什么是文本挖掘 ?
文本挖掘是抽取有效、新颖、有用、可理解的、散布在文本文件中的有价值知识,并且利用这些知识更好地组织信息的过程。
一、搭建语料库
语料库:要进行文本分析的所有文档的集合。
需要用到的模块:os、os.path、codecs、pandas
代码如下:
import os
import os.path
import codecs
import pandas
filePaths = []
for root, dirs, files in os.walk(
r"C:\Users\www12\Desktop\data\2.1\SogouC.mini\Sample"
):
#使用os.walk()方法遍历输出一个文件夹下的所有文件名
1.os.walk()方法:
os.walk() 方法用于通过在目录树中游走输出在目录中的文件名,向上或者向下。
语法:
walk()方法语法格式如下:os.walk(top[, topdown=True[, οnerrοr=None[, followlinks=False]]])
参数:
> top – 是你所要遍历的目录的地址, 返回的是一个三元组(root,dirs,files)。root 所指的是当前正在遍历的这个文件夹的本身的地址 dirs 是一个 list ,内容是该文件夹中所有的目录的名字(不包括子目录)
files 同样是 list , 内容是该文件夹中所有的文件名(不包括子目录) topdown --可选,为 True,则优先遍历 top
目录,否则优先遍历 top 的子目录(默认为开启)。如果 topdown 参数为 Tr