CategorizedPlaintextCorpusReader：如何使用正则表达式指定类别？ “NoneType”对象没有属性“组”错误

Question

我正在尝试创建一个具有两个类别的 CategorizedPlaintextCorpusReader：neg 和 pos。这些类别在文件名中为“_neg”和“_pos”。例子：

bda_TD_2520_HD_001.pdf_neg.txt
info_Ei650_de.pdf_pos

我的代码：

reader = CategorizedPlaintextCorpusReader('C:/users/s/desktop/corpus/', r'.*\.txt',
cat_pattern=r'.*(pos|neg)\.txt')

我得到错误：

AttributeError: 'NoneType' object has no attribute 'group'

我在这里做错了什么？

编辑

我更改了它，现在不再出现原来的错误。不过，我不确定它是否有效，因为我没有得到任何结果：

len(reader.categories()) # nothing

for cat in reader.categories():
    print (cat) # nothing

reader.fileids("neg") # ValueError: Category neg not found

Answer 1

您只需要查看包含pos 或neg 的文件：

CategorizedPlaintextCorpusReader('C:/users/s/desktop/corpus/', 
                                 r'.*?_(neg|pos).*', 
                                 cat_pattern=r'.*?_(neg|pos).*')

其中.*? 是一个non-greedy 匹配任何字符任意次数，(neg|pos) 是一个捕获组（它必须被捕获才能使类别提取器工作）匹配neg 或pos。

为我工作。