NLTK - 如何找出从python内部安装了哪些语料库？

Question

我试图加载一些语料库我与NLTK安装程序安装的，但我有一个：

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

但在下载管理器（nltk.download()）的安装包马查多被标记和我有一个nltk_data/corpus/machado文件夹。

我如何从python intepreter里面看到安装的语料库是什么？

此外，我应该安装哪些软件包来处理此操作？ http://nltk.googlecode.com/svn/trunk/doc/howto/portuguese_en.html

我找不到模块nltk.examples提到的方法。

Answer 1

尝试

import nltk.corpus 
dir(nltk.corpus) 

在这一点，它可能告诉你一些关于__LazyModule__...再次这样做dir(nltk.corpus)。

如果这样不起作用，请尝试iPython中的tab-completion。

Answer 2

NLTK包含一个包，nltk.corpus，其中包含语料库读者的定义（如PlainTextCorpusReader）。该软件包还包含一个预先定义的语料库接入点清单，可通过nltk.downloader()进行下载。这些接入点（例如，nltk.corpus.brown）被定义为对应的语料库是否已被下载。

1. 要查看哪些接入点在NLTK定义，使用dir(nltk.corpus)（后import nltk）。

2. 要查看该语料库您在nltk_data地区有，试试这个：

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

   这只是转储与文件夹nltk_data/corpora的内容的列表。你可以从那里拿走它。

3. 如果您已安装自己的语料库在nltk_data/corpora区和NLTK不知道这件事情，你需要自己火了相应的阅读器。例如，如果它在corpora/mycorpus明文语料库和所有文件结束.txt，你会做这样的：

   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，你可以直接把自己的阴茎在任何地方，并指向mypath它而不是要求NLTK找到它。