我有一个完整的 penn 树库数据集，我想使用来自 ntlk.corpus 的 ptb 读取它。但在here 中说：
如果您可以访问 Penn Treebank、NLTK 的完整安装 也可以配置为加载它。下载 ptb 包，然后在 目录 nltk_data/corpora/ptb 放置 BROWN 和 WSJ Treebank 安装目录（符号链接也可以）。然后 使用 ptb 模块而不是树库：
但我想将数据集保存在本地目录中，然后从那里而不是从nltk_data/corpora/ptb 加载它。 ptb 总是在该目录中搜索，但我怎样才能提供到 ptb 的路径以便它在给定目录中搜索？有什么办法可以做到吗？我在网上彻底搜索并尝试了几种方法，但对我没有任何帮助！
【问题讨论】：
标签： python nltk penn-treebank
您可以将语料库文件保存在本地目录中，只需将 nltk_data/corpora 文件夹中的符号链接添加到语料库的位置，正如您引用的段落所暗示的那样。但是，如果您无法修改 nltk_data 或者只是不喜欢通过 nltk_data 目录进行不必要的往返，请继续阅读。
ptb 对象只是使用 Penn Treebank 语料库的适当设置初始化的语料库阅读器对象的快捷方式。它是这样定义的（在nltk/corpus/__init__.py）：
ptb = LazyCorpusLoader( # Penn Treebank v3: WSJ and Brown portions
'ptb', CategorizedBracketParseCorpusReader, r'(WSJ/\d\d/WSJ_\d\d|BROWN/C[A-Z]/C[A-Z])\d\d.MRG',
cat_file='allcats.txt', tagset='wsj')
您可以忽略LazyCorpusLoader 部分；之所以使用它，是因为 nltk 定义了很多语料库端点，其中大多数从未在任何一个 python 程序中加载。相反，通过直接实例化CategorizedBracketParseCorpusReader 创建一个语料库阅读器。如果您的语料库看起来与ptb 语料库完全一样，您可以这样称呼它：
from nltk.corpus.reader import CategorizedBracketParseCorpusReader
myreader = CategorizedBracketParseCorpusReader(r"<path to your corpus>",
r'(WSJ/\d\d/WSJ_\d\d|BROWN/C[A-Z]/C[A-Z])\d\d.MRG',
cat_file='allcats.txt', tagset='wsj')
如您所见，您提供了文件实际位置的路径，其余参数保持不变：它们是要包含在语料库中的文件名的正则表达式、将语料库文件映射到类别的文件，以及要使用的标记集。您创建的对象将是与 ptb 或 treebank 完全相同的语料库阅读器（除了它不是延迟创建的）。
【讨论】：