學習如何使用 spaCy、vaderSentiment、Flask 和 Python 來為你的作品添加情感分析能力。

-- Michael Mccune（作者）

本系列的 第一部分 提供了情感分析工作原理的一些背景知識，現在讓我們研究如何將這些功能添加到你的設計中。

探索 Python 庫 spaCy 和 vaderSentiment

前提條件

• 一個終端 shell
• shell 中的 Python 語言二進位文件（3.4+ 版本）
• 用於安裝 Python 包的 pip 命令
• （可選）一個 Python 虛擬環境 使你的工作與系統隔離開來

配置環境

在開始編寫代碼之前，你需要安裝 spaCy 和 vaderSentiment 包來設置 Python 環境，同時下載一個語言模型來幫助你分析。幸運的是，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

命令安裝完成後，安裝 spaCy 可用於文本分析的語言模型。以下命令將使用 spaCy 模塊下載並安裝英語 模型 ：

python -m spacy download en_core_web_sm

安裝了這些庫和模型之後，就可以開始編碼了。

一個簡單的文本分析

使用 Python 解釋器交互模式 編寫一些代碼來分析單個文本片段。首先啟動 Python 環境：

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

（你的 Python 解釋器版本列印可能與此不同。）

1、導入所需模塊：

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

2、從 spaCy 載入英語語言模型：

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

3、處理一段文本。本例展示了一個非常簡單的句子，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、從處理後的結果中收集句子。SpaCy 已識別並處理短語中的實體，這一步為每個句子生成情感（即時在本例中只有一個句子）：

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

5、使用 vaderSentiments 創建一個分析器：

>>> analyzer = vaderSentiment.SentimentIntensityAnalyzer()

6、對句子進行情感分析：

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

sentiment 變數現在包含例句的極性分數。列印出這個值，看看它是如何分析這個句子的。

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

這個結構是什麼意思？

表面上，這是一個只有一個字典對象的數組。如果有多個句子，那麼每個句子都會對應一個字典對象。字典中有四個鍵對應不同類型的情感。neg 鍵表示負面情感，因為在本例中沒有報告任何負面情感，0.0 值證明了這一點。neu 鍵表示中性情感，它的得分相當高，為 0.737（最高為 1.0）。pos 鍵代表積極情感，得分適中，為 0.263。最後，cmpound 鍵代表文本的總體得分，它可以從負數到正數，0.3612 表示積極方面的情感多一點。

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小實驗。以下代碼塊顯示了如何對類似句子的情感評分的評估。

>>> 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 的值發生了巨大變化。

建立一個情感分析服務

現在你已經為情感分析組裝了基本的代碼塊，讓我們將這些東西轉化為一個簡單的服務。

在這個演示中，你將使用 Python Flask 包 創建一個 RESTful HTTP 伺服器。此服務將接受英文文本數據並返回情感分析結果。請注意，此示例服務是用於學習所涉及的技術，而不是用於投入生產的東西。

前提條件

• 一個終端 shell
• shell 中的 Python 語言二進位文件（3.4+ 版本）
• 安裝 Python 包的 pip 命令
• curl 命令
• 一個文本編輯器
• (可選) 一個 Python 虛擬環境 使你的工作與系統隔離開來

配置環境

這個環境幾乎與上一節中的環境相同，唯一的區別是在 Python 環境中添加了 Flask 包。

1、安裝所需依賴項：

pip install spacy vaderSentiment flask

2、安裝 spaCy 的英語語言模型：

python -m spacy download en_core_web_sm

創建應用程序文件

打開編輯器，創建一個名為 app.py 的文件。添加以下內容 （不用擔心，我們將解釋每一行）：

import flask
import spacy
import 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)

雖然這個源文件不是很大，但它非常密集。讓我們來看看這個應用程序的各個部分，並解釋它們在做什麼。

import flask
import spacy
import vaderSentiment.vaderSentiment as vader

前三行引入了執行語言分析和 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建了一些全局變數。第一個變數 app，它是 Flask 用於創建 HTTP 路由的主要入口點。第二個變數 analyzer 與上一個示例中使用的類型相同，它將用於生成情感分數。最後一個變數 english 也與上一個示例中使用的類型相同，它將用於注釋和標記初始文本輸入。

你可能想知道為什麼全局聲明這些變數。對於 app 變數，這是許多 Flask 應用程序的標準過程。但是，對於 analyzer 和 english 變數，將它們設置為全局變數的決定是基於與所涉及的類關聯的載入時間。雖然載入時間可能看起來很短，但是當它在 HTTP 伺服器的上下文中運行時，這些延遲會對性能產生負面影響。

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

這部分是服務的核心 —— 一個用於從一串文本生成情感值的函數。你可以看到此函數中的操作對應於你之前在 Python 解釋器中運行的命令。這裡它們被封裝在一個函數定義中，text 源作為文本變數傳入，最後 sentiments 變數返回給調用者。

@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)

源文件的最後一個函數包含了指導 Flask 如何為服務配置 HTTP 伺服器的邏輯。它從一行開始，該行將 HTTP 路由 / 與請求方法 POST 和 GET 相關聯。

在函數定義行之後，if 子句將檢測請求方法是否為 GET。如果用戶向服務發送此請求，那麼下面的行將返回一條指示如何訪問伺服器的文本消息。這主要是為了方便最終用戶。

下一行使用 flask.request 對象來獲取請求的主體，該主體應包含要處理的文本字元串。decode 函數將位元組數組轉換為可用的格式化字元串。經過解碼的文本消息被傳遞給 get_sentiments 函數以生成情感分數。最後，分數通過 HTTP 框架返回給用戶。

你現在應該保存文件，如果尚未保存，那麼返回 shell。

運行情感服務

一切就緒後，使用 Flask 的內置調試伺服器運行服務非常簡單。要啟動該服務，請從與源文件相同的目錄中輸入以下命令：

FLASK_APP=app.py flask run

現在，你將在 shell 中看到來自伺服器的一些輸出，並且伺服器將處於運行狀態。要測試伺服器是否正在運行，你需要打開第二個 shell 並使用 curl 命令。

首先，輸入以下命令檢查是否列印了指令信息：

curl http://localhost:5000

你應該看到說明消息：

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

接下來，運行以下命令發送測試消息，查看情感分析：

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

你從伺服器獲得的響應應類似於以下內容：

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

恭喜！你現在已經實現了一個 RESTful HTTP 情感分析服務。你可以在 GitHub 上找到此服務的參考實現和本文中的所有代碼 。

繼續探索

現在你已經了解了自然語言處理和情感分析背後的原理和機制，下面是進一步發現探索該主題的一些方法。

在 OpenShift 上創建流式情感分析器

雖然創建本地應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用程序以實現更廣泛的用途。按照 Radnaalytics.io 提供的指導和代碼進行操作，你將學習如何創建一個情感分析儀，可以容器化並部署到 Kubernetes 平台。你還將了解如何將 Apache Kafka 用作事件驅動消息傳遞的框架，以及如何將 Apache Spark 用作情緒分析的分散式計算平台。

使用 Twitter API 發現實時數據

雖然 Radanalytics.io 實驗室可以生成合成推文流，但你可以不受限於合成數據。事實上，擁有 Twitter 賬戶的任何人都可以使用 Tweepy Python 包訪問 Twitter 流媒體 API 對推文進行情感分析。

via: https://opensource.com/article/19/4/social-media-sentiment-analysis-python-scalable

作者： Michael McCune 選題： lujun9972 譯者： MjSeven 校對： wxy

本文由 LCTT 原創編譯， Linux中國 榮譽推出

點擊「了解更多」可訪問文內鏈接

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！