Python - 语料库访问

简述

Corpora 是一个提供多个文本文档集合的组。单个集合称为语料库。其中一个著名的语料库是古腾堡语料库，其中包含大约 25,000 本免费电子书，托管在 http://www.gutenberg.org/。在下面的示例中，我们仅访问语料库中那些文件名以 .txt 结尾的纯文本文件的名称。


from nltk.corpus import gutenberg
fields = gutenberg.fileids()
print(fields)

当我们运行上述程序时，我们得到以下输出 -


[austen-emma.txt', austen-persuasion.txt', austen-sense.txt', bible-kjv.txt', 
blake-poems.txt', bryant-stories.txt', burgess-busterbrown.txt',
carroll-alice.txt', chesterton-ball.txt', chesterton-brown.txt', 
chesterton-thursday.txt', edgeworth-parents.txt', melville-moby_dick.txt',
milton-paradise.txt', shakespeare-caesar.txt', shakespeare-hamlet.txt',
shakespeare-macbeth.txt', whitman-leaves.txt']

访问原始文本

我们可以使用在 nltk 中也可用的 sent_tokenize 函数从这些文件中访问原始文本。在下面的示例中，我们检索 blake poen 文本的前两段。


from nltk.tokenize import sent_tokenize
from nltk.corpus import gutenberg
sample = gutenberg.raw("blake-poems.txt")
token = sent_tokenize(sample)
for para in range(2):
    print(token[para])

当我们运行上述程序时，我们得到以下输出 -


[Poems by William Blake 1789]
 
SONGS OF INNOCENCE AND OF EXPERIENCE
and THE BOOK of THEL
 SONGS OF INNOCENCE
 
 
 INTRODUCTION
 
 Piping down the valleys wild,
   Piping songs of pleasant glee,
 On a cloud I saw a child,
   And he laughing said to me:
 
 "Pipe a song about a Lamb!"
So I piped with merry cheer.