本篇文章為大家展示了怎么使用Python構(gòu)建可擴(kuò)展的社交媒體情感分析服務(wù)，內(nèi)容簡(jiǎn)明扼要并且容易理解，絕對(duì)能使你眼前一亮，通過這篇文章的詳細(xì)介紹希望你能有所收獲。

公司主營(yíng)業(yè)務(wù)：成都做網(wǎng)站、網(wǎng)站設(shè)計(jì)、移動(dòng)網(wǎng)站開發(fā)等業(yè)務(wù)。幫助企業(yè)客戶真正實(shí)現(xiàn)互聯(lián)網(wǎng)宣傳，提高企業(yè)的競(jìng)爭(zhēng)能力。成都創(chuàng)新互聯(lián)公司是一支青春激揚(yáng)、勤奮敬業(yè)、活力青春激揚(yáng)、勤奮敬業(yè)、活力澎湃、和諧高效的團(tuán)隊(duì)。公司秉承以“開放、自由、嚴(yán)謹(jǐn)、自律”為核心的企業(yè)文化，感謝他們對(duì)我們的高要求，感謝他們從不同領(lǐng)域給我們帶來的挑戰(zhàn)，讓我們激情的團(tuán)隊(duì)有機(jī)會(huì)用頭腦與智慧不斷的給客戶帶來驚喜。成都創(chuàng)新互聯(lián)公司推出宜昌免費(fèi)做網(wǎng)站回饋大家。

探索 Python 庫(kù) spaCy 和 vaderSentiment

前提條件

• 一個(gè)終端 shell

• shell 中的 Python 語(yǔ)言二進(jìn)制文件（3.4+ 版本）

• 用于安裝 Python 包的 pip 命令

• （可選）一個(gè) Python 虛擬環(huán)境使你的工作與系統(tǒng)隔離開來

配置環(huán)境

在開始編寫代碼之前，你需要安裝 spaCy 和 vaderSentiment 包來設(shè)置 Python 環(huán)境，同時(shí)下載一個(gè)語(yǔ)言模型來幫助你分析。幸運(yùn)的是，大部分操作都容易在命令行中完成。

在 shell 中，輸入以下命令來安裝 spaCy 和 vaderSentiment 包：

pip install spacy vaderSentiment

命令安裝完成后，安裝 spaCy 可用于文本分析的語(yǔ)言模型。以下命令將使用 spaCy 模塊下載并安裝英語(yǔ)模型：

python -m spacy download en_core_web_sm

安裝了這些庫(kù)和模型之后，就可以開始編碼了。

一個(gè)簡(jiǎn)單的文本分析

使用 Python 解釋器交互模式 編寫一些代碼來分析單個(gè)文本片段。首先啟動(dòng) Python 環(huán)境：

$ pythonPython 3.6.8 (default, Jan 31 2019, 09:38:34)[GCC 8.2.1 20181215 (Red Hat 8.2.1-6)] on linuxType "help", "copyright", "credits" or "license" for more information.>>>

（你的 Python 解釋器版本打印可能與此不同。）

1、導(dǎo)入所需模塊：

>>> import spacy>>> from vaderSentiment import vaderSentiment

2、從 spaCy 加載英語(yǔ)語(yǔ)言模型：

>>> english = spacy.load("en_core_web_sm")

3、處理一段文本。本例展示了一個(gè)非常簡(jiǎn)單的句子，我們希望它能給我們帶來些許積極的情感：

>>> result = english("I like to eat applesauce with sugar and cinnamon.")

4、從處理后的結(jié)果中收集句子。SpaCy 已識(shí)別并處理短語(yǔ)中的實(shí)體，這一步為每個(gè)句子生成情感（即時(shí)在本例中只有一個(gè)句子）：

>>> sentences = [str(s) for s in result.sents]

5、使用 vaderSentiments 創(chuàng)建一個(gè)分析器：

>>> analyzer = vaderSentiment.SentimentIntensityAnalyzer()

6、對(duì)句子進(jìn)行情感分析：

>>> sentiment = [analyzer.polarity_scores(str(s)) for s in sentences]

sentiment 變量現(xiàn)在包含例句的極性分?jǐn)?shù)。打印出這個(gè)值，看看它是如何分析這個(gè)句子的。

>>> print(sentiment)[{'neg': 0.0, 'neu': 0.737, 'pos': 0.263, 'compound': 0.3612}]

這個(gè)結(jié)構(gòu)是什么意思？

表面上，這是一個(gè)只有一個(gè)字典對(duì)象的數(shù)組。如果有多個(gè)句子，那么每個(gè)句子都會(huì)對(duì)應(yīng)一個(gè)字典對(duì)象。字典中有四個(gè)鍵對(duì)應(yīng)不同類型的情感。neg 鍵表示負(fù)面情感，因?yàn)樵诒纠袥]有報(bào)告任何負(fù)面情感，0.0 值證明了這一點(diǎn)。neu 鍵表示中性情感，它的得分相當(dāng)高，為 0.737（***為 1.0）。pos 鍵代表積極情感，得分適中，為 0.263。***，cmpound 鍵代表文本的總體得分，它可以從負(fù)數(shù)到正數(shù)，0.3612 表示積極方面的情感多一點(diǎn)。

要查看這些值可能如何變化，你可以使用已輸入的代碼做一個(gè)小實(shí)驗(yàn)。以下代碼塊顯示了如何對(duì)類似句子的情感評(píng)分的評(píng)估。

>>> result = english("I love applesauce!")>>> sentences = [str(s) for s in result.sents]>>> sentiment = [analyzer.polarity_scores(str(s)) for s in sentences]>>> print(sentiment)[{'neg': 0.0, 'neu': 0.182, 'pos': 0.818, 'compound': 0.6696}]

你可以看到，通過將例句改為非常積極的句子，sentiment 的值發(fā)生了巨大變化。

建立一個(gè)情感分析服務(wù)

現(xiàn)在你已經(jīng)為情感分析組裝了基本的代碼塊，讓我們將這些東西轉(zhuǎn)化為一個(gè)簡(jiǎn)單的服務(wù)。

在這個(gè)演示中，你將使用 Python Flask 包 創(chuàng)建一個(gè) RESTful HTTP 服務(wù)器。此服務(wù)將接受英文文本數(shù)據(jù)并返回情感分析結(jié)果。請(qǐng)注意，此示例服務(wù)是用于學(xué)習(xí)所涉及的技術(shù)，而不是用于投入生產(chǎn)的東西。

前提條件

• 一個(gè)終端 shell

• shell 中的 Python 語(yǔ)言二進(jìn)制文件（3.4+ 版本）

• 安裝 Python 包的 pip 命令

• curl 命令

• 一個(gè)文本編輯器

• (可選) 一個(gè) Python 虛擬環(huán)境使你的工作與系統(tǒng)隔離開來

配置環(huán)境

這個(gè)環(huán)境幾乎與上一節(jié)中的環(huán)境相同，唯一的區(qū)別是在 Python 環(huán)境中添加了 Flask 包。

1、安裝所需依賴項(xiàng)：

pip install spacy vaderSentiment flask

2、安裝 spaCy 的英語(yǔ)語(yǔ)言模型：

python -m spacy download en_core_web_sm

創(chuàng)建應(yīng)用程序文件

打開編輯器，創(chuàng)建一個(gè)名為 app.py 的文件。添加以下內(nèi)容 （不用擔(dān)心，我們將解釋每一行）：

import flaskimport spacyimport vaderSentiment.vaderSentiment as vader app = flask.Flask(__name__)analyzer = vader.SentimentIntensityAnalyzer()english = spacy.load("en_core_web_sm") def get_sentiments(text):    result = english(text)    sentences = [str(sent) for sent in result.sents]    sentiments = [analyzer.polarity_scores(str(s)) for s in sentences]    return sentiments @app.route("/", methods=["POST", "GET"])def index():    if flask.request.method == "GET":        return "To access this service send a POST request to this URL with" \                " the text you want analyzed in the body."    body = flask.request.data.decode("utf-8")    sentiments = get_sentiments(body)    return flask.json.dumps(sentiments)

雖然這個(gè)源文件不是很大，但它非常密集。讓我們來看看這個(gè)應(yīng)用程序的各個(gè)部分，并解釋它們?cè)谧鍪裁础?/p>

import flaskimport spacyimport vaderSentiment.vaderSentiment as vader

前三行引入了執(zhí)行語(yǔ)言分析和 HTTP 框架所需的包。

app = flask.Flask(__name__)analyzer = vader.SentimentIntensityAnalyzer()english = spacy.load("en_core_web_sm")

接下來的三行代碼創(chuàng)建了一些全局變量。***個(gè)變量 app，它是 Flask 用于創(chuàng)建 HTTP 路由的主要入口點(diǎn)。第二個(gè)變量 analyzer 與上一個(gè)示例中使用的類型相同，它將用于生成情感分?jǐn)?shù)。***一個(gè)變量 english 也與上一個(gè)示例中使用的類型相同，它將用于注釋和標(biāo)記初始文本輸入。

你可能想知道為什么全局聲明這些變量。對(duì)于 app 變量，這是許多 Flask 應(yīng)用程序的標(biāo)準(zhǔn)過程。但是，對(duì)于 analyzer 和 english 變量，將它們?cè)O(shè)置為全局變量的決定是基于與所涉及的類關(guān)聯(lián)的加載時(shí)間。雖然加載時(shí)間可能看起來很短，但是當(dāng)它在 HTTP 服務(wù)器的上下文中運(yùn)行時(shí)，這些延遲會(huì)對(duì)性能產(chǎn)生負(fù)面影響。

def get_sentiments(text):    result = english(text)    sentences = [str(sent) for sent in result.sents]    sentiments = [analyzer.polarity_scores(str(s)) for s in sentences]    return sentiments

這部分是服務(wù)的核心 —— 一個(gè)用于從一串文本生成情感值的函數(shù)。你可以看到此函數(shù)中的操作對(duì)應(yīng)于你之前在 Python 解釋器中運(yùn)行的命令。這里它們被封裝在一個(gè)函數(shù)定義中，text 源作為文本變量傳入，*** sentiments 變量返回給調(diào)用者。

@app.route("/", methods=["POST", "GET"])def index():  if flask.request.method == "GET":      return "To access this service send a POST request to this URL with" \              " the text you want analyzed in the body."  body = flask.request.data.decode("utf-8")  sentiments = get_sentiments(body)  return flask.json.dumps(sentiments)

源文件的***一個(gè)函數(shù)包含了指導(dǎo) Flask 如何為服務(wù)配置 HTTP 服務(wù)器的邏輯。它從一行開始，該行將 HTTP 路由 / 與請(qǐng)求方法 POST 和 GET 相關(guān)聯(lián)。

在函數(shù)定義行之后，if 子句將檢測(cè)請(qǐng)求方法是否為 GET。如果用戶向服務(wù)發(fā)送此請(qǐng)求，那么下面的行將返回一條指示如何訪問服務(wù)器的文本消息。這主要是為了方便最終用戶。

下一行使用 flask.request 對(duì)象來獲取請(qǐng)求的主體，該主體應(yīng)包含要處理的文本字符串。decode 函數(shù)將字節(jié)數(shù)組轉(zhuǎn)換為可用的格式化字符串。經(jīng)過解碼的文本消息被傳遞給 get_sentiments 函數(shù)以生成情感分?jǐn)?shù)。***，分?jǐn)?shù)通過 HTTP 框架返回給用戶。

你現(xiàn)在應(yīng)該保存文件，如果尚未保存，那么返回 shell。

運(yùn)行情感服務(wù)

一切就緒后，使用 Flask 的內(nèi)置調(diào)試服務(wù)器運(yùn)行服務(wù)非常簡(jiǎn)單。要啟動(dòng)該服務(wù)，請(qǐng)從與源文件相同的目錄中輸入以下命令：

FLASK_APP=app.py flask run

現(xiàn)在，你將在 shell 中看到來自服務(wù)器的一些輸出，并且服務(wù)器將處于運(yùn)行狀態(tài)。要測(cè)試服務(wù)器是否正在運(yùn)行，你需要打開第二個(gè) shell 并使用 curl 命令。

首先，輸入以下命令檢查是否打印了指令信息：

curl http://localhost:5000

你應(yīng)該看到說明消息：

To access this service send a POST request to this URI with the text you want analyzed in the body.

接下來，運(yùn)行以下命令發(fā)送測(cè)試消息，查看情感分析：

curl http://localhost:5000 --header "Content-Type: application/json" --data "I love applesauce!"

你從服務(wù)器獲得的響應(yīng)應(yīng)類似于以下內(nèi)容：

[{"compound": 0.6696, "neg": 0.0, "neu": 0.182, "pos": 0.818}]

恭喜！你現(xiàn)在已經(jīng)實(shí)現(xiàn)了一個(gè) RESTful HTTP 情感分析服務(wù)。你可以在 GitHub 上找到此服務(wù)的參考實(shí)現(xiàn)和本文中的所有代碼。

繼續(xù)探索

現(xiàn)在你已經(jīng)了解了自然語(yǔ)言處理和情感分析背后的原理和機(jī)制，下面是進(jìn)一步發(fā)現(xiàn)探索該主題的一些方法。

在 OpenShift 上創(chuàng)建流式情感分析器

雖然創(chuàng)建本地應(yīng)用程序來研究情緒分析很方便，但是接下來需要能夠部署應(yīng)用程序以實(shí)現(xiàn)更廣泛的用途。按照Radnaalytics.io 提供的指導(dǎo)和代碼進(jìn)行操作，你將學(xué)習(xí)如何創(chuàng)建一個(gè)情感分析儀，可以容器化并部署到 Kubernetes 平臺(tái)。你還將了解如何將 Apache Kafka 用作事件驅(qū)動(dòng)消息傳遞的框架，以及如何將 Apache Spark 用作情緒分析的分布式計(jì)算平臺(tái)。

使用 Twitter API 發(fā)現(xiàn)實(shí)時(shí)數(shù)據(jù)

雖然 Radanalytics.io 實(shí)驗(yàn)室可以生成合成推文流，但你可以不受限于合成數(shù)據(jù)。事實(shí)上，擁有 Twitter 賬戶的任何人都可以使用 Tweepy Python 包訪問 Twitter 流媒體 API 對(duì)推文進(jìn)行情感分析。

上述內(nèi)容就是怎么使用Python構(gòu)建可擴(kuò)展的社交媒體情感分析服務(wù)，你們學(xué)到知識(shí)或技能了嗎？如果還想學(xué)到更多技能或者豐富自己的知識(shí)儲(chǔ)備，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。