Literatura en español¶

SpanishLiterature(data_dir=DEFAULT_DATASET_DIR)

Una colección de literatura en español de dominio público: 150 obras de 33 autores de España, Hispanoamérica y Filipinas, de Cervantes a los años veinte, 65 millones de caracteres (unos 11 millones de palabras) en cuatro géneros:

Género	Clave	Autores	Obras
Prosa	`prose`	Pérez Galdós (21), Blasco Ibáñez (15), Palacio Valdés (13), Pardo Bazán (13), Pereda (8), Unamuno (6), Valera (6), Valle-Inclán (5), Clarín (3), Payró (3), Alarcón (2), Cervantes (2), Martí (2), Rizal (2), Darío, Larra, Lugones, Palma, Quevedo, Quiroga	107
Poesía	`poems`	Darío (5), Hernández (2), Machado, Rosalía de Castro, Zorrilla	10
Teatro	`drama`	Valle-Inclán (4), Arniches (3), Ruiz de Alarcón (3), Lope de Vega (2), Cervantes, Dicenta, Moratín, Zorrilla	16
Ensayo	`publicism`	Unamuno (3), Darío (2), Ingenieros (2), Ramón y Cajal (2), Alarcón, Blasco Ibáñez, Larra, Lugones, Rodó, Sarmiento, Valera, Zorrilla	17

Por el país del autor (Juan Ruiz de Alarcón, nacido en México, cuenta para México): España (122), Argentina (10), Nicaragua (8), México (3), Cuba (2), Uruguay (2), Filipinas (2), Perú (1). Todas las obras son de dominio público tanto en España, donde el autor murió antes de 1946, como en los Estados Unidos, donde se publicaron antes de 1931. La colección sirve para la atribución de autoría y para comparar géneros, épocas y el español de España y de América.

Los textos son las transcripciones del Proyecto Gutenberg, recortadas al texto del autor: se quita lo que añadieron los editores y los transcriptores (portadas, índices, introducciones, notas, notas al pie, anuncios) y el marcado de la transcripción, mientras que los prólogos, las dedicatorias y las notas de los autores se quedan. Las obras en varios tomos se unen en un solo texto. Los años son los de la primera publicación (1605-1615 para las dos partes del Quijote); los archivos llevan los números de los libros del Proyecto Gutenberg.

El archivo (19 MB) se guarda en el repositorio de la biblioteca y se descarga una vez en el directorio de datos.

Las 150 obras

Autor	Obra	Género	Años	País
Pedro Antonio de Alarcón	El clavo	`prose`	1853	España
Pedro Antonio de Alarcón	El niño de la bola	`prose`	1880	España
Vicente Blasco Ibáñez	Arroz y tartana	`prose`	1894	España
Vicente Blasco Ibáñez	Flor de mayo	`prose`	1895	España
Vicente Blasco Ibáñez	La barraca	`prose`	1898	España
Vicente Blasco Ibáñez	Entre naranjos	`prose`	1900	España
Vicente Blasco Ibáñez	La catedral	`prose`	1903	España
Vicente Blasco Ibáñez	El intruso	`prose`	1904	España
Vicente Blasco Ibáñez	La bodega	`prose`	1905	España
Vicente Blasco Ibáñez	La horda	`prose`	1905	España
Vicente Blasco Ibáñez	La maja desnuda	`prose`	1906	España
Vicente Blasco Ibáñez	Sangre y arena	`prose`	1908	España
Vicente Blasco Ibáñez	Los muertos mandan	`prose`	1909	España
Vicente Blasco Ibáñez	Los argonautas	`prose`	1914	España
Vicente Blasco Ibáñez	Los cuatro jinetes del Apocalipsis	`prose`	1916	España
Vicente Blasco Ibáñez	Mare nostrum	`prose`	1918	España
Vicente Blasco Ibáñez	Los enemigos de la mujer	`prose`	1919	España
Miguel de Cervantes	Don Quijote de la Mancha	`prose`	1605-1615	España
Miguel de Cervantes	Novelas ejemplares	`prose`	1613	España
Leopoldo Alas «Clarín»	La Regenta	`prose`	1884-1885	España
Leopoldo Alas «Clarín»	Su único hijo	`prose`	1890	España
Leopoldo Alas «Clarín»	El Señor y lo demás, son cuentos	`prose`	1893	España
Rubén Darío	Azul...	`prose`	1888	Nicaragua
Benito Pérez Galdós	La Fontana de Oro	`prose`	1870	España
Benito Pérez Galdós	Bailén	`prose`	1873	España
Benito Pérez Galdós	Trafalgar	`prose`	1873	España
Benito Pérez Galdós	Cádiz	`prose`	1874	España
Benito Pérez Galdós	Zaragoza	`prose`	1874	España
Benito Pérez Galdós	Gloria	`prose`	1876-1877	España
Benito Pérez Galdós	Marianela	`prose`	1878	España
Benito Pérez Galdós	La familia de León Roch	`prose`	1878-1879	España
Benito Pérez Galdós	La desheredada	`prose`	1881	España
Benito Pérez Galdós	El amigo Manso	`prose`	1882	España
Benito Pérez Galdós	La de Bringas	`prose`	1884	España
Benito Pérez Galdós	Tormento	`prose`	1884	España
Benito Pérez Galdós	Fortunata y Jacinta	`prose`	1887	España
Benito Pérez Galdós	Miau	`prose`	1888	España
Benito Pérez Galdós	Torquemada en la hoguera	`prose`	1889	España
Benito Pérez Galdós	Realidad	`prose`	1889	España
Benito Pérez Galdós	La incógnita	`prose`	1889	España
Benito Pérez Galdós	Torquemada en la cruz	`prose`	1893	España
Benito Pérez Galdós	Torquemada en el purgatorio	`prose`	1894	España
Benito Pérez Galdós	Torquemada y San Pedro	`prose`	1895	España
Benito Pérez Galdós	Misericordia	`prose`	1897	España
Mariano José de Larra	El doncel de don Enrique el Doliente	`prose`	1834	España
Leopoldo Lugones	Las fuerzas extrañas	`prose`	1906	Argentina
José Martí	Amistad funesta	`prose`	1885	Cuba
José Martí	La Edad de Oro	`prose`	1889	Cuba
Armando Palacio Valdés	El señorito Octavio	`prose`	1881	España
Armando Palacio Valdés	Marta y María	`prose`	1883	España
Armando Palacio Valdés	El idilio de un enfermo	`prose`	1884	España
Armando Palacio Valdés	Riverita	`prose`	1886	España
Armando Palacio Valdés	Maximina	`prose`	1887	España
Armando Palacio Valdés	El cuarto poder	`prose`	1888	España
Armando Palacio Valdés	La hermana San Sulpicio	`prose`	1889	España
Armando Palacio Valdés	La espuma	`prose`	1890	España
Armando Palacio Valdés	La fe	`prose`	1892	España
Armando Palacio Valdés	El maestrante	`prose`	1893	España
Armando Palacio Valdés	La alegría del capitán Ribot	`prose`	1899	España
Armando Palacio Valdés	La aldea perdida	`prose`	1903	España
Armando Palacio Valdés	Tristán o el pesimismo	`prose`	1906	España
Ricardo Palma	Tradiciones peruanas	`prose`	1872-1910	Perú
Emilia Pardo Bazán	Un viaje de novios	`prose`	1881	España
Emilia Pardo Bazán	La Tribuna	`prose`	1883	España
Emilia Pardo Bazán	El cisne de Vilamorta	`prose`	1885	España
Emilia Pardo Bazán	Los pazos de Ulloa	`prose`	1886	España
Emilia Pardo Bazán	La madre naturaleza	`prose`	1887	España
Emilia Pardo Bazán	Insolación y Morriña	`prose`	1889	España
Emilia Pardo Bazán	Una cristiana	`prose`	1890	España
Emilia Pardo Bazán	La prueba	`prose`	1890	España
Emilia Pardo Bazán	La piedra angular	`prose`	1891	España
Emilia Pardo Bazán	Cuentos de amor	`prose`	1898	España
Emilia Pardo Bazán	La quimera	`prose`	1905	España
Emilia Pardo Bazán	La sirena negra	`prose`	1908	España
Emilia Pardo Bazán	Dulce dueño	`prose`	1911	España
Roberto J. Payró	El casamiento de Laucha	`prose`	1906	Argentina
Roberto J. Payró	Pago Chico	`prose`	1908	Argentina
Roberto J. Payró	Divertidas aventuras del nieto de Juan Moreira	`prose`	1910	Argentina
José María de Pereda	Escenas montañesas	`prose`	1864	España
José María de Pereda	Los hombres de pro	`prose`	1872	España
José María de Pereda	De tal palo, tal astilla	`prose`	1880	España
José María de Pereda	El sabor de la tierruca	`prose`	1882	España
José María de Pereda	Pedro Sánchez	`prose`	1883	España
José María de Pereda	Sotileza	`prose`	1885	España
José María de Pereda	La puchera	`prose`	1889	España
José María de Pereda	Peñas arriba	`prose`	1895	España
Francisco de Quevedo	Historia de la vida del Buscón	`prose`	1626	España
Horacio Quiroga	Cuentos de amor de locura y de muerte	`prose`	1917	Uruguay
José Rizal	Noli me tángere	`prose`	1887	Filipinas
José Rizal	El filibusterismo	`prose`	1891	Filipinas
Miguel de Unamuno	Amor y pedagogía	`prose`	1902	España
Miguel de Unamuno	El espejo de la muerte	`prose`	1913	España
Miguel de Unamuno	Niebla	`prose`	1914	España
Miguel de Unamuno	Abel Sánchez	`prose`	1917	España
Miguel de Unamuno	Tres novelas ejemplares y un prólogo	`prose`	1920	España
Miguel de Unamuno	La tía Tula	`prose`	1921	España
Juan Valera	Pepita Jiménez	`prose`	1874	España
Juan Valera	Las ilusiones del doctor Faustino	`prose`	1875	España
Juan Valera	El comendador Mendoza	`prose`	1877	España
Juan Valera	Doña Luz	`prose`	1879	España
Juan Valera	Juanita la Larga	`prose`	1895	España
Juan Valera	Genio y figura	`prose`	1897	España
Ramón del Valle-Inclán	Sonata de otoño. Sonata de invierno	`prose`	1902-1905	España
Ramón del Valle-Inclán	Sonata de estío	`prose`	1903	España
Ramón del Valle-Inclán	Sonata de primavera	`prose`	1904	España
Ramón del Valle-Inclán	La media noche	`prose`	1917	España
Ramón del Valle-Inclán	Tirano Banderas	`prose`	1926	España
Rubén Darío	Prosas profanas	`poems`	1896	Nicaragua
Rubén Darío	Cantos de vida y esperanza	`poems`	1905	Nicaragua
Rubén Darío	El canto errante	`poems`	1907	Nicaragua
Rubén Darío	Poema del otoño y otros poemas	`poems`	1910	Nicaragua
Rubén Darío	Canto a la Argentina y otros poemas	`poems`	1914	Nicaragua
José Hernández	El gaucho Martín Fierro	`poems`	1872	Argentina
José Hernández	La vuelta de Martín Fierro	`poems`	1879	Argentina
Antonio Machado	Poesías completas	`poems`	1917	España
Rosalía de Castro	En las orillas del Sar	`poems`	1884	España
José Zorrilla	Granada. Poema oriental	`poems`	1852	España
Carlos Arniches	La señorita de Trevélez	`drama`	1916	España
Carlos Arniches	Los caciques	`drama`	1920	España
Carlos Arniches	Es mi hombre	`drama`	1921	España
Miguel de Cervantes	Entremeses	`drama`	1615	España
Joaquín Dicenta	Juan José	`drama`	1895	España
Lope de Vega	Fuenteovejuna	`drama`	1619	España
Lope de Vega	El castigo sin venganza	`drama`	1634	España
Leandro Fernández de Moratín	El sí de las niñas	`drama`	1806	España
Juan Ruiz de Alarcón	Los favores del mundo	`drama`	1628	México
Juan Ruiz de Alarcón	Las paredes oyen	`drama`	1628	México
Juan Ruiz de Alarcón	La verdad sospechosa	`drama`	1634	México
Ramón del Valle-Inclán	El marqués de Bradomín	`drama`	1907	España
Ramón del Valle-Inclán	Romance de lobos	`drama`	1908	España
Ramón del Valle-Inclán	Luces de bohemia	`drama`	1920-1924	España
Ramón del Valle-Inclán	Divinas palabras	`drama`	1920	España
José Zorrilla	Traidor, inconfeso y mártir	`drama`	1849	España
Pedro Antonio de Alarcón	Viajes por España	`publicism`	1883	España
Vicente Blasco Ibáñez	Oriente	`publicism`	1907	España
Rubén Darío	Los raros	`publicism`	1896	Nicaragua
Rubén Darío	España contemporánea	`publicism`	1901	Nicaragua
José Ingenieros	La simulación en la lucha por la vida	`publicism`	1903	Argentina
José Ingenieros	El hombre mediocre	`publicism`	1913	Argentina
Mariano José de Larra	Fígaro. Artículos selectos	`publicism`	1832-1837	España
Leopoldo Lugones	El payador	`publicism`	1916	Argentina
Santiago Ramón y Cajal	Reglas y consejos sobre investigación científica	`publicism`	1897	España
Santiago Ramón y Cajal	Recuerdos de mi vida	`publicism`	1901-1917	España
José Enrique Rodó	Ariel	`publicism`	1900	Uruguay
Domingo Faustino Sarmiento	Facundo	`publicism`	1845	Argentina
Miguel de Unamuno	Vida de Don Quijote y Sancho	`publicism`	1905	España
Miguel de Unamuno	Del sentimiento trágico de la vida	`publicism`	1913	España
Miguel de Unamuno	Andanzas y visiones españolas	`publicism`	1922	España
Juan Valera	Cartas americanas	`publicism`	1889	España
José Zorrilla	Recuerdos del tiempo viejo I	`publicism`	1880	España

Excepciones:

SourceTypeError - un data_dir que no es ni una cadena ni un Path.

CódigoResultado

from ests.datasets import SpanishLiterature

sl = SpanishLiterature()
sl.download()
sl.info

{'name': 'spanish_literature',
 'url': 'https://www.gutenberg.org',
 'description': 'Spanish-language literature in the public domain',
 'author': 'Shkarin S.S.',
 'license': 'Public domain'}

Parámetros¶

Parámetro	Tipo	Por defecto	Descripción
`data_dir`	`str` / `Path`	`DEFAULT_DATASET_DIR`	Ruta al directorio del conjunto de datos; por defecto `texts` en `DEFAULT_DATA_DIR`, el directorio de datos se describe en Instalación

Atributos¶

Atributo	Tipo	Descripción
`genres`	`tuple[str]`	Tupla de géneros: `prose`, `poems`, `drama`, `publicism`
`authors`	`dict[str, str]`	Nombres de los autores por los nombres de sus carpetas
`name`	`str`	Nombre del conjunto de datos, `spanish_literature`
`meta`	`dict[str, str]`	Información de referencia: la fuente, la descripción, el autor y la licencia
`info`	`dict[str, str]`	El nombre y la información de referencia en un diccionario
`data_dir`	`Path`	Ruta absoluta al directorio del conjunto de datos
`filepath`	`str`	Ruta al archivo del conjunto de datos, `None` antes de la descarga

El conjunto de datos se recorre por sus registros como get_records() sin filtros: for record in sl pasa por las obras de una en una.

Métodos¶

download(force=False) descarga el archivo, verifica su suma de comprobación SHA-256 y extrae los ficheros. Un archivo dañado se descarga de nuevo, los ficheros que faltan se extraen otra vez; una llamada repetida no descarga nada.

Parámetro	Tipo	Por defecto	Descripción
`force`	`bool`	`False`	Descargar el conjunto de datos aunque ya esté descargado

Un archivo que no se puede descargar o que no pasa la suma de comprobación dos veces lanza DownloadError, y un archivo que no se puede extraer, DataFileError.

check_data() comprueba que la lista de obras y el fichero de cada obra están en su sitio y devuelve True; un conjunto sin descargar o al que le falta un fichero lanza DatasetNotFoundError con las órdenes para descargarlo. Los demás métodos lo comprueban por sí mismos.

get_texts(genre=None, author=None, country=None, year_from=None, year_to=None, min_len=None, max_len=None, limit=None) extrae los textos (sin encabezados) del conjunto de datos.

Parámetro	Tipo	Por defecto	Descripción
`genre`	`str`	`None`	Género: `prose`, `poems`, `drama` o `publicism`
`author`	`str`	`None`	Autor: una subcadena del nombre, sin distinguir mayúsculas ni tildes
`country`	`str`	`None`	País: una subcadena del nombre en español, sin distinguir mayúsculas ni tildes
`year_from`	`int`	`None`	Primer año de la primera publicación
`year_to`	`int`	`None`	Último año de la primera publicación
`min_len`	`int`	`None`	Longitud mínima del texto (en caracteres)
`max_len`	`int`	`None`	Longitud máxima del texto (en caracteres)
`limit`	`int`	`None`	Número de textos

Los filtros se combinan; author="galdos" encuentra a Benito Pérez Galdós, country="mexico" encuentra México. Un género desconocido, un author o un country que no es una cadena, un año que no es un entero, un primer año posterior al último, una cota de longitud que no es un entero de al menos uno, una longitud mínima mayor que la máxima y un limit que no es un entero no negativo lanzan ParameterError.

CódigoResultado

for text in sl.get_texts(genre="poems", author="Rosalía", limit=1):
    print(text[:107])

Aunque no alcancen gloria,
    Pensé escribiendo libro tan pequeño,
    Son fáciles y breves mis canciones,

get_records con los mismos parámetros extrae los registros (con encabezados) del conjunto de datos. Campos del registro: genre - género, author - autor, title - título, year_from y year_to - los años de la primera publicación, country - el país del autor en español, text - texto, file - ruta al fichero. Los registros van por género en el orden de genres, dentro de un género por la carpeta del autor y por año.

CódigoResultado

# El teatro del siglo XX
for record in sl.get_records(genre="drama", year_from=1900):
    print(record["title"], record["year_from"], record["author"])

La señorita de Trevélez 1916 Carlos Arniches
Los caciques 1920 Carlos Arniches
Es mi hombre 1921 Carlos Arniches
El marqués de Bradomín 1907 Ramón del Valle-Inclán
Romance de lobos 1908 Ramón del Valle-Inclán
Luces de bohemia 1920 Ramón del Valle-Inclán
Divinas palabras 1920 Ramón del Valle-Inclán

La ortografía sigue a la edición

Los textos conservan la ortografía de las ediciones transcritas: 61 de ellos tienen las tildes de su época (á como preposición, fué, dió), 87 las modernas (entre ellos una docena de textos que los transcriptores del Proyecto Gutenberg modernizaron) y dos, La vuelta de Martín Fierro y Recuerdos de mi vida, una mezcla; Galdós tiene textos de los dos tipos. Como á y a son palabras distintas para una lista de frecuencias, la estilometría sobre las palabras más frecuentes puede separar los textos por su edición y no por su autor: quite la tilde de los monosílabos (á, é, ó, ú, fué, dió, vió) antes de una comparación así. A Abel Sánchez le faltan la mayoría de los ¿ y ¡ de apertura, como a su edición.

Líneas y párrafos

Los textos conservan los saltos de línea de sus transcripciones: la prosa, el ensayo y la mayoría de las obras de teatro cortan sus líneas dentro de los párrafos, los poemas dan una línea a cada verso, y los párrafos y las estrofas se separan por líneas en blanco. Los párrafos de CohesionStats empiezan tras cada salto de línea por defecto: pase blank_lines=True para estos textos, a la clase o en el config del componente.

Ediciones y contenido

Varias obras siguen ediciones posteriores revisadas por sus autores (la Opera Omnia de Valle-Inclán, las obras completas de Pereda, Palacio Valdés y Blasco Ibáñez, la sexta edición, muy ampliada, de Reglas y consejos sobre investigación científica), con el año de la primera publicación. Algunos registros son selecciones o tomos sueltos: Tradiciones peruanas (27 tradiciones), Recuerdos del tiempo viejo I (el primero de tres tomos), El payador (el único tomo publicado); los Entremeses son los ocho de 1615, sin los tres de atribución dudosa, y las Novelas ejemplares van sin La tía fingida. Dos registros contienen dos obras cada uno, como dicen sus títulos: Insolación y Morriña y Sonata de otoño. Sonata de invierno. En algunas comedias del Siglo de Oro quedan los corchetes de los editores alrededor de las acotaciones y de los nombres que añadieron.