Створення нового корпусу за допомогою NLTK

Я вважав, що часто відповідь на мій заголовок полягає в тому, щоб піти читати документацію, але я переглянув книгу НЛТК, але вона не дає відповіді. Я якось новачок у Python.

У мене є купа .txtфайлів, і я хочу мати можливість використовувати функції корпусу, які NLTK надає для корпусу nltk_data.

Я пробував, PlaintextCorpusReaderале не зміг дійти далі:

>>>import nltk
>>>from nltk.corpus import PlaintextCorpusReader
>>>corpus_root = './'
>>>newcorpus = PlaintextCorpusReader(corpus_root, '.*')
>>>newcorpus.words()

Як сегментувати newcorpusречення за допомогою пункту? Я намагався використовувати функції punkt, але функції punkt не могли прочитати PlaintextCorpusReaderклас?

Чи можете ви також підказати мені, як я можу записати сегментовані дані у текстові файли?

Я думаю, що PlaintextCorpusReaderвже сегментований ввід за допомогою пунктуального маркера, принаймні, якщо мовою введення є англійська.

Конструктор PlainTextCorpusReader

def __init__(self, root, fileids,
             word_tokenizer=WordPunctTokenizer(),
             sent_tokenizer=nltk.data.LazyLoader(
                 'tokenizers/punkt/english.pickle'),
             para_block_reader=read_blankline_block,
             encoding='utf8'):

Ви можете передати читачеві слово та речення, але для останнього за замовчуванням це вже nltk.data.LazyLoader('tokenizers/punkt/english.pickle').

Для однієї рядки токенізатор буде використовуватися наступним чином (пояснення тут див. У розділі 5 для пунктуального токенізатора).

>>> import nltk.data
>>> text = """
... Punkt knows that the periods in Mr. Smith and Johann S. Bach
... do not mark sentence boundaries.  And sometimes sentences
... can start with non-capitalized words.  i is a good variable
... name.
... """
>>> tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')
>>> tokenizer.tokenize(text.strip())

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/' # Directory of corpus.

newcorpus = PlaintextCorpusReader(corpusdir, '.*')

ПРИМІТКА: що для PlaintextCorpusReaderвикористання 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

# Let's create a corpus with 2 texts in different textfile.
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]

# Make new dir for the corpus.
corpusdir = 'newcorpus/'
if not os.path.isdir(corpusdir):
    os.mkdir(corpusdir)

# Output the files into the directory.
filename = 0
for text in corpus:
    filename+=1
    with open(corpusdir+str(filename)+'.txt','w') as fout:
        print>>fout, text

# Check that our corpus do exist and the files are correct.
assert os.path.isdir(corpusdir)
for infile, text in zip(sorted(os.listdir(corpusdir)),corpus):
    assert open(corpusdir+infile,'r').read().strip() == text.strip()


# Create a new corpus by specifying the parameters
# (1) directory of the new corpus
# (2) the fileids of the corpus
# NOTE: in this case the fileids are simply the filenames.
newcorpus = PlaintextCorpusReader('newcorpus/', '.*')

# Access each file in the corpus.
for infile in sorted(newcorpus.fileids()):
    print infile # The fileids of each file.
    with newcorpus.open(infile) as fin: # Opens the file.
        print fin.read().strip() # Prints the content of the file
print

# Access the plaintext; outputs pure string/basestring.
print newcorpus.raw().strip()
print 

# Access paragraphs in the corpus. (list of list of list of strings)
# NOTE: NLTK automatically calls nltk.tokenize.sent_tokenize and 
#       nltk.tokenize.word_tokenize.
#
# Each element in the outermost list is a paragraph, and
# Each paragraph contains sentence(s), and
# Each sentence contains token(s)
print newcorpus.paras()
print

# To access pargraphs of a specific fileid.
print newcorpus.paras(newcorpus.fileids()[0])

# Access sentences in the corpus. (list of list of strings)
# NOTE: That the texts are flattened into sentences that contains tokens.
print newcorpus.sents()
print

# To access sentences of a specific fileid.
print newcorpus.sents(newcorpus.fileids()[0])

# Access just tokens/words in the corpus. (list of strings)
print newcorpus.words()

# To access tokens of a specific fileid.
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', '.']

 >>> import nltk
 >>> from nltk.corpus import PlaintextCorpusReader
 >>> corpus_root = './'
 >>> newcorpus = PlaintextCorpusReader(corpus_root, '.*')
 """
 if the ./ dir contains the file my_corpus.txt, then you 
 can view say all the words it by doing this 
 """
 >>> newcorpus.words('my_corpus.txt')

from nltk.corpus.reader.plaintext import PlaintextCorpusReader


filecontent1 = "This is a cow"
filecontent2 = "This is a Dog"

corpusdir = 'nltk_data/'
with open(corpusdir + 'content1.txt', 'w') as text_file:
    text_file.write(filecontent1)
with open(corpusdir + 'content2.txt', 'w') as text_file:
    text_file.write(filecontent2)

text_corpus = PlaintextCorpusReader(corpusdir, ["content1.txt", "content2.txt"])

no_of_words_corpus1 = len(text_corpus.words("content1.txt"))
print(no_of_words_corpus1)
no_of_unique_words_corpus1 = len(set(text_corpus.words("content1.txt")))

no_of_words_corpus2 = len(text_corpus.words("content2.txt"))
no_of_unique_words_corpus2 = len(set(text_corpus.words("content2.txt")))

enter code here