Создание нового корпуса с NLTK

Ответ 1

Я думаю, что PlaintextCorpusReader уже сегментирует ввод с помощью токенайзера пункта, по крайней мере, если ваш язык ввода английский.

PlainTextCorpusReader конструктор

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 токенайзер слова и предложения, но для последнего по умолчанию уже используется nltk.data.LazyLoader('tokenizers/punkt/english.pickle').

Для одной строки токенизатор будет использоваться следующим образом (объяснение здесь, см. Раздел 5 для токенайзера пункта).

>>> 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())

Ответ 2

После нескольких лет выяснения, как это работает, здесь обновлено руководство по

Как создать корпус NLTK с каталогом текстовых файлов?

Основная идея заключается в использовании пакета 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 так:

newcorpus/
         file1.txt
         file2.txt
         ...

Просто используйте 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 ваши тексты на предложения и слова, и эти функции построены для английского языка, это может НЕ работают для всех языков.

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

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

# Let 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, чтобы прочитать каталог текстов и создать корпус NLTK на других языках, вы должны сначала убедиться, что у вас есть python-callable токенизация слова и предложение токенинга модули, которые принимают ввод string/basestring и выводят 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', '.']

Ответ 3

 >>> 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')