谣言识别系统(Python):爬虫(bs+rq)+数据处理(jieba分词)+分类器(贝叶斯)

本文主要是介绍谣言识别系统(Python):爬虫(bs+rq)+数据处理(jieba分词)+分类器(贝叶斯),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

谣言识别系统(Python):爬虫(bs+rq)+数据处理(jieba分词)+分类器(贝叶斯)

简介

谣言识别系统是新闻分类系统的后续,这次我补充了正确新闻的数据集,为了体现新闻的绝对正确性,我爬取了澎湃新闻的数据。

谣言的数据集爬取与处理请参考我的新闻处理系统的数据集,请看点开下面的网址。

http://blog.csdn.net/sileixinhua/article/details/74943336

所有的数据集和代码,结果截图都上传至github

https://github.com/sileixinhua/News-classification/

谣言数据集为false,有3183个。

非谣言新闻数据集为true,有1674个。

这个实验结果是99%,我想结果是过于高了,产生了过拟合。可能谣言新闻都是生活类的,非谣言新闻因为都是澎湃新闻的原因,所以用两类完全不同用词的新闻,用贝叶斯也很好区分分类。

开发环境

Beautiful Soup 4.4.0 文档: http://beautifulsoup.readthedocs.io/zh_CN/latest/#id28

Requests : http://cn.python-requests.org/zh_CN/latest/

Python3

sklearn :http://scikit-learn.org/stable/

Windows10

sublime

jieba分词

澎湃新闻的新闻爬去页面分析

图1:澎湃新闻主页页面

这里写图片描述

图2:澎湃新闻的新闻主题内容页面

这里写图片描述

图3:澎湃新闻的新闻主题内容页面的新闻标签内容

这里写图片描述

爬虫策略:

由于新闻内容全部都是在news_txt类名标签中,所以也很好处理,直接

soup_text.find_all(["news_txt"])

获取新闻内容即可。

代码

澎湃新闻的爬取和处理

# 2017年7月13日15:27:02
# silei
# 爬虫目标网站:http://www.thepaper.cn/newsDetail_forward_
# 获取信息BeautifulSoup+request
# 正确新闻的爬去,分词,去停用词# -*- coding:UTF-8 -*-from urllib import request
from bs4 import BeautifulSoup
import re
import sys
import codecs
import jieba
import requestsif __name__ == "__main__":   text_file_number = 0web_url_number = 1701736while web_url_number < 1731414 :get_url = 'http://www.thepaper.cn/newsDetail_forward_'+str(web_url_number)   head = {}   #设置头head['User-Agent'] = 'Mozilla/5.0 (Linux; Android 4.1.1; Nexus 7 Build/JRO03D) AppleWebKit/535.19 (KHTML, like Gecko) Chrome/18.0.1025.166  Safari/535.19'# 模拟浏览器模式,定制请求头download_req_get = request.Request(url = get_url, headers = head)# 设置Requestr = requests.get(get_url)print(get_url)print(r.status_code)download_response_get = request.urlopen(download_req_get)# 设置urlopen获取页面所有内容download_html_get = download_response_get.read().decode('UTF-8','ignore')# UTF-8模式读取获取的页面信息标签和内容soup_text = BeautifulSoup(download_html_get, 'lxml')soup_text.find_all(["news_txt"])# BeautifulSoup读取页面html标签和内容的信息web_text = re.compile("<[^>]+>")content=web_text.sub("", str(soup_text))if soup_text == "" :print('字符串为空')continue# 去除页面标签stoplist = {}.fromkeys([content.strip() for content in open("../data/stopword.txt",encoding= 'UTF-8') ])  # 读取停用词在列表中seg_list = jieba.lcut(content,cut_all=False)# jieba分词精确模式seg_list = [word for word in list(seg_list) if word not in stoplist]  # 去除停用词# print("Default Mode:", "/ ".join(seg_list))file_write = codecs.open('../data/train_data_news/true/'+str(text_file_number)+'.txt','w','UTF-8')# 将信息存储在本地for i in range(len(seg_list)):file_write.write(str(seg_list[i])+'\n')file_write.close()print('写入成功')text_file_number = text_file_number + 1web_url_number = web_url_number + 1

谣言分类识别

# 时间:2017年7月13日17:10:27
# silei
# 正确的新闻个数1674#coding: utf-8
import os
import time
import random
import jieba
import nltk
import sklearn
from sklearn.naive_bayes import MultinomialNB
import numpy as np
import pylab as pl
import matplotlib.pyplot as pltdef MakeWordsSet(words_file):words_set = set()with open(words_file, 'r', encoding='UTF-8') as fp:for line in fp.readlines():word = line.strip()if len(word)>0 and word not in words_set: # 去重words_set.add(word)return words_setdef TextProcessing(folder_path, test_size=0.2):folder_list = os.listdir(folder_path)data_list = []class_list = []# 类间循环for folder in folder_list:new_folder_path = os.path.join(folder_path, folder)files = os.listdir(new_folder_path)# 类内循环j = 0for file in files:if j > 410: # 每类text样本数最多100breakwith open(os.path.join(new_folder_path, file), 'r', encoding='UTF-8') as fp:raw = fp.read()# print raw## --------------------------------------------------------------------------------## jieba分词# jieba.enable_parallel(4) # 开启并行分词模式,参数为并行进程数,不支持windowsword_cut = jieba.cut(raw, cut_all=False) # 精确模式,返回的结构是一个可迭代的genertorword_list = list(word_cut) # genertor转化为list,每个词unicode格式# jieba.disable_parallel() # 关闭并行分词模式# print word_list## --------------------------------------------------------------------------------data_list.append(word_list)class_list.append(folder)j += 1## 划分训练集和测试集# train_data_list, test_data_list, train_class_list, test_class_list = sklearn.cross_validation.train_test_split(data_list, class_list, test_size=test_size)data_class_list = list(zip(data_list, class_list))random.shuffle(data_class_list)index = int(len(data_class_list)*test_size)+1train_list = data_class_list[index:]test_list = data_class_list[:index]train_data_list, train_class_list = zip(*train_list)test_data_list, test_class_list = zip(*test_list)# 统计词频放入all_words_dictall_words_dict = {}for word_list in train_data_list:for word in word_list:if word in all_words_dict:  all_words_dict[word] += 1else:all_words_dict[word] = 1# key函数利用词频进行降序排序all_words_tuple_list = sorted(all_words_dict.items(), key=lambda f:f[1], reverse=True) # 内建函数sorted参数需为listall_words_list = list(zip(*all_words_tuple_list))[0]return all_words_list, train_data_list, test_data_list, train_class_list, test_class_listdef words_dict(all_words_list, deleteN, stopwords_set=set()):# 选取特征词feature_words = []n = 1for t in range(deleteN, len(all_words_list), 1):if n > 1000: # feature_words的维度1000break# print all_words_list[t]if not all_words_list[t].isdigit() and all_words_list[t] not in stopwords_set and 1<len(all_words_list[t])<5:feature_words.append(all_words_list[t])n += 1return feature_wordsdef TextFeatures(train_data_list, test_data_list, feature_words, flag='nltk'):def text_features(text, feature_words):text_words = set(text)## -----------------------------------------------------------------------------------if flag == 'nltk':## nltk特征 dictfeatures = {word:1 if word in text_words else 0 for word in feature_words}elif flag == 'sklearn':## sklearn特征 listfeatures = [1 if word in text_words else 0 for word in feature_words]else:features = []## -----------------------------------------------------------------------------------return featurestrain_feature_list = [text_features(text, feature_words) for text in train_data_list]test_feature_list = [text_features(text, feature_words) for text in test_data_list]return train_feature_list, test_feature_listdef TextClassifier(train_feature_list, test_feature_list, train_class_list, test_class_list, flag='nltk'):## -----------------------------------------------------------------------------------if flag == 'nltk':## nltk分类器train_flist = zip(train_feature_list, train_class_list)test_flist = zip(test_feature_list, test_class_list)classifier = nltk.classify.NaiveBayesClassifier.train(train_flist)# print classifier.classify_many(test_feature_list)# for test_feature in test_feature_list:#     print classifier.classify(test_feature),# print ''test_accuracy = nltk.classify.accuracy(classifier, test_flist)elif flag == 'sklearn':## sklearn分类器classifier = MultinomialNB().fit(train_feature_list, train_class_list)# print classifier.predict(test_feature_list)# for test_feature in test_feature_list:#     print classifier.predict(test_feature)[0],# print ''test_accuracy = classifier.score(test_feature_list, test_class_list)else:test_accuracy = []return test_accuracyif __name__ == '__main__':print("start")## 文本预处理folder_path = 'C:\\Code\\uwasa\\data\\train_data_news'all_words_list, train_data_list, test_data_list, train_class_list, test_class_list = TextProcessing(folder_path, test_size=0.2)# 生成stopwords_setstopwords_file = 'C:\\Code\\uwasa\\data\\stopword.txt'stopwords_set = MakeWordsSet(stopwords_file)## 文本特征提取和分类# flag = 'nltk'flag = 'sklearn'deleteNs = range(0, 1000, 20)test_accuracy_list = []for deleteN in deleteNs:# feature_words = words_dict(all_words_list, deleteN)feature_words = words_dict(all_words_list, deleteN, stopwords_set)train_feature_list, test_feature_list = TextFeatures(train_data_list, test_data_list, feature_words, flag)test_accuracy = TextClassifier(train_feature_list, test_feature_list, train_class_list, test_class_list, flag)test_accuracy_list.append(test_accuracy)print(test_accuracy_list)# 结果评价plt.figure()plt.plot(deleteNs, test_accuracy_list)plt.title('Relationship of deleteNs and test_accuracy')plt.xlabel('deleteNs')plt.ylabel('test_accuracy')plt.savefig('result_rumor.png')print("finished")

结果

这里写图片描述

感想

由于数据集的原因产生了过拟合,有兴趣的同学可以再收集一些新闻,我的两个数据集一个生活养生类的谣言,一个是澎湃新闻,两者差距太大,所以分类结果会过高。

不知不觉从四月开学到现在三个多月过去了,每周的开会和研究报告,学习了整本的《python machine learning》,但是代码还没有全部实现完,马上回家要把PDF书看完,然后回来之后再接着找点实际的数据处理处理。

现在我关注了很多最新论文解说的公众号,的确能有效提高效率,但是我还是找点论文看,英语不能落下。

下一阶段计划有空把Python的网络编程和go语言学习一下。

加油。

——————————————————————————————————-

有学习机器学习相关同学可以加群,交流,学习,不定期更新最新的机器学习pdf书籍等资源。

QQ群号: 657119450

这里写图片描述

这篇关于谣言识别系统(Python):爬虫(bs+rq)+数据处理(jieba分词)+分类器(贝叶斯)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/496620

相关文章

详解如何使用Python提取视频文件中的音频

《详解如何使用Python提取视频文件中的音频》在多媒体处理中,有时我们需要从视频文件中提取音频,本文为大家整理了几种使用Python编程语言提取视频文件中的音频的方法,大家可以根据需要进行选择... 目录引言代码部分方法扩展引言在多媒体处理中,有时我们需要从视频文件中提取音频,以便进一步处理或分析。本文

python多种数据类型输出为Excel文件

《python多种数据类型输出为Excel文件》本文主要介绍了将Python中的列表、元组、字典和集合等数据类型输出到Excel文件中,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参... 目录一.列表List二.字典dict三.集合set四.元组tuplepython中的列表、元组、字典

VSCode配置Anaconda Python环境的实现

《VSCode配置AnacondaPython环境的实现》VisualStudioCode中可以使用Anaconda环境进行Python开发,本文主要介绍了VSCode配置AnacondaPytho... 目录前言一、安装 Visual Studio Code 和 Anaconda二、创建或激活 conda

pytorch+torchvision+python版本对应及环境安装

《pytorch+torchvision+python版本对应及环境安装》本文主要介绍了pytorch+torchvision+python版本对应及环境安装,安装过程中需要注意Numpy版本的降级,... 目录一、版本对应二、安装命令(pip)1. 版本2. 安装全过程3. 命令相关解释参考文章一、版本对

讯飞webapi语音识别接口调用示例代码(python)

《讯飞webapi语音识别接口调用示例代码(python)》:本文主要介绍如何使用Python3调用讯飞WebAPI语音识别接口,重点解决了在处理语音识别结果时判断是否为最后一帧的问题,通过运行代... 目录前言一、环境二、引入库三、代码实例四、运行结果五、总结前言基于python3 讯飞webAPI语音

基于Python开发PDF转PNG的可视化工具

《基于Python开发PDF转PNG的可视化工具》在数字文档处理领域,PDF到图像格式的转换是常见需求,本文介绍如何利用Python的PyMuPDF库和Tkinter框架开发一个带图形界面的PDF转P... 目录一、引言二、功能特性三、技术架构1. 技术栈组成2. 系统架构javascript设计3.效果图

Python如何在Word中生成多种不同类型的图表

《Python如何在Word中生成多种不同类型的图表》Word文档中插入图表不仅能直观呈现数据,还能提升文档的可读性和专业性,本文将介绍如何使用Python在Word文档中创建和自定义各种图表,需要的... 目录在Word中创建柱形图在Word中创建条形图在Word中创建折线图在Word中创建饼图在Word

Python Excel实现自动添加编号

《PythonExcel实现自动添加编号》这篇文章主要为大家详细介绍了如何使用Python在Excel中实现自动添加编号效果,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录1、背景介绍2、库的安装3、核心代码4、完整代码1、背景介绍简单的说,就是在Excel中有一列h=会有重复

Python FastAPI入门安装使用

《PythonFastAPI入门安装使用》FastAPI是一个现代、快速的PythonWeb框架,用于构建API,它基于Python3.6+的类型提示特性,使得代码更加简洁且易于绶护,这篇文章主要介... 目录第一节:FastAPI入门一、FastAPI框架介绍什么是ASGI服务(WSGI)二、FastAP

Python中Windows和macOS文件路径格式不一致的解决方法

《Python中Windows和macOS文件路径格式不一致的解决方法》在Python中,Windows和macOS的文件路径字符串格式不一致主要体现在路径分隔符上,这种差异可能导致跨平台代码在处理文... 目录方法 1:使用 os.path 模块方法 2:使用 pathlib 模块(推荐)方法 3:统一使