如何使用NLTK加載語料庫的多個XML文件並將其作為整體與Text類一起使用？

Question

伙計們，我整理了一套NLTK的語料庫，它們基本上是簡單的XML文件。 我可以像這樣加載它：

>>> from nltk.corpus import cicero
>>> print cicero.fileids()
['cicero_academica.xml', 'cicero_arati_phaenomena.xml', ...]

現在，我知道XMLCorpusReader不會一次提供所有這些XML文件的內容，因為它希望一次只處理一個XML，對嗎？ 我試圖繞過它編寫一個for循環，將其全部放入列表中，然后將其提供給XMLCorpusReader，但是沒有運氣...

簡而言之：我怎么能用NLTK加載多個XML語料庫，並一次在所有它們中運行.words（）？ 工作代碼示例會很好。

似乎我無法一次加載所有XML並使用它們（例如，與Text（）類一起）通過所有XML文件（而不是一次僅一次）打印單詞的一致性。

是否有解決方法或真正的NLTK解決方案？ 我應該編寫一個神奇的XMLCorpusReader繼承類嗎？ 我應該刪除XML並使用平面文件嗎？

這與我的問題類似，但是到目前為止，我認為NLTK的答案並不是真正有用的： NLTK的XMLCorpusReader可以用於多文件語料庫嗎？

Answer 1

不完全是我所追求的，但現在可以解決問題。 我會再嘗試一些，所以以后可能會有所不同。 無論如何，一個小的工作測試:-)

# http://stackoverflow.com/questions/6849600/does-anyone-have-a-categorized-xml-corpus-reader-for-nltk
from CatXMLReader import CategorizedXMLCorpusReader

from nltk.corpus import cicero
from nltk import Text

fileids = cicero.abspaths()
reader = CategorizedXMLCorpusReader('/', fileids, cat_file='cats.txt')
words = Text(reader.words(fileids))
print words.concordance('et')