Я создал собственный корпус, используя CategorizedPlaintextCorpusReader
nltk.
В файлах .txt моего корпуса есть символы Юникода, которые я не могу декодировать. Я предполагаю, что это тот факт, что это читатель «открытого текста», но, тем не менее, его нужно расшифровать.
Код:
import nltk
from nltk.corpus import CategorizedPlaintextCorpusReader
import os
mr = CategorizedPlaintextCorpusReader('C:\mycorpus', r'(?!\.).*\.txt',
cat_pattern=os.path.join(r'(neg|pos)', '.*',))
for w in mr.words():
print(w)
Это напечатает слова файлов, которые не содержат юникод, в токенизированном формате, а затем выдаст следующую ошибку:
for w in mr.words():
File "C:\Python\Python36-32\lib\site-packages\nltk\corpus\reader\util.py", line 402, in iterate_from
for tok in piece.iterate_from(max(0, start_tok-offset)):
File "C:\Python\Python36-32\lib\site-packages\nltk\corpus\reader\util.py", line 296, in iterate_from
tokens = self.read_block(self._stream)
File "C:\Python\Python36-32\lib\site-packages\nltk\corpus\reader\plaintext.py", line 122, in _read_word_block
words.extend(self._word_tokenizer.tokenize(stream.readline()))
File "C:\Python\Python36-32\lib\site-packages\nltk\data.py", line 1168, in readline
new_chars = self._read(readsize)
File "C:\Python\Python36-32\lib\site-packages\nltk\data.py", line 1400, in _read
chars, bytes_decoded = self._incr_decode(bytes)
File "C:\Python\Python36-32\lib\site-packages\nltk\data.py", line 1431, in _incr_decode
return self.decode(bytes, 'strict')
File "C:\Python\Python36-32\lib\encodings\utf_8.py", line 16, in decode
return codecs.utf_8_decode(input, errors, True)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x96 in position 30: invalid start byte
Я попытался декодировать с помощью:
mr.decode('unicode-escape')
который выдает эту ошибку:
AttributeError: 'CategorizedPlaintextCorpusReader' object has no attribute 'decode'
Я использую Python 3.6.4.
w.decode()
. - person DYZ   schedule 21.02.2018