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实现自动化Word文档样式复制与内容生成

《Python实现自动化Word文档样式复制与内容生成》在办公自动化领域,高效处理Word文档的样式和内容复制是一个常见需求,本文将展示如何利用Python的python-docx库实现... 目录一、为什么需要自动化 Word 文档处理二、核心功能实现:样式与表格的深度复制1. 表格复制(含样式与内容)2

python获取cmd环境变量值的实现代码

《python获取cmd环境变量值的实现代码》:本文主要介绍在Python中获取命令行(cmd)环境变量的值,可以使用标准库中的os模块,需要的朋友可以参考下... 前言全局说明在执行py过程中,总要使用到系统环境变量一、说明1.1 环境:Windows 11 家庭版 24H2 26100.4061

Python中文件读取操作漏洞深度解析与防护指南

《Python中文件读取操作漏洞深度解析与防护指南》在Web应用开发中,文件操作是最基础也最危险的功能之一,这篇文章将全面剖析Python环境中常见的文件读取漏洞类型,成因及防护方案,感兴趣的小伙伴可... 目录引言一、静态资源处理中的路径穿越漏洞1.1 典型漏洞场景1.2 os.path.join()的陷

Python数据分析与可视化的全面指南(从数据清洗到图表呈现)

《Python数据分析与可视化的全面指南(从数据清洗到图表呈现)》Python是数据分析与可视化领域中最受欢迎的编程语言之一,凭借其丰富的库和工具,Python能够帮助我们快速处理、分析数据并生成高质... 目录一、数据采集与初步探索二、数据清洗的七种武器1. 缺失值处理策略2. 异常值检测与修正3. 数据

Python中bisect_left 函数实现高效插入与有序列表管理

《Python中bisect_left函数实现高效插入与有序列表管理》Python的bisect_left函数通过二分查找高效定位有序列表插入位置,与bisect_right的区别在于处理重复元素时... 目录一、bisect_left 基本介绍1.1 函数定义1.2 核心功能二、bisect_left 与

Python使用Tkinter打造一个完整的桌面应用

《Python使用Tkinter打造一个完整的桌面应用》在Python生态中,Tkinter就像一把瑞士军刀,它没有花哨的特效,却能快速搭建出实用的图形界面,作为Python自带的标准库,无需安装即可... 目录一、界面搭建:像搭积木一样组合控件二、菜单系统:给应用装上“控制中枢”三、事件驱动:让界面“活”

VSCode设置python SDK路径的实现步骤

《VSCode设置pythonSDK路径的实现步骤》本文主要介绍了VSCode设置pythonSDK路径的实现步骤,包括命令面板切换、settings.json配置、环境变量及虚拟环境处理,具有一定... 目录一、通过命令面板快速切换(推荐方法)二、通过 settings.json 配置(项目级/全局)三、

Python struct.unpack() 用法及常见错误详解

《Pythonstruct.unpack()用法及常见错误详解》struct.unpack()是Python中用于将二进制数据(字节序列)解析为Python数据类型的函数,通常与struct.pa... 目录一、函数语法二、格式字符串详解三、使用示例示例 1:解析整数和浮点数示例 2:解析字符串示例 3:解

Python程序打包exe,单文件和多文件方式

《Python程序打包exe,单文件和多文件方式》:本文主要介绍Python程序打包exe,单文件和多文件方式,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方,望不吝赐教... 目录python 脚本打成exe文件安装Pyinstaller准备一个ico图标打包方式一(适用于文件较少的程

Macos创建python虚拟环境的详细步骤教学

《Macos创建python虚拟环境的详细步骤教学》在macOS上创建Python虚拟环境主要通过Python内置的venv模块实现,也可使用第三方工具如virtualenv,下面小编来和大家简单聊聊... 目录一、使用 python 内置 venv 模块(推荐)二、使用 virtualenv(兼容旧版 P