python - 在 Python 中将 NLTK 语料库与 AWS Lambda 函数结合使用

Question

我在 AWS Lambda 中使用 NLTK 语料库(尤其是停用词)时遇到困难。我知道语料库需要下载并已使用 NLTK.download('stopwords') 完成下载，并将它们包含在用于在 nltk_data/corpora/stopwords 中上传 lambda 模块的 zip 文件中。

代码中的用法如下:

from nltk.corpus import stopwords
stopwords = stopwords.words('english')
nltk.data.path.append("/nltk_data")

这从 Lambda 日志输出返回以下错误

module initialization error: 
**********************************************************************
  Resource u'corpora/stopwords' not found.  Please use the NLTK
  Downloader to obtain the resource:  >>> nltk.download()
  Searched in:
    - '/home/sbx_user1062/nltk_data'
    - '/usr/share/nltk_data'
    - '/usr/local/share/nltk_data'
    - '/usr/lib/nltk_data'
    - '/usr/local/lib/nltk_data'
    - '/nltk_data'
**********************************************************************

我也试过通过include直接加载数据

nltk.data.load("/nltk_data/corpora/stopwords/english")

下面会产生不同的错误

module initialization error: Could not determine format for file:///stopwords/english based on its file
extension; use the "format" argument to specify the format explicitly.

它可能在从 Lambda zip 加载数据时遇到问题并需要将其存储在外部......比如在 S3 上，但这似乎有点奇怪。

不知道什么格式

有谁知道我可能哪里出错了？

Answer 1

另一种解决方案是在/tmp 位置使用 Lambda 的临时存储

所以，你会得到这样的东西:

import nltk

nltk.data.path.append("/tmp")
nltk.download("punkt", download_dir="/tmp")

在运行时，punkt 将下载到/tmp 目录，该目录是可写的。但是，如果您的并发量很大，这可能不是一个很好的解决方案。