所有corpora.xxxcorpus中的对象均继承接口
一个语料库对象(corpus)是一个可迭代的对象,每次迭代得到一篇文档(document)
一个document对象又是一个2元组的(fieldId,fueldValue)序列
不同的corpus有不同的格式和相应的处理方法,但都有继承于CorpusABC的
1 classmethod load(fname, mmap=None)
2 save(*args, **kwargs)
3 static save_corpus(fname, corpus, id2word=None, metadata=False)
方法
理解corpora.textcorpus
由Demo入手学习
在Python安装文件下查找site-packages\gensim\test
找到test_miislita.py 文件
打开后发现一个有趣的网站: http://www.miislita.com/
corpora.TextCorpus是一个抽象的语料库类,复写其get_texts方法即可构造一个能序列化为各种corpus对象的输入对象。
get_texts