阳」「残月」）的情感分布，将千年前文人的幽微心境具象化为直观的可视化图表。