0

伙计们，我已经为 NLTK 整理了一组语料库，它们基本上是简单的 XML 文件。我可以像这样加载它：

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

现在，我知道 XMLCorpusReader 不会一次给我所有这些 XML 文件的内容，因为它希望一次只处理一个 XML，对吗？我试图绕过它编写一个 for 循环，将它全部放在一个列表中并将其提供给 XMLCorpusReader 但没有运气......

简而言之：如何使用 NLTK 加载多个 XML 语料库并同时在所有语料库中运行 .words() ？工作代码示例会很好。

似乎我不能一次加载所有 XML 并使用它们，例如，使用类 Text() 来通过所有 XML 文件打印单词的索引，而不仅仅是一次通过一个。

是否有任何解决方法或真正的 NLTK 解决方案？我应该编写一个神奇的 XMLCorpusReader 继承类吗？我应该放弃 XML 并使用平面文件吗...？

这与我的问题类似，但到目前为止，我认为那里的答案在 NLTK 方面并没有真正有用：Can NLTK's XMLCorpusReader be used on a multi-file corpus?

4

1 回答 1

0

不完全是我所追求的，但它现在解决了这个问题。我会多玩一点，所以也许以后会有所不同。无论如何，一个小的工作测试:-)

# 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')
于 2012-04-17T02:23:56.007 回答