您的位置:首页 > 其它

NLTK 2 获得文本语料和词汇资源

2015-07-07 13:50 363 查看

1 获得文本语料库

1.1 古登堡语料库(Project Gutenberg)

#nltk包含gutenberg的一小部分文本
import nltk
nltk.corpus.gutenberg.fileids()
emma=nltk.corpus.gutenberg.words('austen-emma.txt')
print len(emma)                    #192427


form nltk.corpus import gutenberg
gutenberg.fileids()
for fileid in gutenberg.fileids():
num_chars=len(gutenberg.raw(fileid))
num_words=len(gutenberg.words(fileid))
num_sents=len(gutenberg.sents(fileid))
num_vocab=len(set([w.lower() for w in gutenberg.words(fileid)]))
print int(num_chars/num_words),int(num_words/num_sents),int(num_words/num_vocab),fileid




平均词长 平均句子长度 本文中每个词出现的平均次数

raw()函数能在没有 进行过任何语言学处理之前把文件的内容分析出来。

sents()函数把文本划分成句子,每个句子是一个词链表。

1.2 网络和聊天文本

from nltk.corpus import webtext
#还有from nltk.corpus import nps_chat
for fileid in webtext.fileids():
print fileid, webtext.raw(fileid)[:65], '...'


1.3 布朗语料库

from nltk.corpus import brown


1.4 路透社语料库

from nltk.corpus import reuters


1.5 就职演说语料库

from nltk.corpus import inaugural


1.6 标注文本语料库

1.7 其他预言的语料库

from nltk.corpus import cess_esp.words()
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: