NLTK로 새 말뭉치 만들기

나는 종종 내 제목에 대한 답은 가서 문서를 읽는 것이라고 생각했지만 NLTK 책을 훑어 보았지만 답을 얻지 못했습니다. 저는 Python에 익숙하지 않습니다.

많은 .txt파일이 있고 NLTK가 말뭉치에 제공하는 말뭉치 기능을 사용할 수 있기를 원합니다 nltk_data.

시도 PlaintextCorpusReader했지만 더 이상 얻을 수 없습니다.

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

newcorpus펑크를 사용 하여 문장을 어떻게 분할 합니까? punkt 함수를 사용해 보았지만 punkt 함수가 PlaintextCorpusReader클래스를 읽을 수 없습니까?

분할 된 데이터를 텍스트 파일에 쓰는 방법에 대해서도 안내해 주시겠습니까?

PlaintextCorpusReader적어도 입력 언어가 영어 인 경우 에는 이미 입력을 punkt 토크 나이저로 분할 한다고 생각합니다 .

PlainTextCorpusReader의 생성자

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'):

독자에게 단어와 문장 토크 나이저를 전달할 수 있지만 후자의 경우 기본값은 이미 nltk.data.LazyLoader('tokenizers/punkt/english.pickle').

단일 문자열의 경우 토크 나이저가 다음과 같이 사용됩니다 ( 여기 에 설명되어 있음 , punkt 토크 나이저에 대한 섹션 5 참조).

>>> 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())

몇 년 동안 작동 방식을 파악한 후 업데이트 된 튜토리얼은 다음과 같습니다.

텍스트 파일 디렉토리로 NLTK 말뭉치를 만드는 방법은 무엇입니까?

주요 아이디어는 nltk.corpus.reader 패키지를 사용하는 것입니다 . 영어로 된 텍스트 파일 디렉토리가있는 경우 PlaintextCorpusReader 를 사용하는 것이 가장 좋습니다 .

다음과 같은 디렉토리가있는 경우 :

newcorpus/
         file1.txt
         file2.txt
         ...

다음 코드 라인을 사용하면 코퍼스를 얻을 수 있습니다.

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

corpusdir = 'newcorpus/' # Directory of corpus.

newcorpus = PlaintextCorpusReader(corpusdir, '.*')

참고 : (가)하는 PlaintextCorpusReader기본값을 사용 nltk.tokenize.sent_tokenize()하고 nltk.tokenize.word_tokenize()영어 문장과 단어와 이러한 기능에 빌드하여 텍스트를하는 분할, 그것은 수도에 NOT 모든 언어에 대한 작업.

다음은 테스트 텍스트 파일 생성과 NLTK를 사용하여 말뭉치 생성 방법 및 다양한 수준에서 말뭉치에 액세스하는 방법을 포함한 전체 코드입니다.

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])

마지막으로, 텍스트 디렉토리를 읽고 다른 언어로 NLTK 코퍼스를 생성하려면 먼저 문자열 /베이스 스트링 입력을 받아 이러한 출력을 생성 하는 파이썬 호출 가능 단어 토큰 화 및 문장 토큰 화 모듈이 있는지 확인해야합니다 .

>>> 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