我刚刚开始开发一个非常简单的程序，它获取一个txt文件，并根据它告诉你拼写错误的单词。我查找了最好的程序，我阅读了NLTK并使用"单词"。我做到了，注意到它没有正确完成工作，或者我可能没有正确做某事，这实际上是我的错，但有人可以检查一下吗？
from nltk.corpus import words
setwords = set(words.words())
def prompt():
userinput = input("File to Evaluate: ").strip()
with open(userinput, 'r') as file:
words = file.read()
return words
def main():
error_list = []
words = prompt()
words_splitted = words.split()
for i in words_splitted:
if i in setwords:
pass
elif i not in setwords:
error_list.append(i)
print(f"We're not sure these words exist: {error_list}")
if __name__ == '__main__':
main()
该程序运行良好，但请给我一些帮助，以确定NLTK是否实际上不擅长检测单词或在我的程序中失败。我正在使用这个程序进行测试.txt这是一个文件，其中包含他母亲著名的约翰昆西亚当斯信。
终端上的输出是这样的： 截图输出
正如你在图片中看到的，它只是打印出了很多甚至不应该混淆的单词，例如"年龄"，"天堂"和"比赛"。
NLTK旨在帮助进行自然语言分析。我真的不确定它是否是尝试进行拼写更正的最佳工具。首先，您使用的单词列表不会尝试包含每个可能的正确拼写单词，因为它假设您将使用 NLTK 中内置的"词干分析器"之一;词干分析器试图弄清楚每个单词的"词干"(或基数(是什么。词干分析让包将"age"分析为"age"的复数形式，并且这将起作用的事实意味着没有必要在单词列表中包含"ages"。
值得注意的是，NLTK包含的实用程序在将输入拆分为单词方面做得比仅仅调用string.split()要好得多，后者对标点符号一无所知。如果你打算使用NLTK，建议让它为你完成这项工作，例如使用nltk.word_tokenize函数。
此外，NLTK如果不知道一个单词，通常会尝试猜测它是什么，这意味着它通常能够识别拼写错误甚至发明的单词的词性。
例如，我在刘易斯·卡罗尔(Lewis Carroll(著名的Jabberwocky上运行了它的默认词性标记器，以产生以下输出。(我添加了每个词性标签的定义，以使其更易于阅读。
>>> poem = """'Twas brillig, and the slithy toves
... did gyre and gimble in the wabe:
... All mimsy were the borogoves,
... and the mome raths outgrabe.
... """
>>> print('n'.join(f"{word+' :':<12}({tag}) {tagdict[tag][0]}"
... for word, tag in nltk.pos_tag(nltk.word_tokenize(poem))))
'T : (NN) noun, common, singular or mass
was : (VBD) verb, past tense
brillig : (NN) noun, common, singular or mass
, : (,) comma
and : (CC) conjunction, coordinating
the : (DT) determiner
slithy : (JJ) adjective or numeral, ordinal
toves : (NNS) noun, common, plural
did : (VBD) verb, past tense
gyre : (NN) noun, common, singular or mass
and : (CC) conjunction, coordinating
gimble : (JJ) adjective or numeral, ordinal
in : (IN) preposition or conjunction, subordinating
the : (DT) determiner
wabe : (NN) noun, common, singular or mass
: : (:) colon or ellipsis
All : (DT) determiner
mimsy : (NNS) noun, common, plural
were : (VBD) verb, past tense
the : (DT) determiner
borogoves : (NNS) noun, common, plural
, : (,) comma
and : (CC) conjunction, coordinating
the : (DT) determiner
mome : (JJ) adjective or numeral, ordinal
raths : (NNS) noun, common, plural
outgrabe : (RB) adverb
. : (.) sentence terminator
NLTK是一个非凡的工作体系，具有许多实际应用。我只是不确定你的是其中之一。但是，如果您还没有这样做，请查看知识共享许可书籍，其中描述了NLTK，使用Python进行自然语言处理。这本书不仅是NLTK库的好指南，也是对Python 3中文本处理的温和介绍。