如何从NLTK Reuters语料库提取指定长度随机文档并优化异常代码

原代码无法停止的原因 #

1. 缺失random库导入语句，运行首先会抛出未定义变量的错误
2. 终止逻辑完全错误：你写的while len(sample_data) == 10: break仅在样本数刚好等于10时执行break，且只能跳出内层while循环，外层for循环还会继续遍历所有句子，不会提前终止
3. 效率极低：每次循环都会重新调用reuters.sents()加载全量语料，冗余开销极大

高效实现方案 #

方案1：先筛选后抽样（逻辑最简洁，无死循环风险）

先一次性筛选出所有符合长度要求的句子，再直接随机抽取10份，代码如下：

import nltk
import random
from nltk.corpus import reuters

# 筛选所有元素数量超过50的句子
valid_sents = [sent for sent in reuters.sents() if len(sent) > 50]
# 随机抽取10个不重复的样本
sample_data = random.sample(valid_sents, 10)

方案2：随机抽取+提前终止（适合超大语料不想全量预筛选的场景）

提前加载一次全量句子列表，循环随机抽取直到凑够10个符合要求的样本就自动停止：

import nltk
import random
from nltk.corpus import reuters

sample_data = []
# 提前加载一次所有句子，避免循环内反复加载
all_sents = list(reuters.sents())
target_count = 10

while len(sample_data) < target_count:
    picked_sent = random.choice(all_sents)
    if len(picked_sent) > 50:
        sample_data.append(picked_sent)

内容的提问来源于stack exchange，提问作者user14994313