NLTK - cómo averiguar lo corpus se instalan desde el interior de pitón?

Question

Estoy tratando de cargar algunos corpus He instalado el instalador NLTK pero tengo una:

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

Pero en el gestor de descargas (nltk.download()) machado paquete está marcado como instalado y tengo una carpeta nltk_data/corpus/machado.

¿Cómo puedo ver desde el interior del pitón intepreter cuáles son los corpus instalado?

Además, ¿qué paquete debo instalar para trabajar con este how-to? http://nltk.googlecode.com/svn/trunk/doc/howto /portuguese_en.html

No puedo encontrar el módulo referido a nltk.examples en el cómo-a.

Answer 1

try

import nltk.corpus
dir(nltk.corpus)

y en ese momento, es probable que te ha dicho algo acerca de __LazyModule__... también lo hacen dir(nltk.corpus) de nuevo.

Si esto no funciona, trate de rellenar la ficha de IPython.

Answer 2

El NLTK incluye un paquete, nltk.corpus, que contiene definiciones de los lectores corpus (tales como PlainTextCorpusReader). Este paquete también incluye una larga lista de puntos de acceso predefinidos para los cuerpos que se pueden descargar con nltk.downloader(). Estos puntos de acceso (por ejemplo, nltk.corpus.brown) se definen si o no el corpus correspondiente se ha descargado.

1. Para ver que los puntos de acceso se definen en la NLTK, el uso dir(nltk.corpus) (después de import nltk).

2. Para ver corpus, que tiene en su área nltk_data, intente lo siguiente:

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

   Esto se vuelca una lista con el contenido de la carpeta nltk_data/corpora. Puede tomar desde allí.

3. Si ha instalado su propio corpus en la zona nltk_data/corpora y la NLTK no sabe de ello, es necesario encender el lector apropiado a sí mismo. Por ejemplo, si se trata de un corpus de texto plano en corpora/mycorpus y todos los archivos terminan en .txt, usted lo haría así:

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

   Sin embargo, en ese caso se puede poner su propio corpus en cualquier lugar, y mypath punto a ella directamente en lugar de pedir al NLTK para encontrarlo.