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

Question

我正在努力学习使用 NLTK在 python 中打包。特别是，我需要在 NLTK 中使用 penn tree bank 数据集。据我所知，如果我调用 nltk.download('treebank') 我可以获得数据集的 5%。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据说:

If you have access to a full installation of the Penn Treebank, NLTK can be configured to load it as well. Download the ptb package, and in the directory nltk_data/corpora/ptb place the BROWN and WSJ directories of the Treebank installation (symlinks work as well). Then use the ptb module instead of treebank:

因此，我从终端打开 python，导入 nltk 并输入 nltk.download('ptb') 。使用此命令，“ptb”目录已在我的 ~/nltk_data 目录下创建。最后，现在我有了 ~/nltk_data/ptb 目录。在里面，正如我在上面给出的链接中所建议的那样，我已经放置了我的数据集文件夹。所以这是我最终的目录层次结构。

    $: 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的所有文件夹中，都有wsj_0001.mrg、wsj_0002.mrg等.mrg文件。

现在，让我们回到我的问题。同样，根据 here :

如果我编写以下内容，我应该能够获取文件 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，当我键入 print(ptb.fileids()) 时，我得到的是空数组。

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

有没有人可以帮助我？

编辑这是我的 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(正如您在问题中包含的 allcats.txt 的内容所暗示的)。这与使用小写字母的 Penn Treebank 的许多发行版冲突。

对此的快速修复是将文件夹 wsj 和 brown 及其内容重命名为大写。您可以为此使用的 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)。它会递归地将目录和文件名更改为大写。