Depois de alguns anos tentando descobrir como funciona, aqui está o tutorial atualizado de
Como criar um corpus NLTK com um diretório de arquivos de texto?
A idéia principal é fazer uso do pacote nltk.corpus.reader . No caso de você ter um diretório de arquivos de texto em inglês , é melhor usar o PlaintextCorpusReader .
Se você tiver um diretório parecido com este:
newcorpus/
file1.txt
file2.txt
...
Basta usar essas linhas de código e você pode obter um corpus:
import os
from nltk.corpus.reader.plaintext import PlaintextCorpusReader
corpusdir = 'newcorpus/'
newcorpus = PlaintextCorpusReader(corpusdir, '.*')
NOTA: que o PlaintextCorpusReader
usará o padrão nltk.tokenize.sent_tokenize()
e nltk.tokenize.word_tokenize()
para dividir seus textos em frases e palavras e essas funções são construídas para o inglês, pode NÃO funcionar para todos os idiomas.
Aqui está o código completo com a criação de arquivos de texto de teste e como criar um corpus com NLTK e como acessar o corpus em diferentes níveis:
import os
from nltk.corpus.reader.plaintext import PlaintextCorpusReader
txt1 = """This is a foo bar sentence.\nAnd this is the first txtfile in the corpus."""
txt2 = """Are you a foo bar? Yes I am. Possibly, everyone is.\n"""
corpus = [txt1,txt2]
corpusdir = 'newcorpus/'
if not os.path.isdir(corpusdir):
os.mkdir(corpusdir)
filename = 0
for text in corpus:
filename+=1
with open(corpusdir+str(filename)+'.txt','w') as fout:
print>>fout, text
assert os.path.isdir(corpusdir)
for infile, text in zip(sorted(os.listdir(corpusdir)),corpus):
assert open(corpusdir+infile,'r').read().strip() == text.strip()
newcorpus = PlaintextCorpusReader('newcorpus/', '.*')
for infile in sorted(newcorpus.fileids()):
print infile
with newcorpus.open(infile) as fin:
print fin.read().strip()
print
print newcorpus.raw().strip()
print
print newcorpus.paras()
print
print newcorpus.paras(newcorpus.fileids()[0])
print newcorpus.sents()
print
print newcorpus.sents(newcorpus.fileids()[0])
print newcorpus.words()
print newcorpus.words(newcorpus.fileids()[0])
Por fim, para ler um diretório de textos e criar um corpus NLTK em outras linguagens, primeiro você deve garantir que tem uma tokenização de palavras e módulos de tokenização de frases que podem ser chamados de Python que recebe entrada de string / basestring e produz essa saída:
>>> from nltk.tokenize import sent_tokenize, word_tokenize
>>> txt1 = """This is a foo bar sentence.\nAnd this is the first txtfile in the corpus."""
>>> sent_tokenize(txt1)
['This is a foo bar sentence.', 'And this is the first txtfile in the corpus.']
>>> word_tokenize(sent_tokenize(txt1)[0])
['This', 'is', 'a', 'foo', 'bar', 'sentence', '.']