Python - Accesso a Corpora

Corpora è un gruppo che presenta più raccolte di documenti di testo. Una singola raccolta è chiamata corpus. Uno di questi famosi corpus è il Gutenberg Corpus che contiene circa 25.000 libri elettronici gratuiti, ospitato su http://www.gutenberg.org/. Nell'esempio seguente accediamo ai nomi solo di quei file dal corpus che sono testo semplice con nome file che termina come .txt.

from nltk.corpus import gutenberg
fields = gutenberg.fileids()
print(fields)

Quando eseguiamo il programma sopra, otteniamo il seguente output:

[austen-emma.txt', austen-persuasion.txt', austen-sense.txt', bible-kjv.txt', 
blake-poems.txt', bryant-stories.txt', burgess-busterbrown.txt',
carroll-alice.txt', chesterton-ball.txt', chesterton-brown.txt', 
chesterton-thursday.txt', edgeworth-parents.txt', melville-moby_dick.txt',
milton-paradise.txt', shakespeare-caesar.txt', shakespeare-hamlet.txt',
shakespeare-macbeth.txt', whitman-leaves.txt']

Accesso al testo grezzo

Possiamo accedere al testo grezzo da questi file utilizzando la funzione sent_tokenize, disponibile anche in nltk. Nell'esempio seguente recuperiamo i primi due paragrafi del testo blake poen.

from nltk.tokenize import sent_tokenize
from nltk.corpus import gutenberg
sample = gutenberg.raw("blake-poems.txt")
token = sent_tokenize(sample)
for para in range(2):
    print(token[para])

Quando eseguiamo il programma sopra, otteniamo il seguente output:

[Poems by William Blake 1789]
 
SONGS OF INNOCENCE AND OF EXPERIENCE
and THE BOOK of THEL
 SONGS OF INNOCENCE
 
 
 INTRODUCTION
 
 Piping down the valleys wild,
   Piping songs of pleasant glee,
 On a cloud I saw a child,
   And he laughing said to me:
 
 "Pipe a song about a Lamb!"
So I piped with merry cheer.