从 Python 格式的 epub 中提取文本

Question

我编写了以下代码来提取电子书的单词并将它们添加到语料库中以进行文本挖掘。

# loading the german corpus
from ebooklib import epub
import ebooklib
import os
import nltk
input_path = r"C:\Users\jzeh\Desktop\Directory"
german_corpus = []
book = epub.read_epub(os.path.join(input_path,'grimms-maerchen.epub'))
for doc in book.get_items():
    german_corpus += str(doc.content)
    german_corpus = [w.lower() for w in nltk.word_tokenize(german_corpus)]

不幸的是运行代码给我错误：

TypeError  ---> 12     german_corpus = [w.lower() for w in nltk.word_tokenize(german_corpus)]
TypeError: expected string or bytes-like object

谁能告诉我，我错过了什么？

Answer 1

nltk.word_tokenize 接受一个字符串作为输入，你已经传递给它一个列表。如果我没理解错的话，我想你想要这个：

...

for doc in book.get_items():
    doc_content = str(doc.content)
    for w in nltk.word_tokenize(doc_content):
        german_corpus.append(w.lower())

从 Python 格式的 epub 中提取文本

Extract text from epub in Python

python

nltk

text-mining

epub