Після кількох років з’ясування того, як це працює, ось оновлений підручник з
Як створити корпус NLTK з каталогом текстових файлів?
Основна ідея полягає у використанні пакета nltk.corpus.reader . Якщо у вас є каталог текстових файлів англійською мовою , найкраще використовувати PlaintextCorpusReader .
Якщо у вас є каталог, який виглядає так:
newcorpus/
file1.txt
file2.txt
...
Просто використовуйте ці рядки коду, і ви зможете отримати корпус:
import os
from nltk.corpus.reader.plaintext import PlaintextCorpusReader
corpusdir = 'newcorpus/'
newcorpus = PlaintextCorpusReader(corpusdir, '.*')
ПРИМІТКА: що для PlaintextCorpusReader
використання тексту за замовчуванням nltk.tokenize.sent_tokenize()
і nltk.tokenize.word_tokenize()
для розділення ваших текстів на речення та слова, і ці функції створені для англійської мови, це НЕ може працювати для всіх мов.
Ось повний код зі створенням тестових текстових файлів і як створити корпус за допомогою NLTK та як отримати доступ до корпусу на різних рівнях:
import os
from nltk.corpus.reader.plaintext import PlaintextCorpusReader
txt1 = """This is a foo bar sentence.\nAnd this is the first txtfile in the corpus."""
txt2 = """Are you a foo bar? Yes I am. Possibly, everyone is.\n"""
corpus = [txt1,txt2]
corpusdir = 'newcorpus/'
if not os.path.isdir(corpusdir):
os.mkdir(corpusdir)
filename = 0
for text in corpus:
filename+=1
with open(corpusdir+str(filename)+'.txt','w') as fout:
print>>fout, text
assert os.path.isdir(corpusdir)
for infile, text in zip(sorted(os.listdir(corpusdir)),corpus):
assert open(corpusdir+infile,'r').read().strip() == text.strip()
newcorpus = PlaintextCorpusReader('newcorpus/', '.*')
for infile in sorted(newcorpus.fileids()):
print infile
with newcorpus.open(infile) as fin:
print fin.read().strip()
print
print newcorpus.raw().strip()
print
print newcorpus.paras()
print
print newcorpus.paras(newcorpus.fileids()[0])
print newcorpus.sents()
print
print newcorpus.sents(newcorpus.fileids()[0])
print newcorpus.words()
print newcorpus.words(newcorpus.fileids()[0])
І, нарешті, прочитати каталог текстів і створити NLTK корпус в інших мовах, ви повинні спочатку переконатися , що у вас є пітон-викликаються слова лексичних і пропозиція лексемізаціі модулі , які приймають рядок / basestring вхід і виробляють такий висновок:
>>> from nltk.tokenize import sent_tokenize, word_tokenize
>>> txt1 = """This is a foo bar sentence.\nAnd this is the first txtfile in the corpus."""
>>> sent_tokenize(txt1)
['This is a foo bar sentence.', 'And this is the first txtfile in the corpus.']
>>> word_tokenize(sent_tokenize(txt1)[0])
['This', 'is', 'a', 'foo', 'bar', 'sentence', '.']