我正在参与掘金创作者训练营第4期,点击了解活动详情,一起学习吧!
故事背景
友圈一位要做毕设的小姐姐在求助postman怎么用,我就帮她答疑了一下。
我知道她的专业不是计算机相关的,所以很奇怪为什么要用postman。
原来她的毕设是要基于微博上最近10年关于房价的话题数据,来做分析,做未来房价的走势预测,训练模型。
她经过一番调研之后决定用百度的【语言处理技术】,实现基础数据的语义分析,即:情感极性分类结果,0负向、1中性、2正向。
官方提供的是基于postman的演示demo,虽然对咱们专业人士来讲很简答,但是对学文科的小姐姐还是有一定门槛的。
我教会小姐姐postman的使用之后问了她一个问题:
小姐姐你现在虽然知道了怎么用postman,能查询每条数据的语义分析结果。 但是微博关于房价的数据有几十万条,你总不能通过postman来一条一条来操作吧!?
小姐姐蒙了
技术男的春天
我告诉小姐姐不用担心,可以用编程工具来轻松解决,比如Python、Java、PHP都是可以的。
但是沟通下来发现小姐姐对编程并不感冒,虽然之前有学过,但是短时间内实现需求恐怕很困难。
是时候展示真正的技术了。
我便帮她搭建了基于百度AI开放平台的批量语义识别的系统,也算进行了百度【语言处理技术】的开箱测试。
暖男分析
考虑到小姐姐并不是很懂计算机,所以要以最简单的方式来实现需求。
尽量减少代码,能使用工具软件的尽量使用工具软件。
开发语言使用简单易学的PHP
数据库工具使用开箱即用的Navicat
开发环境使用一键安装工具LNMP一键安装包
说干就干,马上开始搞
搞定数据源
小姐姐已经通过某宝拿到了20W+关于房价的微博数据,现在需要做的就是基于语义分析来获得这20W+数据集对房价走势的判断(我们使用了百度提供的【语言处理技术 NLP】服务),通过Navicat直接导入Excel中的数据源即可。
- 首先根据数据源和百度语义接口返回结果,设计mysql表结构。
- 考虑到数据有20万+,利用了mysql的可视化工具[Navicat]导入数据,也方便小姐姐操作。
注意:要做好表格源字段和目标字段的匹配
- 首次导入选择直接追加;后续优化模型重复导入数据时选择更新。
- 点击开始即可导入Excel源数据到mysql数据库中
- 导入完成,在Navicat控制台通过查询命令,共查询到231007条数据
搭建开发环境
考虑到小姐姐最终的目的是训练模型,而非学习编程,所以搭建开发环境还是怎么简单怎么来, 所以我就推荐她使用LNMP一键安装包,10几分钟左右就把LNMP环境搭建好了
撸代码
脚本关键代码及思路:
字段说明:
mysql语句中 liuxx 是数据库名 semantic_analysis是表名
代码设计思路:
使用do while循环,批量循环请求百度AI语义分析接口,查询positive_prob=0的数据(即未进行语义分析的数据)。
当查询不到数据时,说明所有数据已经成功请求百度语义分析接口,且将返回结果更新到数据表中。
注意问题:
每次查询之后都会休眠1秒,因为百度免费版语义分析请求接口有QPS限制,避免出现无效请求
实现流程
查询数据:
-
查询条件是 positive_prob=0(代表本条数据未请求百度接口)
-
查询排序: 根据id倒序
-
查询翻页: 每次查询10条
处理数据,请求百度接口:
- 将查询到的数据进行json_encode()处理,进而请求百度接口
处理百度返回结果
-
异常处理:当百度返回的error_code为282131时,表示文本内容过长,超过了百度语义分析的字数限制。
-
mysql会将不符合百度语义分析的数据源删除,不再重复请求
-
输出返回结果,方便查询信息,定位问题
将返回结果更新到数据表中
-
当百度的返回结果 positive_prob 字段的值不为0时,表示语义分析成功,已返回结果
-
将返回的结果更新到mysql数据表中
批处理脚本核心文件代码:
文件名:batchProcessing.php
<?php
ini_set('memory_limit', '256M'); //内存管理
include '../include/ConfigLiuxx.php'; //引入数据配置文件
include '../include/Db.php';//引入db数据库
include '../include/Logger.php';//引入log文件
include '../include/Request.php';//引入 http请求文件
define('Index_table', 'semantic_analysis'); //设置数据表名 语义分析
$db_liuxx = new Db($db_liuxx); //引入db配置文件
/**
* 百度语义分析脚本
*/
$access_token = "xxxxxxxxxxx"; //百度提供的token
$url = 'https://aip.baidubce.com/rpc/2.0/nlp/v1/sentiment_classify?charset=UTF-8&access_token=' . $access_token; //按百度要求拼接请求url
$limit = 10;
$offset = 0;
do {
$datas = $db_liuxx->get_all('select * from liuxx.semantic_analysis WHERE positive_prob = 0 order by id desc limit ' . $offset . ',' . $limit);
foreach ($datas as $key => $value) {
$id = $value['id'];
$text = $value['text'];
$params = ['text' => $text];
$bodys = json_encode($params);
$response = request_post($url, $bodys);
$res_data = json_decode($response, true);
if ($res_data['error_code'] == 282131) {
$db_liuxx->query('delete from liuxx.semantic_analysis WHERE id = ' . $id);
var_dump($id . ' 文本过长 删除');
}
echo 'id:';
var_dump('百度返回:');
var_dump($res_data);
$data = [
'positive_prob' => $res_data['items'][0]['positive_prob'],
'confidence' => $res_data['items'][0]['confidence'],
'negative_prob' => $res_data['items'][0]['negative_prob'],
'sentiment' => $res_data['items'][0]['sentiment'],
'ctime' => time(),
];
if ($data['positive_prob']) {
var_dump($data);
//更新条件
$condition = 'id = ' . $id;
$res = $db_liuxx->query('update liuxx.semantic_analysis set positive_prob = ' . $data['positive_prob'] . ', confidence = ' . $data['confidence'] . ', negative_prob = ' . $data['negative_prob'] . ', sentiment = ' . $data['sentiment'] . ' where id = ' . $id);
var_dump($res);
} else {
var_dump('百度未返回结果');
};
}
sleep(1);
} while (!empty($datas)); //能查到数据就一直循环
?>
/**
* 发起http post请求(REST API), 并获取REST请求的结果
* @param string $url
* @param string $param
* @return - http response body if succeeds, else false.
*/
function request_post($url = '', $param = '')
{
if (empty($url) || empty($param)) {
return false;
}
$postUrl = $url;
$curlPost = $param;
// 初始化curl
$curl = curl_init();
// 抓取指定网页
curl_setopt($curl, CURLOPT_URL, $postUrl);
// 设置header
curl_setopt($curl, CURLOPT_HEADER, 0);
// 要求结果为字符串且输出到屏幕上
curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false);
// post提交方式
curl_setopt($curl, CURLOPT_POST, 1);
curl_setopt($curl, CURLOPT_POSTFIELDS, $curlPost);
// 运行curl
$data = curl_exec($curl);
curl_close($curl);
return $data;
}
复制代码
执行批处理脚本
nohup:表示脚本生成的log日志和打印信息输出到nohup.log文件中
&:表示脚本后台运行
nohup php batchProcessing.php &
复制代码
获得结果
脚本运行完毕后,即可在mysql中查询到经百度语义分析接口处理过的数据,结果示例如下图:
导出数据
通过Navcat工具,小姐姐就可以方便的将mysql数据结果导出到Excel。
总结
编程真的是太有用了,对咱们这种每天都编程撸代码的技术人感触可能没那么深刻。
但是对小姐姐这种非计算机专业的人来讲,这套语义分析批处理系统真的帮了她大忙了。
用小姐姐的话讲,这下她不用头秃了。
基于编程技术,用最简单高效的方式,解决现实生活中遇到的问题,这就是攻城狮
的价值所在吧。
最后
感谢阅读,欢迎大家三连:点赞、收藏、投币(关注)!!!