ruscorpora-tools 0.3

语料库下载

从以下位置下载并解压缩包含XML文件的存档文件 http://www.ruscorpora.ru/corpora-usage.html

语料库阅读

ruscorpora.parse_xml函数解析单个xml文件并返回 对句子的迭代器；每个句子都是^{tt2}的列表$ 实例，用ruscorpora.Annotation实例列表进行注释。

ruscorpora.simplify将ruscorpora.parse_xml的结果简化为 删除不明确的注释，连接拆分的标记（+连接它们的 注释）和删除重音信息。

>>> import ruscorpora as rnc
>>> for sent in rnc.simplify(rnc.parse('fiction.xml')):
...     print(sent)

使用标签

ruscorpora.Tag类是用于 俄罗斯文库：

>>> tag = rnc.Tag('S,f,inan=sg,nom')
>>> tag.POS
'S'
>>> tag.gender
'f'
>>> tag.animacy
'inan'
>>> tag.number
'sg'
>>> tag.case
'nom'
>>> tag.tense
None

（还有其他属性）。

检查标签中是否有克数：

>>> 'S' in tag
True
>>> 'V' in tag
False
>>> 'Foo' in tag
Traceback (most recent call last)
...
ValueError: Grammeme is unknown: Foo

测试标记相等：

>>> tag == rnc.Tag('S,f,inan=sg,nom')
True
>>> tag == 'S,f,inan=sg,nom'
True
>>> tag == rnc.Tag('S,f,inan=sg,acc')
False
>>> tag == 'S,f,inan=sg,acc'
False
>>> tag == 'Foo,inan'
Traceback (most recent call last)
...
ValueError: Unknown grammemes: frozenset({Foo})

默认情况下，rnc.simplify返回的标记用此类包装。

运行测试

确保tox已安装并运行

$ tox

从源签出。测试应该在Python2.6..3.3下通过 和Pypy>；1.8。