pythonでのファイルの取得

Question

基礎的なことですみません
pythonを触り始めたのですがこのコードは指定したディレクトリの、拡張子が.txtで終わるドキュメントをすべて取得していくコードであっていますか？

また、その場合

C:\cygwin64\home\hoge\text内の

複数のディレクトリに対して検索をかけてほしい場合、./textの部分をどのように変更すればよいですか？

def corpus_files():
    dirs = [path.join('./text', x)
            for x in listdir('./text') if not x.endswith('.txt')]
    docs = [path.join(x, y)
            for x in dirs for y in listdir(x) if not x.startswith('LICENSE')]
    return docs

※このコードはリンク内容こちらのページにあるコードをそのままコピペしました

Answer 1

corpus_files関数を以下のように展開してみると理解しやすいかと思います。

# 「./text」ディレクトリから「'.txt'」で終わらないパス（＝ディレクトリ）を取得
dirs = []
lists = listdir('./text')
for x in lists:
    if not x.endswith('.txt'):
    #if path.isdir(path.join('./text',x)): # まだこちらのほうがまし
        dir = path.join('./text', x)
        dirs.append(dir)
print('dirs:',dirs)

# 各ディレクトリから「LICENSE」で始まらないパスを取得
docs = []
for x in dirs:
    lists = listdir(x)
    print('listdir:',x, lists)
    for y in lists:
        if not y.startswith('LICENSE'):
            doc = path.join(x, y)
            docs.append(doc)
print('docs',docs)

ただし元関数にはバグがあり「LICENSE.txt」も取得しています。

def corpus_files():
    dirs = [path.join('./text', x)
            for x in listdir('./text') if not x.endswith('.txt')]
    docs = [path.join(x, y)
            for x in dirs for y in listdir(x) if not x.startswith('LICENSE')]
            #for x in dirs for y in listdir(x) if not y.startswith('LICENSE')]  # こちらを意図したはず
    return docs

print(corpus_files())

複数のディレクトリに対して検索をかけてほしい場合、./textの部分をどのように変更すればよいですか？

私なら、以下のように関数を修正します。

• 引数で、検索対象ディレクトリを指定できるように
• globを利用し、サブフォルダも含めて再帰的に.txtを検索
• 除外ファイルを明示的に指定

def corpus_files(base_dir):
    import glob
    findPath = path.join( base_dir, 'text/**/*.txt') # 「text」まで呼出元で指定させるほうがスマートだが
    paths = glob.glob( findPath,recursive=True)

    docs = []
    ignore = ('LICENSE.txt','README.txt','CHANGES.txt')
    for p in paths:
        if path.basename(p) not in ignore:
            docs.append(p)

    return docs

print( corpus_files('./')) # 相対パスで
print( corpus_files('c:/hoge/huga/')) # 絶対パスで

Comments

[bigbox267]

御二人とも丁寧な解答ありがとうございました
勉強になりました

Answer 2

このコードは指定したディレクトリの、拡張子が.txtで終わるドキュメントをすべて取得していくコードであっていますか？

違います。
条件がnot x.endswith('.txt')なので、txt以外のファイルあるいはディレクトリです。

テキストファイルをすべて取得したいのなら、glob.globを使うと簡単に書けます。

import glob
txt_files = glob.glob('./text/*.txt')
print(txt_files)

ここで*はいわゆるワイルドカードで、『この部分は何でもいいよ』といった意味です。

---

また、その場合C:\cygwin64\home\hoge\text内の複数のディレクトリに対して検索をかけてほしい場合、./textの部分をどのように変更すればよいですか？

複数のディレクトリという表現が曖昧ですが、おそらく次で良いでしょう。

import glob
txt_files = glob.glob('./text/*/*.txt')
print(txt_files)

修正前

for x in listdir(r'C:\cygwin64\home\hoge\text')

絶対パスと相対パスについて勉強してください。

Comments

[LouiS0616]

あ、ちょっと外してしまった。少し内容を書き換えるので少々お待ちください。

[bigbox267]

御二人とも丁寧な解答ありがとうございました
勉強になりました