NLTK - 如何找出从 python 中安装的语料库？答案

【问题标题】：NLTK - how to find out what corpora are installed from within python?NLTK - 如何找出从 python 中安装的语料库？
【发布时间】：2009-12-14 19:32:25
【问题描述】：

我正在尝试加载一些我使用 NLTK 安装程序安装的语料库，但我得到了：

>>> 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()) 中，machado 包被标记为已安装，并且我有一个 nltk_data/corpus/machado 文件夹。

如何从 python 解释器中查看已安装的语料库是什么？

另外，我应该安装什么包来使用这个方法？ http://nltk.googlecode.com/svn/trunk/doc/howto/portuguese_en.html

我找不到操作指南中提到的模块nltk.examples。

【问题讨论】：

我的在 /home/myUser/nltk_data

标签： python nlp nltk corpus

【解决方案1】：

试试

import nltk.corpus
dir(nltk.corpus)

此时，它可能告诉了你一些关于 __LazyModule__... 的信息，所以再次告诉你 dir(nltk.corpus)。

如果这不起作用，请尝试 iPython 中的制表符补全。

【讨论】：

这个方法不会告诉你nltk数据目录中安装了哪些语料库；只有哪些有预定义的接入点，无论它们是否已安装。
如果你想查看是否安装了语料库，我推荐这个：stackoverflow.com/questions/57925041/…

【解决方案2】：

NLTK 包含一个包nltk.corpus，其中包含语料库阅读器的定义（例如PlainTextCorpusReader）。该软件包还包括大量预定义的语料库访问点列表，可通过nltk.downloader() 下载。这些访问点（例如，nltk.corpus.brown）被定义为是否已经下载了相应的语料库。

要查看在 NLTK 中定义了哪些接入点，请使用dir(nltk.corpus)（在import nltk 之后）。
要查看您的nltk_data 区域中您拥有哪些语料库，请尝试以下操作：
```
import os
import nltk
print( os.listdir( nltk.data.find("corpora") ) )
```
这只是转储一个包含文件夹nltk_data/corpora 内容的列表。你可以从那里拿走。
如果您已经在nltk_data/corpora 区域安装了自己的语料库，而 NLTK 不知道，您需要自己启动相应的阅读器。例如，如果它是corpora/mycorpus 中的纯文本语料库，并且所有文件都以.txt 结尾，那么您可以这样做：
```
import nltk
from nltk.corpus import PlaintextCorpusReader

mypath = nltk.data.find("corpora/mycorpus")
mycorpus = PlaintextCorpusReader(mypath, r".*\.txt$")
```
但在这种情况下，您可以将自己的语料库放在任何地方，并直接将 mypath 指向它，而不是要求 NLTK 找到它。

【讨论】：