Создание нового корпуса с NLTK

Question

Я считал, что часто ответ на мой заголовок - это идти и читать документацию, но я пробежал NLTK book, но он не дает ответа. Я немного новичок в python.

У меня есть группа .txt файлов, и я хочу иметь возможность использовать функции корпуса, которые NLTK предоставляет для корпуса nltk_data.

Я попытался PlaintextCorpusReader, но я не мог пройти дальше:

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

Как я сегментировать newcorpus предложений с использованием Punkt? Я попытался использовать функции punkt, но функции punkt не смогли прочитать класс PlaintextCorpusReader?

Можете ли вы также привести меня к тому, как я могу записать сегментированные данные в текстовые файлы?

Редактировать: Этот вопрос имел щедрость один раз, и теперь у него есть вторая щедрость. См. Текст в блоке бонусов.

Answer 1

Я думаю, что PlaintextCorpusReader уже сегментирует вход с токенизатором punkt, по крайней мере, если ваш язык ввода - английский.

PlainTextCorpusReader's constructor

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'): 

Вы можете передать читателю слово и предложение токенизатор, но последний по умолчанию уже nltk.data.LazyLoader('tokenizers/punkt/english.pickle').

Для одной строки токенизатор будет использоваться следующим образом (поясняется here, см. Раздел 5 для токенатора punkt).

>>> 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()) 

Answer 2

>>> 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') 

Answer 3

После нескольких лет выяснить, как она работает, вот обновленный учебник

Как создать корпус NLTK с каталогом текстовых файлов?

Основная идея состоит в том, чтобы использовать пакет nltk.corpus.reader. В случае, если у вас есть каталог текстовых файлов в английском, лучше всего использовать PlaintextCorpusReader.

Если у вас есть каталог, который выглядит следующим образом:

newcorpus/ 
     file1.txt 
     file2.txt 
     ... 

Просто использовать эти строки кода, и вы можете получить корпус:

import os 
from nltk.corpus.reader.plaintext import PlaintextCorpusReader 

corpusdir = 'newcorpus/' # Directory of corpus. 

newcorpus = PlaintextCorpusReader(corpusdir, '.*') 

ПРИМЕЧАНИЕ: что PlaintextCorpusReader будет использовать по умолчанию nltk.tokenize.sent_tokenize() и nltk.tokenize.word_tokenize(), чтобы разделить тексты на предложения и слова, и эти функции построены на английском языке, это может NOT Работа для всех языки.

Вот полный код с созданием тестовых текстовых файлов и как создать корпус с NLTK и как получить доступ к корпусу на различных уровнях:

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]) 

Наконец, для чтения каталога текстов и создать NLTK Corpus в других языках, вы должны сначала убедиться, что у вас есть питон-вызываемой слова лексемизация и предложение лексемизация модули, который принимает строку/basestring вход и производит такой вывод:

>>> 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', '.']