Программно установить NLTK Corpora / Models, то есть без загрузки GUI?

Question

Мой проект использует NLTK. Как я могу перечислить требования к корпусу и модели проекта, чтобы их можно было автоматически установлено? Я не хочу нажимать на nltk.download() GUI, установка пакетов один за другим.

Кроме того, любой способ заморозить тот же список требований (например pip freeze)?

Answer 1

На сайте NLTK перечислены интерфейс командной строки для загрузки пакетов и коллекций внизу этой страницы:

http://www.nltk.org/data

Использование командной строки зависит от какой версии Python, которую вы используете, но при установке Python2.6 я заметил, что мне не хватало модели «испанского_граммара», и это работало нормально:

python -m nltk.downloader spanish_grammars

Вы упоминаете, что в перечислении требования к корпусу и моделям проекта, и хотя я не уверен в способе автомагически сделать это, я подумал, что поделится этим.

Answer 2

Чтобы установить все NLTK Corpora & Models:

python -m nltk.downloader all

В качестве альтернативы, на Linux вы можете использовать:

sudo python -m nltk.downloader -d /usr/local/share/nltk_data all

Заменять all по popular Если вы просто хотите перечислить самые популярные корпорации и модели.

---

Вы также можете просмотреть корпуса и модели через командную строку:

mlee@server:/scratch/jjylee/tests$ sudo python -m nltk.downloader
[sudo] password for jjylee:
NLTK Downloader
---------------------------------------------------------------------------
    d) Download   l) List    u) Update   c) Config   h) Help   q) Quit
---------------------------------------------------------------------------
Downloader> d

Download which package (l=list; x=cancel)?
  Identifier> l
Packages:
  [ ] averaged_perceptron_tagger_ru Averaged Perceptron Tagger (Russian)
  [ ] basque_grammars..... Grammars for Basque
  [ ] bllip_wsj_no_aux.... BLLIP Parser: WSJ Model
  [ ] book_grammars....... Grammars from NLTK Book
  [ ] cess_esp............ CESS-ESP Treebank
  [ ] chat80.............. Chat-80 Data Files
  [ ] city_database....... City Database
  [ ] cmudict............. The Carnegie Mellon Pronouncing Dictionary (0.6)
  [ ] comparative_sentences Comparative Sentence Dataset
  [ ] comtrans............ ComTrans Corpus Sample
  [ ] conll2000........... CONLL 2000 Chunking Corpus
  [ ] conll2002........... CONLL 2002 Named Entity Recognition Corpus
  [ ] conll2007........... Dependency Treebanks from CoNLL 2007 (Catalan
                           and Basque Subset)
  [ ] crubadan............ Crubadan Corpus
  [ ] dependency_treebank. Dependency Parsed Treebank
  [ ] europarl_raw........ Sample European Parliament Proceedings Parallel
                           Corpus
  [ ] floresta............ Portuguese Treebank
  [ ] framenet_v15........ FrameNet 1.5
Hit Enter to continue: 
  [ ] framenet_v17........ FrameNet 1.7
  [ ] gazetteers.......... Gazeteer Lists
  [ ] genesis............. Genesis Corpus
  [ ] gutenberg........... Project Gutenberg Selections
  [ ] hmm_treebank_pos_tagger Treebank Part of Speech Tagger (HMM)
  [ ] ieer................ NIST IE-ER DATA SAMPLE
  [ ] inaugural........... C-Span Inaugural Address Corpus
  [ ] indian.............. Indian Language POS-Tagged Corpus
  [ ] jeita............... JEITA Public Morphologically Tagged Corpus (in
                           ChaSen format)
  [ ] kimmo............... PC-KIMMO Data Files
  [ ] knbc................ KNB Corpus (Annotated blog corpus)
  [ ] large_grammars...... Large context-free and feature-based grammars
                           for parser comparison
  [ ] lin_thesaurus....... Lin's Dependency Thesaurus
  [ ] mac_morpho.......... MAC-MORPHO: Brazilian Portuguese news text with
                           part-of-speech tags
  [ ] machado............. Machado de Assis -- Obra Completa
  [ ] masc_tagged......... MASC Tagged Corpus
  [ ] maxent_ne_chunker... ACE Named Entity Chunker (Maximum entropy)
  [ ] moses_sample........ Moses Sample Models
Hit Enter to continue: x


Download which package (l=list; x=cancel)?
  Identifier> conll2002
    Downloading package conll2002 to
        /afs/mit.edu/u/m/mlee/nltk_data...
      Unzipping corpora/conll2002.zip.

---------------------------------------------------------------------------
    d) Download   l) List    u) Update   c) Config   h) Help   q) Quit
---------------------------------------------------------------------------
Downloader>

Answer 3

В дополнение к уже упомянутой опции командной строки, вы можете программно установить данные NLTK в свой скрипт Python, добавив аргумент в download() функция

Увидеть help(nltk.download) текст, в частности:

Individual packages can be downloaded by calling the ``download()``
function with a single argument, giving the package identifier for the
package that should be downloaded:

    >>> download('treebank') # doctest: +SKIP
    [nltk_data] Downloading package 'treebank'...
    [nltk_data]   Unzipping corpora/treebank.zip.

Я могу подтвердить, что это работает для загрузки одного пакета за раз или после прохождения list или же tuple.

>>> import nltk
>>> nltk.download('wordnet')
[nltk_data] Downloading package 'wordnet' to
[nltk_data]     C:\Users\_my-username_\AppData\Roaming\nltk_data...
[nltk_data]   Unzipping corpora\wordnet.zip.
True

Вы также можете попытаться скачать уже загруженный пакет без проблем:

>>> nltk.download('wordnet')
[nltk_data] Downloading package 'wordnet' to
[nltk_data]     C:\Users\_my-username_\AppData\Roaming\nltk_data...
[nltk_data]   Package wordnet is already up-to-date!
True

Кроме того, кажется, что функция возвращает логическое значение, которое вы можете использовать, чтобы увидеть, удастся ли загрузка:

>>> nltk.download('not-a-real-name')
[nltk_data] Error loading not-a-real-name: Package 'not-a-real-name'
[nltk_data]     not found in index
False

Answer 4

Мне удалось установить корпусы и модели внутри пользовательского каталога, используя следующий код:

import nltk
nltk.download(info_or_id="popular", download_dir="/path/to/dir")
nltk.data.path.append("/path/to/dir")

это установит "все"Корпуса/модели внутри /path/to/dir, и даст знать NLTK, где его искать (data.path.append).

Вы не можете «заморозить» данные в файле требований, но вы можете добавить этот код в свой __init__ Кроме того, приходите код, чтобы проверить, есть ли файлы уже есть.