• 4.4 使用 ElementTree 访问 Toolbox 数据

    4.4 使用 ElementTree 访问 Toolbox 数据

    在4中，我们看到了一个访问 Toolbox 数据的简单的接口，Toolbox 数据是语言学家用来管理数据的一种流行和行之有效的格式。这一节中，我们将讨论以 Toolbox 软件所不支持的方式操纵 Toolbox 数据的各种技术。我们讨论的方法也可以应用到其他记录结构化数据，不必管实际的文件格式。

    我们可以用toolbox.xml()方法来访问 Toolbox 文件，将它加载到一个elementtree对象中。此文件包含一个巴布亚新几内亚罗托卡特语的词典。

    1. >>> from nltk.corpus import toolbox
    2. >>> lexicon = toolbox.xml('rotokas.dic')

    有两种方法可以访问 lexicon 对象的内容：通过索引和通过路径。索引使用熟悉的语法；lexicon[3]返回 3 号条目（实际上是从 0 算起的第 4 个条目）；lexicon[3][0]返回它的第一个字段：

    1. >>> lexicon[3][0]
    2. <Element 'lx' at 0x10b2f6958>
    3. >>> lexicon[3][0].tag
    4. 'lx'
    5. >>> lexicon[3][0].text
    6. 'kaa'

    第二种方式访问 lexicon 对象的内容是使用路径。lexicon 是一系列record对象，其中每个都包含一系列字段对象，如lx和ps。使用路径record/lx，我们可以很方便地解决所有的语意。这里，我们使用findall()函数来搜索路径record/lx的所有匹配，并且访问该元素的文本内容，将其规范化为小写。

    1. >>> [lexeme.text.lower() for lexeme in lexicon.findall('record/lx')]
    2. ['kaa', 'kaa', 'kaa', 'kaakaaro', 'kaakaaviko', 'kaakaavo', 'kaakaoko',
    3. 'kaakasi', 'kaakau', 'kaakauko', 'kaakito', 'kaakuupato', ..., 'kuvuto']

    让我们查看 XML 格式的 Toolbox 数据。ElementTree的write()方法需要一个文件对象。我们通常使用 Python 内置的open()函数创建。为了屏幕上显示输出，我们可以使用一个特殊的预定义的文件对象称为stdout [1] （标准输出），在 Python 的sys模块中定义的。

    1. >>> import sys
    2. >>> from nltk.util import elementtree_indent
    3. >>> from xml.etree.ElementTree import ElementTree
    4. >>> elementtree_indent(lexicon)
    5. >>> tree = ElementTree(lexicon[3])
    6. >>> tree.write(sys.stdout, encoding='unicode') ![[1]](/projects/nlp-py-2e-zh/Images/346344c2e5a627acfdddf948fb69cb1d.jpg)
    7. <record>
    8.  <lx>kaa</lx>
    9.  <ps>N</ps>
    10.  <pt>MASC</pt>
    11.  <cl>isi</cl>
    12.  <ge>cooking banana</ge>
    13.  <tkp>banana bilong kukim</tkp>
    14.  <pt>itoo</pt>
    15.  <sf>FLORA</sf>
    16.  <dt>12/Aug/2005</dt>
    17.  <ex>Taeavi iria kaa isi kovopaueva kaparapasia.</ex>
    18.  <xp>Taeavi i bin planim gaden banana bilong kukim tasol long paia.</xp>
    19.  <xe>Taeavi planted banana in order to cook it.</xe>
    20. </record>