本篇文章为大家展示了怎么使用Python构建可扩展的社交媒体情感分析服务，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。
公司主营业务：成都做网站、网站设计、移动网站开发等业务。帮助企业客户真正实现互联网宣传，提高企业的竞争能力。成都创新互联公司是一支青春激扬、勤奋敬业、活力青春激扬、勤奋敬业、活力澎湃、和谐高效的团队。公司秉承以“开放、自由、严谨、自律”为核心的企业文化，感谢他们对我们的高要求，感谢他们从不同领域给我们带来的挑战，让我们激情的团队有机会用头脑与智慧不断的给客户带来惊喜。成都创新互联公司推出宜昌免费做网站回馈大家。
探索 Python 库 spaCy 和 vaderSentiment
前提条件
配置环境
在开始编写代码之前，你需要安装 spaCy 和 vaderSentiment 包来设置 Python 环境，同时下载一个语言模型来帮助你分析。幸运的是，大部分操作都容易在命令行中完成。
在 shell 中，输入以下命令来安装 spaCy 和 vaderSentiment 包：
pip install spacy vaderSentiment
命令安装完成后，安装 spaCy 可用于文本分析的语言模型。以下命令将使用 spaCy 模块下载并安装英语模型：
python -m spacy download en_core_web_sm
安装了这些库和模型之后，就可以开始编码了。
一个简单的文本分析
使用 Python 解释器交互模式 编写一些代码来分析单个文本片段。首先启动 Python 环境：
$ 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 解释器版本打印可能与此不同。）
1、导入所需模块：
>>> import spacy>>> from vaderSentiment import vaderSentiment
2、从 spaCy 加载英语语言模型：
>>> english = spacy.load("en_core_web_sm")3、处理一段文本。本例展示了一个非常简单的句子，我们希望它能给我们带来些许积极的情感：
>>> result = english("I like to eat applesauce with sugar and cinnamon.")4、从处理后的结果中收集句子。SpaCy 已识别并处理短语中的实体，这一步为每个句子生成情感（即时在本例中只有一个句子）：
>>> sentences = [str(s) for s in result.sents]
5、使用 vaderSentiments 创建一个分析器：
>>> analyzer = vaderSentiment.SentimentIntensityAnalyzer()
6、对句子进行情感分析：
>>> sentiment = [analyzer.polarity_scores(str(s)) for s in sentences]
sentiment 变量现在包含例句的极性分数。打印出这个值，看看它是如何分析这个句子的。
>>> print(sentiment)[{'neg': 0.0, 'neu': 0.737, 'pos': 0.263, 'compound': 0.3612}]这个结构是什么意思？
表面上，这是一个只有一个字典对象的数组。如果有多个句子，那么每个句子都会对应一个字典对象。字典中有四个键对应不同类型的情感。neg 键表示负面情感，因为在本例中没有报告任何负面情感，0.0 值证明了这一点。neu 键表示中性情感，它的得分相当高，为 0.737（***为 1.0）。pos 键代表积极情感，得分适中，为 0.263。***，cmpound 键代表文本的总体得分，它可以从负数到正数，0.3612 表示积极方面的情感多一点。
要查看这些值可能如何变化，你可以使用已输入的代码做一个小实验。以下代码块显示了如何对类似句子的情感评分的评估。
>>> 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，通过将例句改为非常积极的句子，sentiment 的值发生了巨大变化。
建立一个情感分析服务
现在你已经为情感分析组装了基本的代码块，让我们将这些东西转化为一个简单的服务。
在这个演示中，你将使用 Python Flask 包 创建一个 RESTful HTTP 服务器。此服务将接受英文文本数据并返回情感分析结果。请注意，此示例服务是用于学习所涉及的技术，而不是用于投入生产的东西。
前提条件
配置环境
这个环境几乎与上一节中的环境相同，唯一的区别是在 Python 环境中添加了 Flask 包。
1、安装所需依赖项：
pip install spacy vaderSentiment flask
2、安装 spaCy 的英语语言模型：
python -m spacy download en_core_web_sm
创建应用程序文件
打开编辑器，创建一个名为 app.py 的文件。添加以下内容 （不用担心，我们将解释每一行）：
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)虽然这个源文件不是很大，但它非常密集。让我们来看看这个应用程序的各个部分，并解释它们在做什么。
import flaskimport spacyimport vaderSentiment.vaderSentiment as vader
前三行引入了执行语言分析和 HTTP 框架所需的包。
app = flask.Flask(__name__)analyzer = vader.SentimentIntensityAnalyzer()english = spacy.load("en_core_web_sm")接下来的三行代码创建了一些全局变量。***个变量 app，它是 Flask 用于创建 HTTP 路由的主要入口点。第二个变量 analyzer 与上一个示例中使用的类型相同，它将用于生成情感分数。***一个变量 english 也与上一个示例中使用的类型相同，它将用于注释和标记初始文本输入。
你可能想知道为什么全局声明这些变量。对于 app 变量，这是许多 Flask 应用程序的标准过程。但是，对于 analyzer 和 english 变量，将它们设置为全局变量的决定是基于与所涉及的类关联的加载时间。虽然加载时间可能看起来很短，但是当它在 HTTP 服务器的上下文中运行时，这些延迟会对性能产生负面影响。
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
这部分是服务的核心 —— 一个用于从一串文本生成情感值的函数。你可以看到此函数中的操作对应于你之前在 Python 解释器中运行的命令。这里它们被封装在一个函数定义中，text 源作为文本变量传入，*** sentiments 变量返回给调用者。
@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***一个函数包含了指导 Flask 如何为服务配置 HTTP 服务器的逻辑。它从一行开始，该行将 HTTP 路由 / 与请求方法 POST 和 GET 相关联。
在函数定义行之后，if 子句将检测请求方法是否为 GET。如果用户向服务发送此请求，那么下面的行将返回一条指示如何访问服务器的文本消息。这主要是为了方便最终用户。
下一行使用 flask.request 对象来获取请求的主体，该主体应包含要处理的文本字符串。decode 函数将字节数组转换为可用的格式化字符串。经过解码的文本消息被传递给 get_sentiments 函数以生成情感分数。***，分数通过 HTTP 框架返回给用户。
你现在应该保存文件，如果尚未保存，那么返回 shell。
运行情感服务
一切就绪后，使用 Flask 的内置调试服务器运行服务非常简单。要启动该服务，请从与源文件相同的目录中输入以下命令：
FLASK_APP=app.py flask run
现在，你将在 shell 中看到来自服务器的一些输出，并且服务器将处于运行状态。要测试服务器是否正在运行，你需要打开第二个 shell 并使用 curl 命令。
首先，输入以下命令检查是否打印了指令信息：
curl http://localhost:5000
你应该看到说明消息：
To access this service send a POST request to this URI with the text you want analyzed in the body.
接下来，运行以下命令发送测试消息，查看情感分析：
curl http://localhost:5000 --header "Content-Type: application/json" --data "I love applesauce!"
你从服务器获得的响应应类似于以下内容：
[{"compound": 0.6696, "neg": 0.0, "neu": 0.182, "pos": 0.818}]恭喜！你现在已经实现了一个 RESTful HTTP 情感分析服务。你可以在 GitHub 上找到此服务的参考实现和本文中的所有代码。
继续探索
现在你已经了解了自然语言处理和情感分析背后的原理和机制，下面是进一步发现探索该主题的一些方法。
在 OpenShift 上创建流式情感分析器
虽然创建本地应用程序来研究情绪分析很方便，但是接下来需要能够部署应用程序以实现更广泛的用途。按照Radnaalytics.io 提供的指导和代码进行操作，你将学习如何创建一个情感分析仪，可以容器化并部署到 Kubernetes 平台。你还将了解如何将 Apache Kafka 用作事件驱动消息传递的框架，以及如何将 Apache Spark 用作情绪分析的分布式计算平台。
使用 Twitter API 发现实时数据
虽然 Radanalytics.io 实验室可以生成合成推文流，但你可以不受限于合成数据。事实上，拥有 Twitter 账户的任何人都可以使用 Tweepy Python 包访问 Twitter 流媒体 API 对推文进行情感分析。
上述内容就是怎么使用Python构建可扩展的社交媒体情感分析服务，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。
新闻名称：怎么使用Python构建可扩展的社交媒体情感分析服务
网页链接：
http://cdkjz.cn/article/gepgoo.html
