Zenn
東大松尾・岩澤研究室 | LLM開発 プロジェクト[GENIAC]
📚

国会図書館データをGoogle Colab で取得し、Hugging Face へアップロードする方法

Yasutaka Nishii
2024/09/20に公開
Hugging Face
国会図書館
LLM
GENIAC
松尾研
tech

1. はじめに

NEDO[1] GENIAC 東京大学 松尾・岩澤研究室 LLM開発プロジェクト[2] において Team Tanuki の事前学習データ収集の一環として、国会図書館デジタルコレクション[3]のデータをダウンロードし Hugging Face へアップロードしました。本記事では実際に用いたソースコードを元に、国会図書館デジタルコレクションデータの取得時のポイントについて説明します。

2. ソースコード

ソースコードはこちらからダウンロードできます。このコードはチームメンバー 林寛太さんのものをベースにして作成したものです。
https://github.com/matsuolab/nedo_project_code/blob/team_hatakeyama_phase2/team_hatakeyama_phase2/pre_training_data/ndlj/text_download_NationalDietLibraryJapan.ipynb

このコードは次のように処理されます。

  1. データの読み込み: 書誌情報データセット(Excel) を読み込みます。
  2. データのダウンロード: 国会図書館デジタルコレクションから書誌データを一つずつダウンロードします。
  3. データの保存: ダウンロードしたデータを "本文" という列で保存します。
  4. データのアップロード: 処理したデータを Hugging Face へアップロードします。

このコードを実行した後のフォルダ構造はこのようになります

  • working_folder
    • text_files
      • {Excel File Name}
      • {Excel File Name}
      • etc...
    • csv_files
      • batch 毎にcsv ファイルを保存

3. 事前準備

3.1. 書誌情報データセットの入手

国会図書館オープンデータセット[4] から書誌情報データセット(Excel ファイル)をダウンロードします。
今回のプロジェクトでは以下4つの書誌情報データセットを利用しました。

  • 図書 x 2ファイル
  • 古典籍
  • 雑誌

3.2. 動作環境の準備

  • Google Colab Pro
  • GPU: 不要
  • メモリ: ハイメモリモード (50GB 程度必要)
  • ディスク空き容量: 400GB 程度

3.3. ソースコードの実行場所、各種ファイルの保存場所の確認

  • 上記の書誌情報データセット(Excel) とソースコードは同じフォルダにおきます
  • Excel ファイル名とソースコード内の Excel ファイル名を同一にします
  • Hugging Faceのトークンを設定します
  • 各種変数を設定します
    • working_folder
    • hugging_face_repogitory_name
    • destination_folder
    • など

4. ポイント

4.1. 権利区分 == 保存期間満了 の書誌データのみダウンロードする

著作権が切れている書誌データのみ利用するため、権利区分 == 保存期間満了 でフィルタリングを行います。

def load_data(self):
    if self.data is None:
        print("Loading Excel file...")
        self.data = pd.read_excel(self.file_path)
        self.data['PID'] = self.data['永続的識別子'].str.extract(r'/(\d+)$')
        self.data = self.data[self.data['権利区分'] == '保護期間満了'].reset_index(drop=True)
        print("Excel file loaded and filtered.")
    return self.data

4.2. バッチ処理

書誌データが大きいため、メモリオーバーを避けるためにバッチ処理を導入しました。デフォルトのバッチサイズは、以下の通りです。

  • tosho_1 = 10000
  • tosho_2 = 8000

今回はこれらのサイズでメモリオーバーを回避できました。
また、リスト形式でエクセルファイルを渡せるようにしましたが、処理時間が長くなるため、1ファイルずつ実行する方が良いです。

4.3. エラー処理

国会図書館デジタルコレクションからのデータダウンロード時に、ダウンロード失敗、破損した zip ファイルに対応するためのエラー処理を実装しました。

例えば、ダウンロードできない場合は以下のようなエラーメッセージが表示されます。[5]

OS error for PID 785596: 403 Client Error: Forbidden for url: https://lab.ndl.go.jp/dl/api/book/fulltext/785596

4.4. 再実行時のスキップ処理

処理が途中で止まり、再度プログラムを実行する際、ダウンロード済みテキストはダウンロードをスキップしてテキスト読み込み処理をします。

# 対象フォルダ内にすでに{pid}.txtがある場合はテキストを読み込む
if os.path.exists(os.path.join(destination_folder, f"{pid}.txt")):
    with open(os.path.join(destination_folder, f"{pid}.txt"), 'r') as file:
        content = file.read()
    return content

5. まとめ

Google Colab を使って国会図書館のデータを取得し、バッチ処理やメモリ管理の工夫をしながらデータを処理する方法を紹介しました。また、作業には数時間〜十数時間かかることや、Google Driveに約400GBの空き容量が必要な点にも注意が必要です。

脚注

  1. NEDO 国立研究開発法人新エネルギー・産業技術総合開発機構 ↩︎

  2. GENIAC 松尾研 LLM開発プロジェクト
    https://weblab.t.u-tokyo.ac.jp/geniac_llm/ ↩︎

  3. 国会図書館デジタルコレクション
    https://dl.ndl.go.jp ↩︎

  4. 国会図書館オープンデータセット
    https://www.ndl.go.jp/jp/dlib/standards/opendataset/index.html ↩︎

  5. このURL (https://lab.ndl.go.jp/dl/api/book/fulltext/785596) にブラウザでアクセスすると This PID is not allowed と表示されます。一方でデジタルコレクション (https://dl.ndl.go.jp/pid/785596) にアクセスすると書誌データは存在します。しかし、画像ファイルのみでテキスト情報が含まれていません。おそらくテキストデータがないため、ダウンロードできないのだと思われます。 ↩︎

GitHubで編集を提案
東大松尾・岩澤研究室 | LLM開発 プロジェクト[GENIAC]
東大松尾・岩澤研究室 | LLM開発 プロジェクト[GENIAC]

東京大学 松尾・岩澤研究室が運営する松尾研LLMコミュニティのLLM開発プロジェクト[GENIAC] の開発記録、情報発信になります。 各種リンクはこちら linktr.ee/matsuolab_community

Discussion