NLTK - 如何找出python中安裝的語料庫？

Question

我正在嘗試加載我使用NLTK安裝程序安裝的一些語料庫，但我得到了：

>>> from nltk.corpus import machado
      Traceback (most recent call last):
      File "<stdin>", line 1, in <module>
      ImportError: cannot import name machado

但是在下載管理器（ nltk.download() ）中，包machado被標記為已安裝，我有一個nltk_data/corpus/machado文件夾。

我如何從python intepreter里面看到安裝的語料庫是什么？

另外，我應該安裝哪個軟件包來使用這個方法？ http://nltk.googlecode.com/svn/trunk/doc/howto/portuguese_en.html

我找不到在how-to中nltk.examples的模塊nltk.examples 。

Answer 1

嘗試

import nltk.corpus
dir(nltk.corpus)

在這一點上，它可能會告訴你關於__LazyModule__...事情，所以dir(nltk.corpus)也是如此。

如果這不起作用，請在iPython中嘗試tab-completion。

Answer 2

NLTK包括一個包nltk.corpus ，它包含語料庫閱讀器的定義（例如PlainTextCorpusReader ）。 該軟件包還包括一個可以使用nltk.downloader()下載的語料庫預定義訪問點的大量列表。 無論是否已下載相應的語料庫，都定義這些訪問點（例如， nltk.corpus.brown ）。

1. 要查看在NLTK 中定義了哪些接入點 ，請使用dir(nltk.corpus) （在import nltk ）。

2. 要查看nltk_data區域中的語料庫 ，請嘗試以下操作：

    import os import nltk print( os.listdir( nltk.data.find("corpora") ) ) 

   這只是轉儲包含文件夾nltk_data/corpora內容的列表。 你可以從那里拿走它。

3. 如果您已在nltk_data/corpora區域安裝了自己的語料庫 ，而NLTK不知道它，您需要自己啟動相應的閱讀器。 例如，如果它是corpora/mycorpus的明文語料庫，並且所有文件都以.txt結尾，那么你可以這樣做：

    import nltk from nltk.corpus import PlaintextCorpusReader mypath = nltk.data.find("corpora/mycorpus") mycorpus = PlaintextCorpusReader(mypath, r".*\\.txt$") 

   但在這種情況下，您可以將自己的語料庫放在任何地方，並將mypath直接指向它，而不是要求NLTK找到它。