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

Python结合PyWebView库打造跨平台桌面应用

《Python结合PyWebView库打造跨平台桌面应用》随着Web技术的发展,将HTML/CSS/JavaScript与Python结合构建桌面应用成为可能,本文将系统讲解如何使用PyWebView... 目录一、技术原理与优势分析1.1 架构原理1.2 核心优势二、开发环境搭建2.1 安装依赖2.2 验

一文详解如何在Python中从字符串中提取部分内容

《一文详解如何在Python中从字符串中提取部分内容》:本文主要介绍如何在Python中从字符串中提取部分内容的相关资料,包括使用正则表达式、Pyparsing库、AST(抽象语法树)、字符串操作... 目录前言解决方案方法一:使用正则表达式方法二:使用 Pyparsing方法三:使用 AST方法四:使用字

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1:集合(set)去重法(最快速)方法2:顺序遍历法(保持顺序)方法3:副本删除法(原地修改)方法4:

Python运行中频繁出现Restart提示的解决办法

《Python运行中频繁出现Restart提示的解决办法》在编程的世界里,遇到各种奇怪的问题是家常便饭,但是,当你的Python程序在运行过程中频繁出现“Restart”提示时,这可能不仅仅是令人头疼... 目录问题描述代码示例无限循环递归调用内存泄漏解决方案1. 检查代码逻辑无限循环递归调用内存泄漏2.

Python中判断对象是否为空的方法

《Python中判断对象是否为空的方法》在Python开发中,判断对象是否为“空”是高频操作,但看似简单的需求却暗藏玄机,从None到空容器,从零值到自定义对象的“假值”状态,不同场景下的“空”需要精... 目录一、python中的“空”值体系二、精准判定方法对比三、常见误区解析四、进阶处理技巧五、性能优化

使用Python构建一个Hexo博客发布工具

《使用Python构建一个Hexo博客发布工具》虽然Hexo的命令行工具非常强大,但对于日常的博客撰写和发布过程,我总觉得缺少一个直观的图形界面来简化操作,下面我们就来看看如何使用Python构建一个... 目录引言Hexo博客系统简介设计需求技术选择代码实现主框架界面设计核心功能实现1. 发布文章2. 加

python logging模块详解及其日志定时清理方式

《pythonlogging模块详解及其日志定时清理方式》:本文主要介绍pythonlogging模块详解及其日志定时清理方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地... 目录python logging模块及日志定时清理1.创建logger对象2.logging.basicCo

Python如何自动生成环境依赖包requirements

《Python如何自动生成环境依赖包requirements》:本文主要介绍Python如何自动生成环境依赖包requirements问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑... 目录生成当前 python 环境 安装的所有依赖包1、命令2、常见问题只生成当前 项目 的所有依赖包1、

如何将Python彻底卸载的三种方法

《如何将Python彻底卸载的三种方法》通常我们在一些软件的使用上有碰壁,第一反应就是卸载重装,所以有小伙伴就问我Python怎么卸载才能彻底卸载干净,今天这篇文章,小编就来教大家如何彻底卸载Pyth... 目录软件卸载①方法:②方法:③方法:清理相关文件夹软件卸载①方法:首先,在安装python时,下

python uv包管理小结

《pythonuv包管理小结》uv是一个高性能的Python包管理工具,它不仅能够高效地处理包管理和依赖解析,还提供了对Python版本管理的支持,本文主要介绍了pythonuv包管理小结,具有一... 目录安装 uv使用 uv 管理 python 版本安装指定版本的 Python查看已安装的 Python