Как читать файлы в таких форматах, как .docx, .pptx, .pdf как корпус?
С помощью NLTK PlaintextCorpusReader можно прочитать .txt, выполнив что-то вроде:
from nltk.corpus import PlaintextCorpusReader
corpus = PlaintextCorpusReader(some_filepath_here, '.*')
corpus.raw()
... чтобы получить правильный вывод.
Также возможно читать одиночные .docx и .pptx с textract (например) и .pdf с pdfminer (например), но невозможно прочитать несколько файлов как корпус.
Есть ли опция сделать это? Как назначить process функцию textract и extract_text из pdfminer для CorpusReader?