Ubuntu 12.04 LTS 上的 python-nltk：nltk.download('brown') 导致 HTML 错误 401

Question

我已经使用 apt-get 在 Ubuntu Server 12.04 上安装了 python-nltk。

但是当我尝试下载语料库时，出现以下错误：

$ python
Python 2.7.3 (default, Feb 27 2014, 19:58:35)
[GCC 4.6.3] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import nltk
>>> nltk.download('brown')
[nltk_data] Error loading brown: HTTP Error 401: Authorization
[nltk_data]     Required
False

我是否缺少一些配置或附加包？

Answer 1

该DEFAULT_URL所使用downloader.py的Ubuntu的打包版本仍然使用：

DEFAULT_URL = 'http://nltk.googlecode.com/svn/trunk/nltk_data/index.xml'

但是目前的数据服务器是：

DEFAULT_URL = "http://nltk.github.com/nltk_data/"

您当然可以从源代码安装或...修改您已安装的版本以指向新服务器，如下所示：

 sudo perl -pi -e 's#DEFAULT_URL = .*#DEFAULT_URL = "http://nltk.github.com/nltk_data/"#' /usr/lib/python2.7/dist-packages/nltk/downloader.py

然后，您可以安装“棕色”语料库：

$ python
Python 2.7.6 (default, Mar 22 2014, 22:59:56) 
[GCC 4.8.2] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import nltk
>>> nltk.download('brown')
[nltk_data] Downloading package 'brown' to /home/sylvain/nltk_data...
[nltk_data]   Unzipping corpora/brown.zip.
True
>>> from nltk.corpus import brown
>>> brown.words()
['The', 'Fulton', 'County', 'Grand', 'Jury', 'said', ...]
>>> 

Answer 2

可以在不更改源代码的情况下解决此问题。在 python 中创建一个自定义下载器：

>>> dl = nltk.downloader.Downloader("http://nltk.github.com/nltk_data/")

然后打开一个 GUI 对话框：

>>> dl.download()

检查您对下载目录有写访问权限并下载您需要的内容。