Creazione di un nuovo corpus con NLTK

Question

Ho calcolato che spesso la risposta al mio titolo è di andare a leggere le documentazioni, ma mi sono imbattuto nel numero NLTK book ma non ho dato la risposta. Sono un po 'nuovo per Python.

Ho un mucchio di file .txt e voglio essere in grado di utilizzare le funzioni corpus fornite da NLTK per il corpus nltk_data.

ho provato PlaintextCorpusReader ma non ho potuto ottenere oltre:

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

Come fare segmento I le newcorpus frasi usando Punkt? Ho provato a utilizzare le funzioni punkt ma le funzioni punkt non sono state in grado di leggere la classe PlaintextCorpusReader?

Potete anche indicarmi come posso scrivere i dati segmentati in file di testo?

Modifica: Questa domanda ha avuto una ricompensa una volta e ora ha una seconda taglia. Vedi il testo nella casella di taglie.

Answer 1

Penso che lo PlaintextCorpusReader segmenti già l'input con un tokenizer punkt, almeno se la lingua di input è l'inglese.

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'): 

È possibile passare al lettore una parola e la frase tokenizer, ma per questi ultimi il default è già nltk.data.LazyLoader('tokenizers/punkt/english.pickle').

Per una stringa singola, verrà utilizzato un tokenizzatore come segue (spiegato here, vedere la sezione 5 per il tokenizzatore 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

Dopo alcuni anni di capire come funziona, ecco il tutorial aggiornato dei

Come creare un corpus NLTK con una directory di file di testo?

L'idea principale è di utilizzare il pacchetto nltk.corpus.reader. Nel caso in cui si disponga di una directory di file di testo in inglese, è preferibile utilizzare lo PlaintextCorpusReader.

Se si dispone di una directory che assomiglia a questo:

newcorpus/ 
     file1.txt 
     file2.txt 
     ... 

semplicemente utilizzare queste righe di codice e si può ottenere un corpus:

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

corpusdir = 'newcorpus/' # Directory of corpus. 

newcorpus = PlaintextCorpusReader(corpusdir, '.*') 

NOTA: che il PlaintextCorpusReader useranno il valore predefinito nltk.tokenize.sent_tokenize() e nltk.tokenize.word_tokenize() per dividere i testi in frasi e parole e queste funzioni sono compilate per l'inglese, potrebbe essere NON lavoro per tutti le lingue.

Ecco il codice completo con la creazione di file di testo di prova e come creare un corpus con NLTK e modalità di accesso al corpus a diversi livelli:

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]) 

Infine, per leggere un elenco di testi e creare un NLTK corpus in un altro lingue, è necessario innanzitutto assicurarsi di avere un parola tokenizzazione python-callable e frase tokenizzazione moduli che si stringa/ingresso basestring e produce come output:

>>> 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', '.']