python - 尝试下载 gzip 文件时出现 urlopen 问题

Question

我将使用维基词典转储来进行 POS 标记。不知何故，它在下载时卡住了。这是我的代码:

import nltk
from urllib import urlopen
from collections import Counter
import gzip

url = 'http://dumps.wikimedia.org/enwiktionary/latest/enwiktionary-latest-all-titles-in-ns0.gz'
fStream = gzip.open(urlopen(url).read(), 'rb')
dictFile = fStream.read()
fStream.close()

text = nltk.Text(word.lower() for word in dictFile())
tokens = nltk.word_tokenize(text)

这是我得到的错误:

Traceback (most recent call last):
File "~/dir1/dir1/wikt.py", line 15, in <module>
fStream = gzip.open(urlopen(url).read(), 'rb')
File "/usr/lib/python2.7/gzip.py", line 34, in open
return GzipFile(filename, mode, compresslevel)
File "/usr/lib/python2.7/gzip.py", line 89, in __init__
fileobj = self.myfileobj = __builtin__.open(filename, mode or 'rb')
TypeError: file() argument 1 must be encoded string without NULL bytes, not str
Process finished with exit code 1

Answer 1

您正在将下载的数据传递给gzip.open()，它期望传递的是文件名。

代码然后尝试打开一个以 gzip 数据命名的文件名，但失败了。

要么将 URL 数据保存到一个文件，然后在 that 上使用 gzip.open()，要么使用 zlib 解压缩 gzip 数据> 模块代替。 “保存”数据就像使用 StringIO.StringIO() 内存文件对象一样简单:

from StringIO import StringIO
from urllib import urlopen
import gzip


url = 'http://dumps.wikimedia.org/enwiktionary/latest/enwiktionary-latest-all-titles-in-ns0.gz'
inmemory = StringIO(urlopen(url).read())
fStream = gzip.GzipFile(fileobj=inmemory, mode='rb')