Estoy intentando obtener un dataset en el que conste en una columna el nombre,en otra la definición(que se convertirá a variables dummy posteriormente)y en las restastes la clase de palabra que es(sustantivo,verbo, adverbio, pronombre,etc...) Me descarge el volcado xml de wikimedia y he conseguido que aparezcan en una lista las palabras pero no la definición que aparece en un texto completo ejemplo:
el codigo importante es el siguiente:
import xml.etree.ElementTree as ET
tree = ET.parse('wikicom.xml')
root = tree.getroot()
x = []
y = []
for pagina in root.findall("page") :
nombre=pagina.find("title").text
exp=pagina.find("text").text
y.append(exp)
x.append(nombre)
se ve que el campo text no lo puede traducir a texto y no puedo buscar en el texto lo que quiero. si se le quita el .text al exp sale como una array sin indices ah wikicom.xml es el archivo xml del volcado.