免费视频淫片aa毛片_日韩高清在线亚洲专区vr_日韩大片免费观看视频播放_亚洲欧美国产精品完整版

打開APP
userphoto
未登錄

開通VIP,暢享免費電子書等14項超值服

開通VIP
新冠疫情微博話題抓取,文本挖掘和情感分析

新冠肺炎終于在舉國上下的努力下得以控制,大家的工作生活也慢慢開始走向正規(guī),疫情帶來巨大的災難,但同時也給研究者留下許多珍貴的數據。針對這次肺炎疫情,本文作者將抓取疫情相關微博話題及評論信息,采用SnowNLP進行簡單的情感分析及文本挖掘,包括隨時間的情感分布,希望對這一領域的學習者有幫助。

首先放上代碼下載地址:https://github.com/eastmountyxz/Wuhan-data-analysis

CSDN下載地址:

https://download.csdn.net/download/Eastmount/12239638

微博話題數據抓取

該部分內容參考及修改我的學生兼朋友“楊友”的文章,也推薦博友們閱讀他的博客,給予支持。作為老師,最開心的事就是看到學生成長和收獲。他的博客地址:python爬蟲爬取微博之戰(zhàn)疫情用戶評論及詳情

微博網址:https://m.weibo.cn/

1.爬蟲解析

第一步,進入微博審查元素,定位評論對應節(jié)點,后續(xù)抓取評論信息。

進入微博后,點擊《戰(zhàn)疫情》主題下,并隨便選擇一個動態(tài)進行分析,我就選擇了“央視新聞網”的一條動態(tài)態(tài)“https://m.weibo.cn/detail/4471652190688865”進行分析。

我們剛打開該話題的時候,它顯示的是187條評論,但是在審查時可以看到文章中的20個div,并且每個div中裝載一條評論,每個頁面原始就只能顯示20條評論。

當我們把鼠標不斷向下滑動的過程中,網頁元素中的div也不斷隨評論的增加而增加,當活動到底部時,所有評論都加載出來了。初步判斷該網頁屬于ajax加載類型,所以先就不要考慮用requests請求服務器了。

第二步,獲取Ajax加載的動態(tài)鏈接數據,通過發(fā)布id定位每條話題。

這些數據都是通過Ajax動態(tài)加載的,點擊到《戰(zhàn)疫情》主題,發(fā)現它的URL并沒有變化,具體瀏覽幾篇文章后發(fā)現,它的的部分URL都是統(tǒng)一的,文章鏈接 = ‘https://m.weibo.cn/detail/’+發(fā)布時的id,可以通過剛找到的 id 在瀏覽器中拼接試試。

比如下圖所示的微博內容。比如:https://m.weibo.cn/detail/4472846740547511

第三步,下拉網頁動態(tài)刷新數據,發(fā)現獲取多個page的規(guī)律。

接下來是獲取它下一個加載數據的通道,同樣是通過抓包的方式獲取,不斷的下拉網頁,加載出其他的Ajax數據傳輸通道,再進行對比??梢院苊黠@的看出,它的當前鏈接就只是帶上了 “&page=當前數字” 的標簽,并且每次加載出18篇動態(tài)文章。

查看元素信息如下圖所示,每個page顯示18個微博話題。

第四步,調用json.loads()函數或在線網站解析Json數據。

拿到的數據是json格式,再提取信息前需要把str文本轉化為json數據,進行查找,可以使用json庫查看它的結構 ,也可以在線json解析查看它的結構,更推薦在線解析,方法結構比較清晰。

在線解析后的結果,簡單的給它打上標簽,每一個等級為一塊,一級包括二級和三級,二級包括三級… 然后通過前面的標簽進行迭代輸出,索引出來。在線網站:https://www.json.cn/

第五步,獲取每條微博的ID值。

調用方法如下,然后把拿到的id加在https://m.weibo.cn/detail/ 的后面就可以訪問具體的文章了。







import requestsapi_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059'reponse = requests.get(api_url)for json in reponse.json()['data']['statuses']: comment_ID = json['id'] print (comment_ID)

此時提取所有鏈接代碼如下:























import requests,time
from fake_useragent import UserAgent

comment_urls = []def get_title_id(): '''爬取戰(zhàn)疫情首頁的每個主題的ID''' for page in range(1,3):# 這是控制ajax通道的量 headers = { 'User-Agent' : UserAgent().chrome #chrome瀏覽器隨機代理 } time.sleep(2) # 該鏈接通過抓包獲得 api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page) print (api_url) rep = requests.get(url=api_url, headers=headers) for json in rep.json()['data']['statuses']: comment_url = 'https://m.weibo.cn/detail/' + json['id'] print (comment_url) comment_urls.append(comment_url)get_title_id()

輸出結果如下:
















https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=1
https://m.weibo.cn/detail/4472725286834498https://m.weibo.cn/detail/4472896510211624https://m.weibo.cn/detail/4472846892243445https://m.weibo.cn/detail/4472901455185821https://m.weibo.cn/detail/4472856669039437https://m.weibo.cn/detail/4472897055545751https://m.weibo.cn/detail/4472891342667233https://m.weibo.cn/detail/4472879381479272https://m.weibo.cn/detail/4472889565122923https://m.weibo.cn/detail/4472884950738226https://m.weibo.cn/detail/4472883461527008https://m.weibo.cn/detail/4472904014106917......

第六步,調用requests ajax 爬取更多信息。

現在需要獲取更多的信息,如用戶id、性別之類的,這不是selenium可以完成的操作了,還得使用ajax的方式獲取json數據,提取詳細的信息。這里有個字段是max_id, 我們需要在上一個json文件底部找到該值。

目標:話題鏈接、話題內容、樓主ID、樓主昵稱、樓主性別、發(fā)布日期、發(fā)布時間、轉發(fā)量、評論量、點贊量、評論者ID、評論者昵稱、評論者性別、評論日期、評論時間、評論內容

  • 第一個通道

  • 現在可以預測下一個max_id

成功地通過上一個通道拿到了下一個通道的max_id,現在就可以使用ajax加載數據了。

2.爬蟲完整代碼
















































































































































































































# -*- coding: utf-8 -*-import requests,random,reimport timeimport osimport csvimport sysimport jsonimport importlibfrom fake_useragent import UserAgentfrom lxml import etree

importlib.reload(sys)startTime = time.time() #記錄起始時間

#--------------------------------------------文件存儲-----------------------------------------------------path = os.getcwd() + '/weiboComments.csv'csvfile = open(path, 'a', newline='', encoding = 'utf-8-sig')writer = csv.writer(csvfile)#csv頭部writer.writerow(('話題鏈接','話題內容','樓主ID', '樓主昵稱', '樓主性別','發(fā)布日期', '發(fā)布時間', '轉發(fā)量','評論量','點贊量', '評論者ID', '評論者昵稱', '評論者性別', '評論日期', '評論時間','評論內容'))

#設置headesheaders = { 'Cookie': '_T_WM=22822641575; H5_wentry=H5; backURL=https%3A%2F%2Fm.weibo.cn%2F; ALF=1584226439; MLOGIN=1; SUBP=0033WrSXqPxfM725Ws9jqgMF55529P9D9W5RJaVYrb.BEuOvUQ8Ca2OO5JpX5K-hUgL.FoqESh-7eKzpShM2dJLoIp7LxKML1KBLBKnLxKqL1hnLBoMceoBfeh2EeKBN; SCF=AnRSOFp6QbWzfH1BqL4HB8my8eWNC5C33KhDq4Ko43RUIzs6rjJC49kIvz5_RcOJV2pVAQKvK2UbAd1Uh6j0pyo.; SUB=_2A25zQaQBDeRhGeBM71cR8SzNzzuIHXVQzcxJrDV6PUJbktAKLXD-kW1NRPYJXhsrLRnku_WvhsXi81eY0FM2oTtt; SUHB=0mxU9Kb_Ce6s6S; SSOLoginState=1581634641; WEIBOCN_FROM=1110106030; XSRF-TOKEN=dc7c27; M_WEIBOCN_PARAMS=oid%3D4471980021481431%26luicode%3D20000061%26lfid%3D4471980021481431%26uicode%3D20000061%26fid%3D4471980021481431', 'Referer': 'https://m.weibo.cn/detail/4312409864846621', 'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.100 Safari/537.36', 'X-Requested-With': 'XMLHttpRequest'}

#-----------------------------------爬取戰(zhàn)疫情首頁的每個主題的ID------------------------------------------comments_ID = []def get_title_id(): for page in range(1,21): #每個頁面大約有18個話題 headers = { 'User-Agent' : UserAgent().chrome #chrome瀏覽器隨機代理 } time.sleep(1) #該鏈接通過抓包獲得 api_url = 'https://m.weibo.cn/api/feed/trendtop?containerid=102803_ctg1_600059_-_ctg1_600059&page=' + str(page) print(api_url) rep = requests.get(url=api_url, headers=headers) #獲取ID值并寫入列表comment_ID中 for json in rep.json()['data']['statuses']: comment_ID = json['id'] comments_ID.append(comment_ID)

#-----------------------------------爬取戰(zhàn)疫情每個主題的詳情頁面------------------------------------------ def spider_title(comment_ID): try: article_url = 'https://m.weibo.cn/detail/'+ comment_ID print ('article_url = ', article_url) html_text = requests.get(url=article_url, headers=headers).text #話題內容 find_title = re.findall('.*?'text': '(.*?)',.*?', html_text)[0] title_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', find_title) #正則匹配掉html標簽 print ('title_text = ', title_text) #樓主ID title_user_id = re.findall('.*?'id': (.*?),.*?', html_text)[1] print ('title_user_id = ', title_user_id) #樓主昵稱 title_user_NicName = re.findall('.*?'screen_name': '(.*?)',.*?', html_text)[0] print ('title_user_NicName = ', title_user_NicName) #樓主性別 title_user_gender = re.findall('.*?'gender': '(.*?)',.*?', html_text)[0] print ('title_user_gender = ', title_user_gender) #發(fā)布時間 created_title_time = re.findall('.*?'created_at': '(.*?)'.*?', html_text)[0].split(' ') #日期 if 'Mar' in created_title_time: title_created_YMD = '{}/{}/{}'.format(created_title_time[-1], '03', created_title_time[2]) elif 'Feb' in created_title_time: title_created_YMD = '{}/{}/{}'.format(created_title_time[-1], '02', created_title_time[2]) elif 'Jan' in created_title_time: title_created_YMD = '{}/{}/{}'.format(created_title_time[-1], '01', created_title_time[2]) else: print ('該時間不在疫情范圍內,估計數據有誤!URL = ') pass print ('title_created_YMD = ', title_created_YMD) #發(fā)布時間 add_title_time = created_title_time[3] print ('add_title_time = ', add_title_time) #轉發(fā)量 reposts_count = re.findall('.*?'reposts_count': (.*?),.*?', html_text)[0] print ('reposts_count = ', reposts_count) #評論量 comments_count = re.findall('.*?'comments_count': (.*?),.*?', html_text)[0] print ('comments_count = ', comments_count) #點贊量 attitudes_count = re.findall('.*?'attitudes_count': (.*?),.*?', html_text)[0] print ('attitudes_count = ', attitudes_count) comment_count = int(int(comments_count) / 20) #每個ajax一次加載20條數據 position1 = (article_url, title_text, title_user_id, title_user_NicName,title_user_gender, title_created_YMD, add_title_time, reposts_count, comments_count, attitudes_count, ' ', ' ', ' ', ' ',' ', ' ') #寫入數據 writer.writerow((position1)) return comment_count except: pass



#-------------------------------------------------抓取評論信息---------------------------------------------------#comment_ID話題編號def get_page(comment_ID, max_id, id_type): params = { 'max_id': max_id, 'max_id_type': id_type } url = ' https://m.weibo.cn/comments/hotflow?id={}&mid={}&max_id'.format(comment_ID, comment_ID) try: r = requests.get(url, params=params, headers=headers) if r.status_code == 200: return r.json() except requests.ConnectionError as e: print('error', e.args) pass

#-------------------------------------------------抓取評論item最大值---------------------------------------------------def parse_page(jsondata): if jsondata: items = jsondata.get('data') item_max_id = {} item_max_id['max_id'] = items['max_id'] item_max_id['max_id_type'] = items['max_id_type'] return item_max_id

#-------------------------------------------------抓取評論信息---------------------------------------------------def write_csv(jsondata): for json in jsondata['data']['data']: #用戶ID user_id = json['user']['id'] # 用戶昵稱 user_name = json['user']['screen_name'] # 用戶性別,m表示男性,表示女性 user_gender = json['user']['gender'] #獲取評論 comments_text = json['text'] comment_text = re.sub('<(S*?)[^>]*>.*?|<.*? />', '', comments_text) #正則匹配掉html標簽 # 評論時間 created_times = json['created_at'].split(' ') if 'Feb' in created_times: created_YMD = '{}/{}/{}'.format(created_times[-1], '02', created_times[2]) elif 'Jan' in created_times: created_YMD = '{}/{}/{}'.format(created_times[-1], '01', created_times[2]) else: print ('該時間不在疫情范圍內,估計數據有誤!') pass created_time = created_times[3] #評論時間時分秒 #if len(comment_text) != 0: position2 = (' ', ' ', ' ', ' ',' ', ' ', ' ', ' ', ' ', ' ', user_id, user_name, user_gender, created_YMD, created_time, comment_text) writer.writerow((position2))#寫入數據 #print (user_id, user_name, user_gender, created_YMD, created_time)



#-------------------------------------------------主函數---------------------------------------------------def main(): count_title = len(comments_ID) for count, comment_ID in enumerate(comments_ID): print ('正在爬取第%s個話題,一共找到個%s話題需要爬取'%(count+1, count_title)) #maxPage獲取返回的最大評論數量 maxPage = spider_title(comment_ID) print ('maxPage = ', maxPage) m_id = 0 id_type = 0 if maxPage != 0: #小于20條評論的不需要循環(huán) try: #用評論數量控制循環(huán) for page in range(0, maxPage): #自定義函數-抓取網頁評論信息 jsondata = get_page(comment_ID, m_id, id_type)
#自定義函數-寫入CSV文件 write_csv(jsondata)
#自定義函數-獲取評論item最大值 results = parse_page(jsondata) time.sleep(1) m_id = results['max_id'] id_type = results['max_id_type'] except: pass print ('--------------------------分隔符---------------------------') csvfile.close()
if __name__ == '__main__':
#獲取話題ID get_title_id()
#主函數操作 main()
#計算使用時間 endTime = time.time() useTime = (endTime-startTime) / 60 print('該次所獲的信息一共使用%s分鐘'%useTime)

保存數據截圖如下圖所示:

下圖時抓取的話題頁面網址,每個頁面包括18個話題。

接著抓取每個話題的內容,如下所示:



























正在爬取第1個話題,一共找到個361話題需要爬取article_url = https://m.weibo.cn/detail/4484575189181757title_text = 【#國家衛(wèi)健委回應健康碼互通互認#】國家衛(wèi)生健康委規(guī)劃司司長毛群安:目前全國低風險縣域已占98%,各省份正在按照統(tǒng)一的數據格式標準和內容要求,加快向全國一體化平臺匯聚本地區(qū)防疫健康信息的目錄。截至目前,#全國絕大多數健康碼可實現一碼通行#。微博視頻 title_user_id = 2803301701title_user_NicName = title_user_gender = m該時間不在疫情范圍內,估計數據有誤!URL = maxPage = None--------------------------分隔符---------------------------正在爬取第2個話題,一共找到個361話題需要爬取article_url = https://m.weibo.cn/detail/4484288164243251title_text = 法國網友自稱自己成了長發(fā)公主,度過了居家隔離后的第三天.....#全球疫情##法國疫情# 法國囧事的微博視頻 title_user_id = 2981906842title_user_NicName = 法國囧事title_user_gender = m該時間不在疫情范圍內,估計數據有誤!URL = maxPage = None--------------------------分隔符---------------------------正在爬取第3個話題,一共找到個361話題需要爬取article_url = https://m.weibo.cn/detail/4484492666507389title_text = #全球疫情# #意大利疫情# #意大利# “羅馬還有其他四處的藥店都遭到了搶劫。我們遭受到的是持械搶劫?!斑@是一位羅馬藥店藥劑師的陳述。她說,在當前疫情的危機情況下,我們處在兩難困境之中:受到搶劫和疾病的雙重威脅。疫情之下,意大利口罩告急,價格飆高。市民認為是藥店不賣,而真實情況是藥店真的沒有,而供貨商又抬高了價格。藥店處在兩難境地。這位藥劑師道出了自己的苦衷,冒著危險還在工作,與醫(yī)護人員一樣,都是奮斗在一線做出犧牲的人。呼吁民眾理解,也請求大家的幫助。Nita大呵呵的微博視頻title_user_id = 6476189426title_user_NicName = Nita大呵呵title_user_gender = f該時間不在疫情范圍內,估計數據有誤!URL = maxPage = None

最終抓取360個疫情話題內容。

注意:該爬蟲評論寫入功能需要改進下,且只能抓取當天的“戰(zhàn)疫情”話題及評論,如果想針對某個突發(fā)事件進行一段時間的分析,建議每天定時運行該程序,從而形成所需的數據集。也可以根據需求修改為熱點話題的抓取,增加搜索功能等。

微博話題詞云分析

首先,我們對文本進行簡單的詞云可視化分析。

1.基本用法

詞云分析主要包括兩種方法:

  • 調用WordCloud擴展包畫圖(兼容性極強,之前介紹過)

  • 調用PyEcharts中的WordCloud子包畫圖(本文推薦新方法)

PyEcharts繪制詞云的基礎代碼如下:













































# coding=utf-8
from pyecharts import options as optsfrom pyecharts.charts import WordCloudfrom pyecharts.globals import SymbolType

# 數據words = [ ('背包問題', 10000), ('大整數', 6181), ('Karatsuba乘法算法', 4386), ('窮舉搜索', 4055), ('傅里葉變換', 2467), ('狀態(tài)樹遍歷', 2244), ('剪枝', 1868), ('Gale-shapley', 1484), ('最大匹配與匈牙利算法', 1112), ('線索模型', 865), ('關鍵路徑算法', 847), ('最小二乘法曲線擬合', 582), ('二分逼近法', 555), ('牛頓迭代法', 550), ('Bresenham算法', 462), ('粒子群優(yōu)化', 366), ('Dijkstra', 360), ('A*算法', 282), ('負極大極搜索算法', 273), ('估值函數', 265)]

# 渲染圖def wordcloud_base() -> WordCloud: c = ( WordCloud() .add('', words, word_size_range=[20, 100], shape='diamond') # SymbolType.ROUND_RECT .set_global_opts(title_opts=opts.TitleOpts(title='WordCloud詞云')) ) return c

# 生成圖wordcloud_base().render('詞云圖.html')

輸出結果如下圖所示,出現詞頻越高顯示越大。

核心代碼為:


add(name, attr, value, shape=“circle”, word_gap=20, word_size_range=None, rotate_step=45)
  • name -> str: 圖例名稱

  • attr -> list: 屬性名稱

  • value -> list: 屬性所對應的值

  • shape -> list: 詞云圖輪廓,有’circle’, ‘cardioid’, ‘diamond’, ‘triangleforward’, ‘triangle’, ‘pentagon’, ‘star’可選

  • word_gap -> int: 單詞間隔,默認為20

  • word_size_range -> list: 單詞字體大小范圍,默認為[12,60]

  • rotate_step -> int: 旋轉單詞角度,默認為45

2.疫情詞云

接著我們將3月20日疫情內容復制至“data.txt”文本,經過中文分詞后顯示前1000個高頻詞的詞云。代碼如下:














































































# coding=utf-8import jiebaimport reimport timefrom collections import Counter

#------------------------------------中文分詞------------------------------------cut_words = ''all_words = ''f = open('C-class-fenci.txt', 'w')for line in open('C-class.txt', encoding='utf-8'): line.strip('\n') seg_list = jieba.cut(line,cut_all=False) # print(' '.join(seg_list)) cut_words = (' '.join(seg_list)) f.write(cut_words) all_words += cut_wordselse: f.close()

# 輸出結果all_words = all_words.split()print(all_words)

# 詞頻統(tǒng)計c = Counter()for x in all_words: if len(x)>1 and x != '\r\n': c[x] += 1

# 輸出詞頻最高的前10個詞print('\n詞頻統(tǒng)計結果:')for (k,v) in c.most_common(10): print('%s:%d'%(k,v))

# 存儲數據name = time.strftime('%Y-%m-%d') + '-fc.csv'fw = open(name, 'w', encoding='utf-8')i = 1for (k,v) in c.most_common(len(c)): fw.write(str(i)+','+str(k)+','+str(v)+'\n') i = i + 1else: print('Over write file!') fw.close()

#------------------------------------詞云分析------------------------------------from pyecharts import options as optsfrom pyecharts.charts import WordCloudfrom pyecharts.globals import SymbolType

# 生成數據 word = [('A',10), ('B',9), ('C',8)] 列表+Tuplewords = []for (k,v) in c.most_common(1000): # print(k, v) words.append((k,v))

# 渲染圖def wordcloud_base() -> WordCloud: c = ( WordCloud() .add('', words, word_size_range=[20, 100], shape=SymbolType.ROUND_RECT) .set_global_opts(title_opts=opts.TitleOpts(title='全國新型冠狀病毒疫情詞云圖')) ) return c

# 生成圖wordcloud_base().render('疫情詞云圖.html')

輸出結果如下圖所示,僅3月20日的熱點話題內容。

3.WordCloud

另一種方法的代碼如下:











































































# coding=utf-8import jiebaimport reimport sysimport timefrom collections import Counterimport matplotlib.pyplot as pltfrom wordcloud import WordCloud

#------------------------------------中文分詞------------------------------------cut_words = ''all_words = ''f = open('data-fenci.txt', 'w')for line in open('data.txt', encoding='utf-8'): line.strip('\n') seg_list = jieba.cut(line,cut_all=False) # print(' '.join(seg_list)) cut_words = (' '.join(seg_list)) f.write(cut_words) all_words += cut_wordselse: f.close()

# 輸出結果all_words = all_words.split()print(all_words)

# 詞頻統(tǒng)計c = Counter()for x in all_words: if len(x)>1 and x != '\r\n': c[x] += 1

# 輸出詞頻最高的前10個詞print('\n詞頻統(tǒng)計結果:')for (k,v) in c.most_common(10): print('%s:%d'%(k,v))

# 存儲數據name = time.strftime('%Y-%m-%d') + '-fc.csv'fw = open(name, 'w', encoding='utf-8')i = 1for (k,v) in c.most_common(len(c)): fw.write(str(i)+','+str(k)+','+str(v)+'\n') i = i + 1else: print('Over write file!') fw.close()

#------------------------------------詞云分析------------------------------------#打開本體TXT文件text = open('data.txt').read()
#結巴分詞 cut_all=True 設置為精準模式 wordlist = jieba.cut(text, cut_all = False)
#使用空格連接 進行中文分詞wl_space_split = ' '.join(wordlist)#print(wl_space_split)
#對分詞后的文本生成詞云my_wordcloud = WordCloud().generate(wl_space_split)
#顯示詞云圖plt.imshow(my_wordcloud)#是否顯示x軸、y軸下標plt.axis('off')plt.show()

SnowNLP情感分析用法

情感分析的基本流程如下圖所示,通常包括:

  • 自定義爬蟲抓取文本信息;

  • 使用Jieba工具進行中文分詞、詞性標注;

  • 定義情感詞典提取每行文本的情感詞;

  • 通過情感詞構建情感矩陣,并計算情感分數;

  • 結果評估,包括將情感分數置于0.5到-0.5之間,并可視化顯示。

1.SnowNLP

SnowNLP是一個常用的Python文本分析庫,是受到TextBlob啟發(fā)而發(fā)明的。由于當前自然語言處理庫基本都是針對英文的,而中文沒有空格分割特征詞,Python做中文文本挖掘較難,后續(xù)開發(fā)了一些針對中文處理的庫,例如SnowNLP、Jieba、BosonNLP等。注意SnowNLP處理的是unicode編碼,所以使用時請自行decode成unicode。

Snownlp主要功能包括:

  • 中文分詞(算法是Character-Based Generative Model)

  • 詞性標注(原理是TnT、3-gram 隱馬)

  • 情感分析

  • 文本分類(原理是樸素貝葉斯)

  • 轉換拼音、繁體轉簡體

  • 提取文本關鍵詞(原理是TextRank)

  • 提取摘要(原理是TextRank)、分割句子

  • 文本相似(原理是BM25)

推薦官網給大家學習。

安裝和其他庫一樣,使用pip安裝即可。


pip install snownlp

2.中文分詞

下面是最簡單的實例,使用SnowNLP進行中文分詞,同時比較了SnowNLP和Jieba庫的分詞效果。












# -*- coding: utf-8 -*-from snownlp import SnowNLPs1 = SnowNLP(u'這本書質量真不太好!')print('SnowNLP:')print(' '.join(s1.words))

import jiebas2 = jieba.cut(u'這本書質量真不太好!', cut_all=False)print('jieba:')print(' '.join(s2))

輸出結果如下所示:

總體感覺是SnowNLP分詞速度比較慢,準確度較低,比如“不太好”這個詞組,但也不影響我們后續(xù)的情感分析。

3.常見功能

代碼如下:












































# -*- coding: utf-8 -*-from snownlp import SnowNLPs = SnowNLP(u'這本書質量真不太好!')

print(u'\n中文分詞:')print( ' '.join(s.words))

print(u'\n詞性標注:')print(s.tags)for k in s.tags: print(k)

print(u'\n情感分數:')print(s.sentiments)

print(u'\n轉換拼音:')print(s.pinyin)

print(u'\n輸出前4個關鍵詞:')print(s.keywords(4))for k in s.keywords(4): print(k)

print(u'\n輸出關鍵句子:')print(s.summary(1))for k in s.summary(1): print(k)

print(u'\n輸出tf和idf:')print(s.tf)print(s.idf)

n = SnowNLP(u'「繁體字」「繁體中文」的叫法在臺灣亦很常見。')print(u'\n繁簡體轉換:')print(n.han)

s.words 輸出分詞后的結果,詞性標注主要通過 s.tags,s.sentiments 計算情感分數,s.pinyin 轉換為拼音,s.keywords(4) 提取4個關鍵詞,s.summary(1) 輸出一個關鍵句子,s.tf 計算TF值(頻率),s.idf 計算IDF值(倒文檔)。

輸出結果如下所示:























































>>>

中文分詞:這 本書 質量 真 不 太 好 !

詞性標注:[(u'\u8fd9', u'r'), (u'\u672c\u4e66', u'r'), (u'\u8d28\u91cf', u'n'), (u'\u771f', u'd'), (u'\u4e0d', u'd'), (u'\u592a', u'd'), (u'\u597d', u'a'), (u'\uff01', u'w')](u'\u8fd9', u'r')(u'\u672c\u4e66', u'r')(u'\u8d28\u91cf', u'n')(u'\u771f', u'd')(u'\u4e0d', u'd')(u'\u592a', u'd')(u'\u597d', u'a')(u'\uff01', u'w')

情感分數:0.420002029202

轉換拼音:[u'zhe', u'ben', u'shu', u'zhi', u'liang', u'zhen', u'bu', u'tai', u'hao', u'\uff01']

輸出前4個關鍵詞:[u'\u592a', u'\u4e0d', u'\u8d28\u91cf', u'\u771f']質量

輸出關鍵句子:[u'\u8fd9\u672c\u4e66\u8d28\u91cf\u771f\u4e0d\u592a\u597d']這本書質量真不太好

輸出tf和idf:[{u'\u8fd9': 1}, {u'\u672c': 1}, {u'\u4e66': 1}, {u'\u8d28': 1}, {u'\u91cf': 1}, {u'\u771f': 1}, {u'\u4e0d': 1}, {u'\u592a': 1}, {u'\u597d': 1}, {u'\uff01': 1}]{u'\uff01': 1.845826690498331, u'\u4e66': 1.845826690498331, u'\u8d28': 1.845826690498331, u'\u592a': 1.845826690498331, u'\u4e0d': 1.845826690498331, u'\u672c': 1.845826690498331, u'\u91cf': 1.845826690498331, u'\u8fd9': 1.845826690498331, u'\u597d': 1.845826690498331, u'\u771f': 1.845826690498331}

繁簡體轉換:「繁體字」「繁體中文」的叫法在臺灣亦很常見。>>>

同樣可以進行文本相似度計算,代碼參考下圖所示:

4.情感分析

SnowNLP情感分析也是基于情感詞典實現的,其簡單的將文本分為兩類,積極和消極,返回值為情緒的概率,越接近1為積極,接近0為消極。

下面簡單給出一個情感分析的例子:
















# -*- coding: utf-8 -*-from snownlp import SnowNLPs1 = SnowNLP(u'我今天很開心')print(u's1情感分數:')print(s1.sentiments)

s2 = SnowNLP(u'我今天很沮喪')print(u's2情感分數:')print(s2.sentiments)

s3 = SnowNLP(u'大傻瓜,你脾氣真差,動不動就打人')print(u's3情感分數:')print(s3.sentiments)

輸出結果如下所示,當負面情感特征詞越多,比如“傻瓜”、“差”、“打人”等,分數就會很低,同樣當正免情感詞多分數就高。








s1情感分數:
0.84204018979s2情感分數:0.648537121839s3情感分數:0.0533215596706

而在真實項目中,通常需要根據實際的數據重新訓練情感分析的模型,導入正面樣本和負面樣本,再訓練新模型。

  • sentiment.train(’./neg.txt’, ‘./pos.txt’)

  • sentiment.save(‘sentiment.marshal’)

SnowNLP微博情感分析實例

下面的代碼是對爬取的疫情話題進行情感分析。本文將抓取的356條(其中4條僅圖片)微博疫情話題信息復制至TXT文件中 ,每一行為一條話題,再對其進行中文分詞處理。注意,這里僅僅獲取序號1-356的情感分數,而其他情感分析可以進行時間對比、主題對比等,其方法和此篇文章類似,希望讀者學會舉一反三。

1.情感各分數段出現頻率

首先統(tǒng)計各情感分數段出現的評率并繪制對應的柱狀圖,代碼如下:























# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport os

source = open('data.txt','r', encoding='utf-8')line = source.readlines()sentimentslist = []for i in line: s = SnowNLP(i) print(s.sentiments) sentimentslist.append(s.sentiments)

import matplotlib.pyplot as pltimport numpy as npplt.hist(sentimentslist, bins = np.arange(0, 1, 0.01), facecolor = 'g')plt.xlabel('Sentiments Probability')plt.ylabel('Quantity')plt.title('Analysis of Sentiments')plt.show()

輸出結果如下圖所示,可以看到

對應的分數如下:












>>>4.440892098500626e-160.490553956075208240.99999999999726350.99999986770931490.99796275863685160.99999999909595090.99998301992337690.99986993108126470.9999954477924106...

2.情感波動分析

接下來分析每條評論的波動情況,代碼如下所示:























# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport os

source = open('data.txt','r', encoding='utf-8')line = source.readlines()sentimentslist = []for i in line: s = SnowNLP(i) print(s.sentiments) sentimentslist.append(s.sentiments)

import matplotlib.pyplot as pltimport numpy as npplt.plot(np.arange(0, 356, 1), sentimentslist, 'k-')plt.xlabel('Number')plt.ylabel('Sentiment')plt.title('Analysis of Sentiments')plt.show()

輸出結果如下所示,呈現一條曲線,因為抓取的評論基本都是好評,所以分數基本接近于1.0,而真實分析過程中存在好評、中評和差評,曲線更加規(guī)律。

同時,在做情感分析的時候,我看到很多論文都是將情感區(qū)間從[0, 1.0]轉換為[-0.5, 0.5],這樣的曲線更加好看,位于0以上的是積極評論,反之消極評論。修改代碼如下:

































# -*- coding: utf-8 -*-from snownlp import SnowNLPimport codecsimport os

#獲取情感分數source = open('data.txt','r', encoding='utf-8')line = source.readlines()sentimentslist = []for i in line: s = SnowNLP(i) print(s.sentiments) sentimentslist.append(s.sentiments)

#區(qū)間轉換為[-0.5, 0.5]result = []i = 0while i<len(sentimentslist): result.append(sentimentslist[i]-0.5) i = i + 1

#可視化畫圖import matplotlib.pyplot as pltimport numpy as npplt.plot(np.arange(0, 356, 1), result, 'k-')plt.xlabel('Number')plt.ylabel('Sentiment')plt.title('Analysis of Sentiments')plt.show()

繪制圖形如下所示:

3.情感時間分布

最后補充隨時間分布的情感分數相關建議,讀者可能也發(fā)現抓取的博客存在重復、時間不均衡等現象。微博數據還是非常不好抓取,數據卡住了很多人,也請讀者深入分析下。

(1) 情感分析通常需要和評論時間結合起來,并進行輿情預測等,建議讀者嘗試將時間結合。比如王樹義老師的文章《基于情感分類的競爭企業(yè)新聞文本主題挖掘》。

(2) 情感分析也是可以進行評價的,我們前面抓取的分為5星評分,假設0-0.2位一星,0.2-0.4位二星,0.4-0.6為三星,0.6-0.8為四星,0.8-1.0為五星,這樣我們可以計算它的準確率,召回率,F值,從而評論我的算法好壞。

(3) 作者還有很多情感分析結合冪率分布的知識,因為需要寫文章,這里暫時不進行分享,但是這篇基礎文章對初學者仍然有一定的幫助。

(4) BosonNLP也是一個比較不錯的情感分析包,建議感興趣的讀者學習,它提供了相關的詞典,如下:https://bosonnlp.com/dev/resource。

(5) 讀者如果不太擅長寫代碼,可以嘗試使用情感分析系統(tǒng)。http://ictclas.nlpir.org/nlpir/

  

原文鏈接:

https://blog.csdn.net/Eastmount/article/details/104995419

【END】

本站僅提供存儲服務,所有內容均由用戶發(fā)布,如發(fā)現有害或侵權內容,請點擊舉報。
打開APP,閱讀全文并永久保存 查看更多類似文章
猜你喜歡
類似文章
python情感分析:基于jieba的分詞及snownlp的情感分析!
NLP之TEA:基于SnowNLP實現自然語言處理之對輸入文本進行情感分析(分詞→詞性標注→拼音&簡繁轉換→情感分析→測試)
有哪些好的python用的中文自然語言包推薦?
python-32:測試代碼
【Python】文本分析
python︱六款中文分詞模塊嘗試:jieba、THULAC、SnowNLP、pynlpir、CoreNLP、pyLTP(轉)
更多類似文章 >>
生活服務
分享 收藏 導長圖 關注 下載文章
綁定賬號成功
后續(xù)可登錄賬號暢享VIP特權!
如果VIP功能使用有故障,
可點擊這里聯系客服!

聯系客服