r"""undocumented"""
__all__ = [
"Loader"
]
from typing import Union, Dict
from .. import DataBundle
from ..file_utils import _get_dataset_url, get_cache_path, cached_path
from ..utils import check_loader_paths
from ...core.dataset import DataSet
[文档]class Loader:
r"""
各种数据 Loader 的基类,提供了 API 的参考.
Loader支持以下的三个函数
- download() 函数:自动将该数据集下载到缓存地址,默认缓存地址为~/.fastNLP/datasets/。由于版权等原因,不是所有的Loader都实现了该方法。该方法会返回下载后文件所处的缓存地址。
- _load() 函数:从一个数据文件中读取数据,返回一个 :class:`~fastNLP.DataSet` 。返回的DataSet的内容可以通过每个Loader的文档判断出。
- load() 函数:将文件分别读取为DataSet,然后将多个DataSet放入到一个DataBundle中并返回
"""
def __init__(self):
pass
def _load(self, path: str) -> DataSet:
r"""
给定一个路径,返回读取的DataSet。
:param str path: 路径
:return: DataSet
"""
raise NotImplementedError
[文档] def load(self, paths: Union[str, Dict[str, str]] = None) -> DataBundle:
r"""
从指定一个或多个路径中的文件中读取数据,返回 :class:`~fastNLP.io.DataBundle` 。
:param Union[str, Dict[str, str]] paths: 支持以下的几种输入方式:
0.如果为None,则先查看本地是否有缓存,如果没有则自动下载并缓存。
1.传入一个目录, 该目录下名称包含train的被认为是train,包含test的被认为是test,包含dev的被认为是dev,如果检测到多个文件名包含'train'、 'dev'、 'test'则会报错::
data_bundle = xxxLoader().load('/path/to/dir') # 返回的DataBundle中datasets根据目录下是否检测到train
# dev、 test等有所变化,可以通过以下的方式取出DataSet
tr_data = data_bundle.get_dataset('train')
te_data = data_bundle.get_dataset('test') # 如果目录下有文件包含test这个字段
2.传入一个dict,比如train,dev,test不在同一个目录下,或者名称中不包含train, dev, test::
paths = {'train':"/path/to/tr.conll", 'dev':"/to/validate.conll", "test":"/to/te.conll"}
data_bundle = xxxLoader().load(paths) # 返回的DataBundle中的dataset中包含"train", "dev", "test"
dev_data = data_bundle.get_dataset('dev')
3.传入文件路径::
data_bundle = xxxLoader().load("/path/to/a/train.conll") # 返回DataBundle对象, datasets中仅包含'train'
tr_data = data_bundle.get_dataset('train') # 取出DataSet
:return: 返回的 :class:`~fastNLP.io.DataBundle`
"""
if paths is None:
paths = self.download()
paths = check_loader_paths(paths)
datasets = {name: self._load(path) for name, path in paths.items()}
data_bundle = DataBundle(datasets=datasets)
return data_bundle
[文档] def download(self) -> str:
r"""
自动下载该数据集
:return: 下载后解压目录
"""
raise NotImplementedError(f"{self.__class__} cannot download data automatically.")
@staticmethod
def _get_dataset_path(dataset_name):
r"""
传入dataset的名称,获取读取数据的目录。如果数据不存在,会尝试自动下载并缓存(如果支持的话)
:param str dataset_name: 数据集的名称
:return: str, 数据集的目录地址。直接到该目录下读取相应的数据即可。
"""
default_cache_path = get_cache_path()
url = _get_dataset_url(dataset_name)
output_dir = cached_path(url_or_filename=url, cache_dir=default_cache_path, name='dataset')
return output_dir