Question

我正在尝试在python中使用NLTK包。特别是，我需要在NLTK中使用penn树库数据集。据我所知，如果我拨打nltk.download('treebank')我可以获得5％的数据集。但是，我在tar.gz文件中有一个完整的数据集，我想使用它。在here中有人说：

如果您可以访问Penn Treebank，NLTK的完整安装可以配置为加载它。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treebank：

所以，我从终端打开了python，导入了nltk并输入了nltk.download('ptb')。使用此命令，在我的~/nltk_data目录下创建了“ptb”目录。最后，现在我有~/nltk_data/ptb目录。在里面，正如我上面给出的链接所示，我已经放了我的数据集文件夹。所以这是我的最终目录层次结构。

    $: pwd
    $: ~/nltk_data/corpora/ptb/WSJ
    $: ls
    $:00  02  04  06  08  10  12  14  16  18  20  22  24
      01  03  05  07  09  11  13  15  17  19  21  23  merge.log

在00到24之间的所有文件夹中，有许多.mrg个文件，例如wsj_0001.mrg , wsj_0002.mrg等等。

现在，让我们回答我的问题。再次，根据here：

如果我写下以下内容，我应该能够获得文件ID：

>>> from nltk.corpus import ptb
>>> print(ptb.fileids()) # doctest: +SKIP
['BROWN/CF/CF01.MRG', 'BROWN/CF/CF02.MRG', 'BROWN/CF/CF03.MRG', 'BROWN/CF/CF04.MRG', ...]

不幸的是，当我输入print(ptb.fileids())时，我得到了空数组。

>>> print(ptb.fileids())
[]

有没有人可以帮助我？

修改这是我的ptb目录和一些allcats.txt文件的内容：

   $: pwd
    $: ~/nltk_data/corpora/ptb
    $: ls
    $: allcats.txt  WSJ
    $: cat allcats.txt
    $: WSJ/00/WSJ_0001.MRG news
    WSJ/00/WSJ_0002.MRG news
    WSJ/00/WSJ_0003.MRG news
    WSJ/00/WSJ_0004.MRG news
    WSJ/00/WSJ_0005.MRG news

    and so on ..

Answer 1

PTB语料库阅读器需要大写目录和文件名（如您在问题中包含的allcats.txt内容所示）。这与使用小写的Penn Treebank的许多发行版发生冲突。

快速解决此问题的方法是将文件夹wsj和brown及其内容重命名为大写。您可以使用的UNIX命令是：

find . -depth | \
    while read LONG 
    do 
        SHORT=$( basename "$LONG" | tr '[:lower:]' '[:upper:]' )
        DIR=$( dirname "$LONG" ) 
        if [ "${LONG}" != "${DIR}/${SHORT}"  ] 
        then 
            mv "${LONG}" "${DIR}/${SHORT}" 
        fi 
    done

（从this question获得）。它将递归地将目录和文件名更改为大写。

我怎么能在python / nltk中使用完整的penn treebank数据集

1 个答案: