调用百度自然语言接口实现文本分析

目标：

1.掌握SDK文档的使用

2.强化tkinter图像界面的编辑

ttk.Treeview()创建列表，以及树状结构

3.递归函数的使用

百度参考文档：https://ai.baidu.com/docs#/NLP-Python-SDK/top

图形界面

源代码

# 导包
from aip import AipNlp        #百度文本分析api
from tkinter import *         #python界面开发
from tkinter import ttk
from tkinter.filedialog import askopenfilename,askdirectoryclass Text_analysis():"""SDK开发"""def __init__(self):# 参数初始化化""" 你的 APPID AK SK """self.APP_ID = '175243421'self.API_KEY =  'QvXanIzUbqWTmQQhkqDGG3WY'self.SECRET_KEY = 'LtbuUbj7yk9NxX86QN1iO3XcAc7gl4ln'self.client = AipNlp(self.APP_ID, self.API_KEY, self.SECRET_KEY)self.myWindow = Tk()self.text_1=StringVar()self.text_2=StringVar()self.text_3 = StringVar() #短文本相似度self.text_4 = StringVar()  # 词向量self.text_5 = StringVar()  # 词1self.text_6 = StringVar()  # 词2self.text_7 = StringVar()  # 词相似结果self.text_8 = StringVar()  # 文本标题self.model=StringVar()   #文本相似度模型self.model_1=StringVar() #文本相似度模型self.industry=StringVar() #行业self.tree_list=[]self.tree_dict={}def tree(self,value):# self.tree=ttk.Treeview()tree={}postag={'Ag':'形语素','g':'语素','ns':'地名'    ,'u':'助词','a':  '形容词','h':'前接成分'    ,'nt':  '机构团体', 'vg':'动语素','ad':    '副形词',  'i':    '成语',   'nz':   '其他专名', 'v':    '动词','an'   :'名形词', 'j':    '简称略语', 'o':    '拟声词',  'vd':   '副动词','b':  '区别词',  'k':    '后接成分'  ,'p':   '介词',   'vn':   '名动词','c':  '连词',   'l':    '习用语',  'q':    '量词',   'w':    '标点符号','dg':    '副语素',  'm':    '数词',   'r':    '代词',   'x' :'非语素字','d':    '副词'    ,'Ng':  '名语素',  's' :'处所词', 'y':    '语气词','e':  '叹词',   'n':    '名词',   'tg':   '时语素',  'z':    '状态词','f':  '方位词',  'nr':   '人名',   't':    '时间词',  'un':   '未知词'}deprel={ 'ATT':'定中关系','QUN':'数量关系','COO':'并列关系','APP':'同位关系','ADJ':'附加关系','VOB': '动宾关系', 'POB': '介宾关系', 'SBV': '主谓关系', 'SIM': '比拟关系', 'TMP': '时间关系','LOC': '处所关系', 'DE': '“的”字结构', 'DI': '“地”字结构', 'DEI': '“得”字结构', 'SUO': '“所”字结构','BA': '“把”字结构', 'BEI': '“被”字结构', 'ADV': '状中结构', 'CMP': '动补结构', 'DBL': '兼语结构','CNJ': '关联词', 'CS': '关联结构', 'MT': '语态结构', 'VV': '连谓结构', 'HED': '核心', 'FOB': '前置宾语','DOB': '双宾语', 'TOP': '主题', 'IS': '独立结构', 'IC': '独立分句', 'DC': '依存分句', 'VNV': '叠词关系','YGC': '一个词', 'WP': '标点'}# print(value)if len(value)>0:for item in value:if len(self.tree_list)==0:if item['head']==0:name_1='head_'+str(item['id'])self.tree_list.append('head_'+str(item['id']))# print('插入一级树'+str(item['word']))# self.tree_dict[name_1]=self.tree_3.insert("",item['id'],text=str(item['word'])+'('+deprel[item['deprel']]+')',values=(str(item['id'])),open=True)self.tree_dict[name_1] = self.tree_3.insert("", item['id'],text=str(item['word']) + '(' + deprel[item['deprel']] + ')', open=True)value.remove(item)breakelif 'head_'+str(item['head']) in self.tree_list:name_2 = 'head_' + str(item['id'])self.tree_list.append('head_' + str(item['id']))# self.tree_dict[name_2] = self.tree_3.insert(self.tree_dict['head_'+str(item['head'])], 'end', text=str(item['word'])+'('+deprel[item['deprel']]+')', values=(str(item['id'])),open=True)self.tree_dict[name_2] = self.tree_3.insert(self.tree_dict['head_' + str(item['head'])], 'end',text=str(item['word']) + '(' + deprel[ item['deprel']] + ')', open=True)# print('插入下一级树'+str(item['word']))value.remove(item)breakself.tree(value)return Nonedef lexical_analysis(self):'''词法分析:return:'''pos={'n': '普通名词', 'f':    '方位名词', 's':    '处所名词', 't':    '时间名词','nr':    '人名',   'ns':   '地名',   'nt'    :'机构团体名',   'nw':   '作品名','nz': '其他专名', 'v':    '普通动词', 'vd':   '动副词',  'vn':   '名动词','a':  '形容词',  'ad':   '副形词',  'an':   '名形词',  'd':    '副词','m':   '数量词',  'q':    '量词',   'r':    '代词',   'p':    '介词','c'    :'连词','u'   :   '助词',   'xc':   '其他虚词', 'w':    '标点符号'}ne={'PER':   '人名',   'LOC':  '地名',   'ORG':  '机构名',  'TIME': '时间'}items = self.tree_1.get_children()[self.tree_1.delete(item) for item in items]text = self.text_1.get()# print(text)""" 调用词法分析 """results=self.client.lexer(text)if 'error_code'in results:print(results)else:for i,result in enumerate(results['items']):if len(result['pos']):string_1=pos[result['pos']]elif len(result['ne']):string_1=ne[result['ne']]self.tree_1.insert('', i, values=(str(i+1),result['item'],string_1,'/'.join(result['basic_words'])))# tree.bind("<Double-1>", onDBClick) #绑定按键功能# self.tree_1.pack()def syntax_analysis(self):'''依存句法分析:return:'''self.tree_list.clear()self.tree_dict.clear()items = self.tree_3.get_children()[self.tree_3.delete(item) for item in items]text=self.text_1.get()mode={'Web模型':0,'Query模型':1}""" 如果有可选参数 """options = {}options["mode"] = mode[self.com_1.get()]""" 带参数调用依存句法分析 """results=self.client.depParser(text, options)# print(results)self.tree(results["items"])# print(result)def language_model(self):'''语言模型:return:'''items = self.tree_2.get_children()[self.tree_2.delete(item) for item in items]text = self.text_1.get()""" 调用DNN语言模型 """results=self.client.dnnlm(text)self.text_2.set(results['ppl'])for i, result in enumerate(results['items']):self.tree_2.insert('', i, values=(str(i + 1), result["word"], result["prob"]))def text_similar(self):'''短文本相似度:return:'''text1=self.text_21.get(1.0,5.0)text2=self.text_22.get(1.0,5.0)options = {}options["model"] = self.com.get()""" 带参数调用短文本相似度 """result=self.client.simnet(text1, text2,options )self.text_3.set(result['score'])# print('计算短文本相似度')def commentary_get(self):'''评论观点抽取:return:'''sentiments = {0: '消极', 1: '中性', 2: '积极'}self.text_32.delete(1.0, 'end')  # 删除文本框内容text=self.text_31.get(1.0,5.0)indust_dict={'酒店':1, 'KTV':2,'丽人':3,'美食餐饮':4,'旅游':5,'健康':6,'教育':7,'商业':8,'房产':9,'汽车':10,'生活':11,'购物':12,'3C':13}options = {}options["type"] = indust_dict[self.com_31.get()]""" 带参数调用评论观点抽取 """result=self.client.commentTag(text, options)# print(result)x=len(result['items'])-1i=0for item in result['items']:a='观点倾向：'+str(sentiments[item['sentiment']])+'\n'+'短句摘要：'+item['abstract']+'\n'+'匹配属性词：'+item['prop']+'\n'+'匹配描述词：'+item['adj']+'\n'# print(a)self.text_32.insert('insert',a)if i<x:self.text_32.insert('insert','-'*50+'\n')i=i+1# print('评论观点抽取')def emotion_analysis(self):'''情感分析:return:'''self.text_32.delete(1.0,'end')  #删除文本框内容sentiments={0:'负向',1:'中性',2:'正向'}text = self.text_31.get(1.0, 5.0)""" 调用情感倾向分析 """result=self.client.sentimentClassify(text)# print(result)sentiment=sentiments[result['items'][0]['sentiment']]confidence=result['items'][0]['confidence']self.text_32.insert('insert','情感分析：{} '.format(sentiment))self.text_32.insert('insert','\n')self.text_32.insert('insert', '置信度：{}'.format(confidence))def word_vector(self):'''词向量的求解:return:'''word=self.text_4.get()""" 调用词向量表示 """result=self.client.wordEmbedding(word)# print(result['vec'])for vector in result['vec']:# print(vector)self.text_41.insert('insert', vector)self.text_41.insert('insert','\n')def word_similar(self):'''词向量的相似度:return:'''word1 = self.text_5.get()word2 = self.text_6.get()# print(word1)# print(word2)""" 调用词义相似度 """result=self.client.wordSimEmbedding(word1, word2)self.text_7.set(result['score'])def document_label(self):'''文档标签:return:'''self.text_62.delete(1.0, 'end')title = self.text_8.get()content = self.text_61.get(1.0,5.0)# print(title)# print(content)""" 调用文章标签 """result=self.client.keyword(title, content)for item in result['items']:self.text_62.insert('insert',str(item['tag'])+':'+str(item['score']))self.text_62.insert('insert', '\n')def document_class(self):"""文档分类:return:"""self.text_62.delete(1.0,'end')title = self.text_8.get()content = self.text_61.get(1.0, 5.0)# print(content)""" 调用文章分类 """result=self.client.topic(title, content)lv1_tag=result['item']['lv1_tag_list'][0]lv2_tag=result['item']['lv2_tag_list'][0]self.text_62.insert('insert', '一级分类结果')self.text_62.insert('insert', '\n')self.text_62.insert('insert', '  '+str(lv1_tag['tag']) + ':' + str(lv1_tag['score']))self.text_62.insert('insert', '\n')self.text_62.insert('insert', '二级分类结果')self.text_62.insert('insert', '\n')self.text_62.insert('insert', '  ' + str(lv2_tag['tag']) + ':' + str(lv2_tag['score']))self.text_62.insert('insert', '\n')def interface(self):'''绘制界面:return:'''self.myWindow.title('自然语言处理演示程序')  # 修改窗口标题self.myWindow.geometry("1200x600+150+100")  # 修改窗口大小 width*height+xoffset+yoffset# 创建五个标签容器#frm_1 = LabelFrame(self.myWindow, text='语法分析/依存句法分析/DNN语言模型', width=360, height=580)frm_1 = LabelFrame(self.myWindow, text='语法分析/依存句法分析/DNN语言模型', width=280, height=550)frm_1.grid(row=0, column=0, ipadx=5, ipady=10, padx=10, pady=10,rowspan=3)frm_2 = LabelFrame(self.myWindow, text='短文本相似度', width=520, height=150)frm_2.grid(row=0, column=1,ipadx=5, padx=10, pady=10,columnspan=2)frm_3 = LabelFrame(self.myWindow, text='评论观点/情感倾向分析', width=520, height=180)frm_3.grid(row=1, column=1,ipadx=5, padx=10, pady=10,columnspan=2)frm_4 = LabelFrame(self.myWindow, text='词向量', width=260, height=180)frm_4.grid(row=2, column=1,ipadx=5, padx=10, pady=10,columnspan=1)frm_5 = LabelFrame(self.myWindow, text='词向量相似度', width=260, height=180)frm_5.grid(row=2, column=2,ipadx=5, padx=10, pady=10,columnspan=1)frm_6 = LabelFrame(self.myWindow, text='文章标签/文章分类', width=300, height=550)frm_6.grid(row=0, column=3,ipadx=5, ipady=10, padx=10, pady=10,rowspan=3)#frm_1控件编辑Entry(frm_1, textvariable=self.text_1, width=40).grid(row=0, column=0, sticky='EW', pady=5, padx=5,columnspan=3)self.text_1.set('我们在北航学习人工智能')  #设定默认值Button(frm_1, text='词法分析', command=self.lexical_analysis, width=10, height=1).grid(row=1, column=0, sticky='E',pady=5, padx=5,columnspan=3)text1=Text(frm_1, width=40, height=10)text1.grid(row=2, column=0, sticky='EW',pady=5, padx=5,columnspan=3)#建立词法分析树self.tree_1=ttk.Treeview(text1,height=5, columns=('col1','col2','col3','col4'),show='headings')self.tree_1.column('col1', width=40, anchor='center')self.tree_1.column('col2', width=90, anchor='center')self.tree_1.column('col3', width=90, anchor='center')self.tree_1.column('col4', width=90, anchor='center')self.tree_1.heading('col1', text='序号')self.tree_1.heading('col2', text='分词')self.tree_1.heading('col3', text='词性')self.tree_1.heading('col4', text='基本词')self.tree_1.grid(row=0, column=0, sticky='EW')Label(frm_1, text="分析模型").grid(row=3, column=0, pady=5, padx=5)self.com_1 = ttk.Combobox(frm_1, textvariable=self.model, value=['Web模型', 'Query模型'], width=10, height=1)self.com_1.current(0)self.com_1.grid(row=3, column=1, pady=5, padx=5)Button(frm_1, text='依存句法分析', command=self.syntax_analysis, width=10).grid(row=3, column=2,pady=5, padx=5)text_12=Text(frm_1, width=40, height=8)text_12.grid(row=4, column=0, sticky='EW', pady=5, padx=5, columnspan=3)self.tree_3  = ttk.Treeview(text_12,height=5,show='tree', columns=('col1'))self.tree_3.column('col1', width=100, anchor='center')self.tree_3.grid(row=0, column=0, sticky='EW')Label(frm_1, text="句子通顺值").grid(row=5, column=0, pady=5, padx=5)Entry(frm_1,textvariable=self.text_2).grid(row=5, column=1, pady=5, padx=5)Button(frm_1, text='DNN语言模型', command=self.language_model, width=10).grid(row=5, column=2, pady=5, padx=5)text_13=Text(frm_1, width=40, height=8)text_13.grid(row=6, column=0, sticky='EW', pady=5, padx=5, columnspan=3)# 建立语言模型树self.tree_2 = ttk.Treeview(text_13, height=4, columns=('col1', 'col2', 'col3'), show='headings')self.tree_2.column('col1', width=40, anchor='center')self.tree_2.column('col2', width=130, anchor='center')self.tree_2.column('col3', width=140, anchor='center')self.tree_2.heading('col1', text='序号')self.tree_2.heading('col2', text='分词')self.tree_2.heading('col3', text='概率值')self.tree_2.grid(row=0, column=0, sticky='EW')# frm_2控件编辑self.text_21=Text(frm_2, width=25, height=8)self.text_21.grid(row=0, column=0, sticky='EW', pady=5, padx=5, columnspan=3)self.text_21.insert(INSERT,'创建好账号后，在正式调用AI能力之前，需要您创建一下应用，这个是调用服务的基础能力单元，不可或缺哦')self.text_22=Text(frm_2, width=25, height=8)self.text_22.grid(row=0, column=4, sticky='EW', pady=5, padx=5, columnspan=3)self.text_22.insert(INSERT,'创建帐户后，需要在调用AI之前创建应用程序。这是呼叫服务的基本能力单位。这是不可缺少的')Label(frm_2, text="计算模型", width=8).grid(row=1, column=0, pady=5, padx=5)self.com = ttk.Combobox(frm_2, textvariable=self.model_1, value=['BOW', 'GRNN','CNN'], width=8)self.com.current(0)self.com.grid(row=1, column=1, pady=5, padx=5)Button(frm_2, text='短文本相似度', command=self.text_similar, width=11).grid(row=1, column=2, pady=5,padx=5, columnspan=2)Label(frm_2, text="结果", width=8).grid(row=1, column=4, pady=5, padx=5)Entry(frm_2, textvariable=self.text_3, width=17).grid(row=1, column=5, pady=5, padx=5, columnspan=2)# frm_3控件编辑self.text_31=Text(frm_3, width=65, height=4)self.text_31.grid(row=0, column=0, sticky='EW', pady=5, padx=5, columnspan=5)self.text_31.insert(INSERT,'个人觉得这车不错，外观漂亮年轻，动力和操控性都很好')Label(frm_3, text="行业：", width=4).grid(row=1, column=0, pady=5, padx=5, sticky='W')indust_list=['酒店', 'KTV', '丽人', '美食餐厅', '旅游', '健康', '教育', '商业', '房产', '汽车', '生活', '购物', '3C']self.com_31 = ttk.Combobox(frm_3, textvariable=self.industry, value=indust_list, width=8)self.com_31.current(9)self.com_31.grid(row=1, column=1, pady=5, padx=5, sticky='EW')Button(frm_3, text='评论观点抽取', command=self.commentary_get,width=12).grid(row=1, column=3, pady=5,padx=5, sticky='EW')Button(frm_3, text='情感倾向分析', command=self.emotion_analysis,width=12).grid(row=1, column=4, pady=5,padx=5)self.text_32=Text(frm_3, width=52, height=4)self.text_32.grid(row=2, column=0, sticky='EW', pady=5, padx=5, columnspan=5)# frm_4控件编辑Entry(frm_4, textvariable=self.text_4, width=18).grid(row=0, column=0, pady=5, padx=5)self.text_4.set('智能')Button(frm_4, text='词向量', command=self.word_vector, width=10).grid(row=0, column=1, pady=5, padx=5)self.text_41=Text(frm_4, width=25, height=6)self.text_41.grid(row=1, column=0, sticky='EW', pady=5, padx=5, columnspan=2)# frm_5控件编辑Label(frm_5, text="词1", width=4).grid(row=0, column=0, pady=5, padx=5)Entry(frm_5, textvariable=self.text_5, width=20).grid(row=0, column=1, pady=5, padx=5, columnspan=2)self.text_5.set('打扰')Label(frm_5, text="词2", width=4).grid(row=1, column=0, pady=5, padx=5)Entry(frm_5, textvariable=self.text_6, width=20).grid(row=1, column=1, pady=5, padx=5, columnspan=2)self.text_6.set('打搅')Button(frm_5, text='词义相似度', command=self.word_similar, width=10).grid(row=2, column=2, pady=5, padx=5, sticky='EW')Label(frm_5, text="结果", width=4).grid(row=3, column=0, pady=5, padx=5)Entry(frm_5, textvariable=self.text_7, width=20).grid(row=3, column=1, pady=5, padx=5, columnspan=2)# frm_6控件编辑Label(frm_6, text="文章标题", width=8).grid(row=0, column=0, pady=5, padx=5, sticky='W')Entry(frm_6, textvariable=self.text_8, width=40).grid(row=1, column=0, pady=5, padx=5, columnspan=3)self.text_8.set('欧洲冠军杯足球赛')Label(frm_6, text="文章内容", width=8).grid(row=2, column=0, pady=5, padx=5, sticky='W')self.text_61=Text(frm_6, width=25, height=15)self.text_61.grid(row=3, column=0, sticky='EW', pady=5, padx=5, columnspan=3)self.text_61.insert('insert','欧洲冠军联赛是欧洲足球协会联盟主办的年度足球比赛，代表欧洲俱乐部足球最高荣誉和水平，被认为是全世界最高素质、最具影响力以及最高水平的俱乐部赛事，亦是世界上奖金最高的足球赛事和体育赛事之一。')Button(frm_6, text='文章标签', command=self.document_label, width=10).grid(row=4, column=0, pady=5, padx=5,sticky='EW')Button(frm_6, text='文章分类', command=self.document_class, width=10).grid(row=4, column=2, pady=5, padx=5, sticky='EW')Label(frm_6, text="计算结果", width=8).grid(row=5, column=0, pady=5, padx=5, sticky='W')self.text_62=Text(frm_6, width=25, height=10)self.text_62.grid(row=6, column=0, sticky='EW', pady=5, padx=5, columnspan=3)# 启动主窗口的消息循环self.myWindow.mainloop()if __name__ == '__main__':text=Text_analysis()text.interface()

调用百度自然语言接口实现文本分析相关推荐

百度自然语言接口调用
java调用百度自然语言中文分词接口一.应用创建百度自然语言提供词法分析:提供分词.词性标注.命名实体识别三大功能,等一系列其他功能: 下面记录一下百度自然语言接口调用: 1.首先需要登陆自己百度 ...
Java调用百度AI实现人体属性分析
Java调用百度AI实现人体属性分析好久没有更新了...闲来无事发一下模仿百度AI的人体属性分析. 百度AI效果图如下: 本人开发效果图如下: 界面大家可以忽略........下面讲讲代码实现 1. ...
Python调用百度AI接口用以实现在线语音合成并创建简单的GUI界面生成可执行应用程序
调用百度AI接口用以实现在线语音合成并创建简单的GUI界面生成可执行应用程序 1. 实验环境 Python3.8.Pycharm.window10 2.实验过程 1.首先登陆百度智能云:https ...
php调用天气预报接口,PHP调用百度天气接口API实现查询实时天气
现在,不用守着晚上7点半的时间去看第二天的天气预报,只要你有手机,有网络,便可以轻松查询实时天气,可你知道怎么用PHP实现的吗?本文将带大家学习一种调用百度天气接口的方式,直接在PHP上查看实时天气, ...
php 百度天气接口api接口,PHP调用百度天气接口API实现查询实时天气
现在,不用守着晚上7点半的时间去看第二天的天气预报,只要你有手机,有网络,便可以轻松查询实时天气,可你知道怎么用PHP实现的吗?本文将带大家学习一种调用百度天气接口的方式,直接在PHP上查看实时天气, ...
调用百度AI接口实现图片文字识别
一.准备阶段进入百度AI网址点击这里跳转 ,点击导航栏的开放能力 ---- 文字识别 ---- 通用文字识别,进入文字识别OCR界面. 在文字识别ORC界面点击技术文档进入帮助文档. 在左侧可以 ...
关于调用百度AI接口进行图片识别的实现（C#）
前言近期由于项目需要对图片的文字进行图像识别,查看了百度的AI接口,可以通过调用百度的AI识别接口进行实现: 一.注册准备 1.在IE上打开下面的网站,点击右上角的注册按钮,注册一个百度账号:百度智 ...
调用百度ai接口实现图片文字识别详解
调用百度ai接口实现图片文字识别详解首先先介绍一下这篇博文是干嘛的,为了不浪费大家时间.公司最近和短视频公司合作,需要监控app的截图上的文字是否符合规范,也就是确保其没有违规的文字.到网上找了一些 ...
如何用python调用百度云接口实例
python可以通过python+Opencv来实现很多图片变换之类的工作,因为OpenCV库的功能可以说是相当强大,很多功能都可以完成.但是实现起来需要自己造轮子,所以很费时间和精力,我们可以直接学 ...

调用百度自然语言接口实现文本分析

调用百度自然语言接口实现文本分析相关推荐

最新文章

热门文章