Spam filter - krok 2

Vytvořte třídu Corpus, která bude obalovat adresář s emaily. Vybavte ji metodami, které umožní emaily snadno procházet.

• Už byste měli vědět, jak pracovat s textovými soubory.
• Zjištění obsahu adresáře pomocí funkce os.listdir()
• Vytváření generátoru pomocí funkce yield (viz příklad v odstavci 9.10 oficiálního tutoriálu Pythonu)

Úkol:

• V modulu corpus.py vytvořte třídu Corpus obalující adresář se soubory (emaily)

K čemu nám to bude:

• Třída Corpus bude užitečná při klasifikaci nových emailů, učení filtru a bude sloužit jako základ pro třídu TrainingCorpus, která je jedním z dalších kroků.

Třída Corpus (v modulu corpus.py) bude obalovat adresář s emaily a umožní nám je snadno procházet. Třída bude mít následující vlastnosti:

• Při inicializaci jí bude předána cesta k adresáři s emaily.
• Třída bude mít metodu emails(), která bude generátorem. Tato metoda si bude vědoma toho, že v adresáři s emaily mohou být i soubory s metainformacemi. Název těchto souborů bude vždy začínat znakem ! (např. !truth.txt), proto všechny soubory začínající vykřičníkem v této metodě ignorujte!!! Metoda nám umožní používat Corpus např. následujícím způsobem:

# Create corpus from a directory
corpus = Corpus('/path/to/directory/with/emails')
count = 0
# Go through all emails and print the filename and the message body
for fname, body in corpus.emails():
    print(fname)
    print(body)
    print('-------------------------')
    count += 1
print('Finished: ', count, 'files processed.')