NLTK-如何找出在python中安装了哪些语料库？

Question

我试图加载一些我用NLTK安装程序安装的corpora，但是我得到了一个：

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

但是在下载管理器（nltk.download()）中，包machado被标记为已安装，并且我有一个nltk_data/corpus/machado文件夹。

如何从python intepreter内部看到已安装的corpora是什么？

另外，我应该安装什么程序包来使用这个how-to？ http://nltk.googlecode.com/svn/trunk/doc/howto/portuguese_en.html

我找不到how-to中引用的模块nltk.examples。

Answer 1

试试看

import nltk.corpus
dir(nltk.corpus)

在这一点上，它可能告诉了你一些关于__LazyModule__...的事情，所以请再次dir(nltk.corpus)。

如果不起作用，请尝试在iPython中完成制表符。

Answer 2

NLTK包含一个包nltk.corpus，其中包含语料库读取器的定义（例如PlainTextCorpusReader）。这个包还包括一个大型的corpo预定义访问点列表，可以使用nltk.downloader()下载。无论是否下载了相应的语料库，这些访问点（例如nltk.corpus.brown）都被定义。

1. 要查看在NLTK中定义了哪些访问点，请使用dir(nltk.corpus)（在import nltk之后）。

2. 要查看您的nltk_data区域中有哪些语料库，请尝试以下操作：

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

   这只会转储包含文件夹nltk_data/corpora内容的列表。你可以从那里拿走。

3. 如果您已经在nltk_data/corpora区域安装了自己的语料库，而NLTK对此一无所知，则需要自己启动相应的阅读器。E、 例如，如果它是corpora/mycorpus中的纯文本语料库，并且所有文件都以.txt结尾，那么您应该这样做：

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

   但是在这种情况下，你可以把你自己的语料库放在任何地方，直接指向它，而不是要求NLTK找到它。