NLTKで新しいコーパスを作成する


83

私のタイトルの答えは、ドキュメントを読んで行くことであることが多いと思いましたが、NLTKの本を読みましたが、答えが得られません。私はPythonに少し慣れていません。

たくさんの.txtファイルがあり、NLTKがコーパスに提供するコーパス関数を使用できるようにしたいと考えていますnltk_data

私は試しましたPlaintextCorpusReaderが、それ以上進むことができませんでした:

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

newcorpuspunktを使用して文をセグメント化するにはどうすればよいですか?パンク関数を使ってみましたが、パンク関数がPlaintextCorpusReaderクラスを読み取れませんでしたか?

セグメント化されたデータをテキストファイルに書き込む方法についても教えていただけますか?

回答:


40

PlaintextCorpusReader少なくとも入力言語が英語の場合は、すでにパンクトトークナイザーで入力をセグメント化していると思います。

PlainTextCorpusReaderのコンストラクター

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'):

読者に単語と文のトークナイザーを渡すことができますが、後者の場合、デフォルトはすでにですnltk.data.LazyLoader('tokenizers/punkt/english.pickle')

単一の文字列の場合、トークナイザーは次のように使用されます(ここで説明します。パンクトトークナイザーについてはセクション5を参照してください)。

>>> 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())

説明してくれてありがとう。とった。しかし、セグメント化された文を別のtxtファイルに出力するにはどうすればよいですか?
alvas 2011


67

それがどのように機能するかを数年理解した後、これがの更新されたチュートリアルです

テキストファイルのディレクトリを使用してNLTKコーパスを作成するにはどうすればよいですか?

主なアイデアは、nltk.corpus.readerパッケージを利用することです。英語のテキストファイルのディレクトリがある場合は、PlaintextCorpusReaderを使用するのが最善です。ます。

次のようなディレクトリがある場合:

newcorpus/
         file1.txt
         file2.txt
         ...

これらのコード行を使用するだけで、コーパスを取得できます。

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

corpusdir = 'newcorpus/' # Directory of corpus.

newcorpus = PlaintextCorpusReader(corpusdir, '.*')

注:そのPlaintextCorpusReaderデフォルトを使用するnltk.tokenize.sent_tokenize()と、nltk.tokenize.word_tokenize()文章や言葉にあなたの文章を分割し、これらの機能は、英語のビルドされ、それがかもしれないですべての言語のために働きます。

テストテキストファイルを作成する完全なコードと、NLTKを使用してコーパスを作成する方法、およびさまざまなレベルでコーパスにアクセスする方法を次に示します。

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])

最後に、テキストのディレクトリを読み取り、別の言語でNLTKコーパスを作成するには、最初に、文字列/ベース文字列の入力を受け取り、そのような出力を生成する、Pythonで呼び出し可能な単語トークン化および文トークン化モジュールがあることを確認する必要があります。

>>> 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', '.']

ご説明ありがとうございます。ただし、多くの言語がデフォルトでサポートされています。
Andrew Tobey

1
誰かがAttributeError: __exit__エラーを受け取った場合。open()代わりに使用with()
Tasdik Rahman 2016

12
 >>> 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')

デーバナーガリー語にいくつかの問題を引き起こします。
ashim888 2016年

0
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
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.