• 数据集

《花间集》是中国文学史上第一部文人词选集，也是 chinese-poetry 仓库「五代诗词」板块的核心数据集之一。本文以 五代诗词/huajianji/README.md 为骨架，结合仓库内实际 JSON 文件、数据加载器 与 数据集配置 的源码实现，系统讲解《花间集》的文本数据组织方式、字段语义、分卷文件结构，以及如何用官方 loader 一次性提取全本 498 首词并接入自己的诗词应用。

《花间集》：第一部文人词选集与五代词史坐标

《花间集》编纂于中国五代十国时期，由后蜀人赵崇祚（字弘基）编辑，是文学史上第一部文人词选集。原书收录温庭筠、韦庄等 18 位花间词派诗人的经典作品，集中而典型地反映了早期词史上文人词创作的主体取向、审美情趣、体貌风格和艺术成就。

在 chinese-poetry 仓库中，《花间集》与《南唐二主词》并列为「五代诗词」的两大数据集：

• 五代诗词/huajianji —— 本文主角，《花间集》全本数据；
• 五代诗词/nantang —— 南唐中主李璟、后主李煜的词作合集。

仓库根 README.md 的「数据集」列表也把「五代·花间集」单列为一个正式数据子集，与全唐诗、全宋词、论语、诗经等并列，说明它在本仓库中是独立成册、可直接消费的一级数据源。

数据形式：分卷 JSON 与统一字段结构

《花间集》数据分布在目录下的 11 个 JSON 文件中，命名规则为花间集卷第一至花间集卷第十的对应英文卷号文件，另加一个前置序言文件：

每份词作 JSON 是一个对象数组，单个对象包含 5 个字段，以卷一首词（温庭筠《菩萨蛮 其一》）为例：

[ { "title": "菩萨蛮 其一", "paragraphs": [ "小山重叠金明灭，鬓云欲度香腮雪。", "懒起画蛾眉，弄妆梳洗迟。", "照花前后镜，花面交相映。", "新帖绣罗襦，双双金鹧鸪。" ], "author": "温庭筠", "rhythmic": "菩萨蛮", "notes": [ "1.小山--写女子的隔夜残妆。小山：女子画眉的式样之一。小山重叠：眉晕褪色。金：额黄，在额上涂黄色。金明灭：褪色的额黄明暗不匀。", "2.鬓云欲度--鬓发撩乱如云，低垂下来。香腮雪：洁白如雪的香腮。", "3.照花--对镜簪花。用前镜、后镜对照以瞻顾后影。", "4.双双--罗襦上用金线绣的成双的鹧鸪鸟。反衬自身孤独。" ] } ]

各字段语义如下：

• title：词的标题，常为「词牌 + 序号」或「词牌 + 首句」组合（如菩萨蛮 其一、河渎神·铜鼓赛神来），是全词在书中的定位标识；
• paragraphs：词的正文，按阙（片）拆分为字符串数组，是渲染词作正文的权威字段，也是官方 loader 提取的默认目标字段；
• author：作者名，如「温庭筠」「韦庄」；
• rhythmic：词牌名，如「菩萨蛮」「浣溪沙」，是词作分类与检索的核心维度；
• notes：逐句注文数组，每项以「序号.关键词--释义」开头，承载古籍注释信息，如「1.小山--写女子的隔夜残妆」。

序言文件 huajianji-0-preface.json 结构略有不同：它没有paragraphs多段正文，而是把欧阳炯《花间集序》全文放入单元素paragraphs，并配 27 条注释（含「大蜀广政三年——相当公元940年」等考据），author为赵崇祚，rhythmic为「花间集」。读取序言时需要注意这一结构差异。

全本统计：498 首词、19 位作者、78 个词牌

对 五代诗词/huajianji 目录下全部 JSON 做一次聚合统计，可以还原这部选集的规模全貌：

• 全本共498 首词；
• 涉及19 位作者（README 所称「18 位词人」之外，序言作者赵崇祚也出现在数据中）；
• 使用78 个不同词牌。

作品量领先的作者与词牌（来自仓库实际数据统计）：

温庭筠（66 首）、韦庄（48 首）居前，与文学史上「温韦」并称、为花间派主将的定位完全吻合；词牌维度上「浣溪沙」「菩萨蛮」合计近 100 首，是花间词人最偏爱的两类小令，数据本身即可支撑词史研究中的风格统计。

数据去重说明：与全唐诗、全宋词可能重复

五代诗词/huajianji/README.md 的「注意」一节明确指出：

本目录数据保存了所有的花间集数据诗词，由于五代十国朝代的原因，可能与全唐诗和全宋词的诗词重复。这是正常的。

即：同一首词可能同时出现在本目录、全唐诗 与 宋词 数据集中。原因在于五代十国时期作者（如温庭筠）的作品在《全唐诗》《全宋词》的编纂口径中也被收录，各文集边界本就交叉。在构建跨数据集检索、去重或作者作品全景图谱时，应把author + title（或author + rhythmic + 首句）组合作为关联键，主动做归一化处理；宋词/UpdateCi.py 这类清洗脚本在合并多源词作时也需要考虑同样的重复问题。

官方加载器：用 PlainDataLoader 一键提取全本

《花间集》不仅是独立的 JSON 目录，还作为官方数据集注册进了仓库的加载器配置 loader/datas.json：

"wudai-huajianji": { "name": "五代-花间集", "id": 0, "path": "五代诗词/huajianji/", "excludes": ["README.md"], "tag": "paragraphs" }

• path指向数据集目录；
• excludes排除README.md等非数据文件；
• tag: "paragraphs"指明从每条记录中提取paragraphs字段作为正文。

loader/data_loader.py 的PlainDataLoader据此实现了统一加载逻辑：当path是目录时，遍历目录内全部 JSON（跳过excludes命中的文件），把每条记录的tag字段拼接成一个大列表返回；当path指向单文件时直接读取。对《花间集》而言，最终得到的就是全本 498 首词的正文数组。

加载器自带的演示入口（loader/data_loader.py）给出了最直接的调用方式：

from loader.data_loader import PlainDataLoader loader = PlainDataLoader() # 默认读取 ./loader/datas.json print(loader.id_table) # id -> 数据集名 映射 # 提取《花间集》全部正文，末尾一条即补卷中的词作 print(loader.body_extractor("wudai-huajianji")[-1]) # 合并五代两大数据集（花间集 + 南唐二主词） print(len(loader.extract_from_multiple(["wudai-huajianji", "wudai-nantang"]))) # 按数据集 id 批量提取 print(loader.extract_with_ids([0, 1, 2]))

以上代码需要在仓库根目录下运行（PlainDataLoader默认配置路径为./loader/datas.json，且datas.json中cp_path为./），运行环境需具备 Python 3 与requests/json标准库即可。extract_with_ids([0, 1, 2])会依次取出「花间集、南唐二主词、元曲」三个数据集的正文，体现了同一套加载器跨数据集复用的设计。

数据校验：JSON 合法性由测试脚本兜底

仓库根目录的 test_poetry.py 提供了针对所有数据目录的 JSON 校验机制：它遍历仓库中所有含中文名称的目录（is_book_directory判断），对每个目录内的.json文件执行json.loads解析（test_poetry.py），任一文件解析失败即断言失败。

五代诗词/huajianji同样处于该校验范围之内，因此全部分卷文件（含序言与补卷）的 JSON 合法性是有测试兜底的——这意味着你可以放心地以标准json.load()直接消费这些文件，而不必担心文件级格式损坏。

实战：把《花间集》接入你的诗词应用

综合以上数据与源码，接入《花间集》的最小可行流程如下：

1. 定位数据：读取 五代诗词/huajianji 目录下的 10 个卷文件（跳过README.md），或直接使用官方 loader 的wudai-huajianji数据集；
2. 按卷或全本加载：json.load()逐文件读取，得到[{"title", "paragraphs", "author", "rhythmic", "notes"}, ...]数组；
3. 结构化入库：以rhythmic（词牌）、author（作者）建索引，paragraphs用"\n".join()还原全文，notes保留为逐句注文；
4. 去重处理：若同时接入 全唐诗 与 宋词，按「作者 + 词牌 + 首句」关联键去重，规避五代作品跨集重复；
5. 渲染展示：词牌、序数、正文分段（阙）天然适配列表页与详情页的卡片式布局。

例如加载并渲染温庭筠《菩萨蛮 其一》的代码片段：

import json with open("五代诗词/huajianji/huajianji-1-juan.json", encoding="utf-8") as f: poems = json.load(f) first = poems[0] print(first["rhythmic"], first["title"], first["author"]) # 菩萨蛮 菩萨蛮 其一 温庭筠 print("\n".join(first["paragraphs"])) # 正文按阙分行

依托 README.md 描述的「JSON 格式分发、方便快速构建诗词类应用」的设计初衷，《花间集》数据在诗词查询、词牌统计、作者作品集、风格分析、诗词生成等场景中都能直接落地。对五代词研究而言，这份数据更是把「第一部文人词选集」从纸面文献变成了可编程、可统计、可检索的结构化资产。

• 数据集