导入
语料库类与源类型
学习如何使用源创建语料库。
当鸡蛋被放入蛋盒中时，很容易确认它们的形状、大小和状态；而当它们散落在台面上时，逐个评估每个鸡蛋就会困难得多。使用语料库来存放文本也是同样的道理：当文本被纳入语料库后，更容易确认文档的大小、内容和格式。
...
语料库类信息
| 语料库类 | 描述 | 来源 |
|---|---|---|
Corpus | 通用封装类 | 随 tm 包安装 |
VCorpus | 易失性语料库 | 随 tm 包安装 |
SimpleCorpus | 针对文本文档优化的语料库 | 随 tm 包安装 |
PCorpus | 持久化语料库 | 随 tm 包安装 |
DCorpus | 分布在 Hadoop 或 LFS 上的分布式语料库 | 随 tm.plugin.dc 包安装 |
1library(tm) 2 3getSources()
数据源类型及其兼容性
| 数据源类型 | 描述 | 来源 | 兼容 VCorpus 和 PCorpus | 兼容 SimpleCorpus |
|---|---|---|---|---|
DataframeSource | 读取一个数据框，每一行代表一个文档。 | tm 包的一部分 | 是 | 是 |
DirSource | 读取包含一个或多个文件的目录。 | tm 包的一部分 | 是 | 是 |
URISource | 读取指向文本文档的一组 URL 列表。 | tm 包的一部分 | 是 | 否 |
VectorSource | 读取文档内容的向量。 | tm 包的一部分 | 是 | 是 |
XMLSource | 读取一组 XML 文档。 | tm 包的一部分 | 是 | 否 |
ZipSource | 读取包含多个文档的 zip 文件。 | tm 包的一部分 | 是 | 否 |
MBoxSource | 读取邮箱文件。 | tm.plugin.mail | 是 | 否 |
AlcesteSource | 读取 Alceste 应用程序使用的文件。 | tm.plugin.alceste | 是 | 否 |
FactivaSource | 读取道琼斯 Factiva 使用的文件。 | tm.plugin.factiva | 是 | 否 |
LexisNexisSource | 导入 LexisNexis 的文章。 | tm.plugin.lexisnexis | 是 | 否 |
EuropresseSource | 导入 Europresse 的文章。 | tm.plugin.europresse | 是 | 否 |