无论是文本读取还是语料库载入都会遇到编码不匹配问题,这是因为python默认的编码模式和文本编码模式不匹配造成。
网上的方法很多,我这里介绍一种最简单的方法。以我遇到的错误情况为例。
载入语料库发生错误
from nltk.corpus import BracketParseCorpusReader
corpus_root = "E:\\nlp_test1"
file_pattern = '.*'
ptb = BracketParseCorpusReader(corpus_root, file_pattern)
ptb.fileids()
ptb.raw("199801.txt")
但由于199801.txt编码方式为GB3212,运行出现错误提示为:
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc2 in position 23: invalid continuation byte
这里我们只需要把txt文档变成utf-8的编码格式即可。不需要写复杂的格式转换代码,只需要找一份编码格式为utf-8的文档,复制199801的内容到新文件里面,就完成了格式转换,新格式的文件命名为1998.txt
from nltk.corpus import BracketParseCorpusReader
corpus_root = "E:\\nlp_test1"
file_pattern = '.*'
ptb = BracketParseCorpusReader(corpus_root, file_pattern)
ptb.fileids()
ptb.raw("1998.txt")
运行即可成功。