构建情绪分析应用程序

概述

在本指南中，您将学习如何构建和运行情绪分析应用程序。您将使用 Python 和自然语言工具包 (NLTK) 构建应用程序，然后设置环境并使用 Docker 运行应用程序。

该应用程序使用 NLTK 的 SentimentIntensityAnalyzer 分析用户输入文本的情绪，并输出情绪是正面、负面还是中性。

先决条件

  • 您已安装最新版本的 Docker Desktop。 Docker 定期添加新功能，本指南的某些部分可能仅适用于最新版本的 Docker Desktop。
  • 您有一个 Git 客户端。本节中的示例使用基于命令行的 Git 客户端，但您可以使用任何客户端。

获取示例应用程序

  1. 打开终端，然后使用以下命令克隆示例应用程序的存储库。

    $ git clone https://github.com/harsh4870/Docker-NLP.git

  2. 验证您是否克隆了存储库。

    您应该在目录中看到以下文件Docker-NLP。

    01_sentiment_analysis.py
02_name_entity_recognition.py
03_text_classification.py
04_text_summarization.py
05_language_translation.py
entrypoint.sh
requirements.txt
Dockerfile
README.md

探索应用程序代码

情绪分析应用程序的源代码位于该Docker-NLP/01_sentiment_analysis.py文件中。在文本或代码编辑器中打开01_sentiment_analysis.py，按以下步骤探索其内容。

  1. 导入所需的库。

    import nltk
from nltk.sentiment import SentimentIntensityAnalyzer
import ssl
    • nltk：这是自然语言工具包库，用于在 Python 中处理人类语言数据。
    • SentimentIntensityAnalyzer：这是 NLTK 的一个特定工具，用于确定一段文本的情绪。
    • ssl：此模块提供对用于安全 Web 连接的传输层安全（加密）功能的访问。

  2. 处理 SSL 证书验证。

    try:
    _create_unverified_https_context = ssl._create_unverified_context
except AttributeError:
    pass
else:
    ssl._create_default_https_context = _create_unverified_https_context

    此块是针对某些环境的解决方法，在这些环境中，由于 SSL 证书验证问题，通过 NLTK 下载数据可能会失败。它告诉 Python 忽略 HTTPS 请求的 SSL 证书验证。

  3. 下载 NLTK 资源。

    nltk.download('vader_lexicon')
nltk.download('punkt')
    • vader_lexiconSentimentIntensityAnalyzer ：这是用于情感分析的词典。
    • punkt：NLTK 使用它来标记句子。这是SentimentIntensityAnalyzer正常运行所必需的。

  4. 创建情感分析功能。

    def perform_semantic_analysis(text):
    sid = SentimentIntensityAnalyzer()
    sentiment_score = sid.polarity_scores(text)

    if sentiment_score['compound'] >= 0.05:
        return "Positive"
    elif sentiment_score['compound'] <= -0.05:
        return "Negative"
    else:
        return "Neutral"
    • SentimentIntensityAnalyzer()创建分析器的实例。
    • polarity_scores(text)生成输入文本的情感分数。

    该函数根据复合分数返回Positive、Negative或Neutral 。

  5. 创建主循环。

    if __name__ == "__main__":
    while True:
        input_text = input("Enter the text for semantic analysis (type 'exit' to end): ")

        if input_text.lower() == 'exit':
            print("Exiting...")
            break

        result = perform_semantic_analysis(input_text)
        print(f"Sentiment: {result}")

    脚本的这一部分运行无限循环以接受用户输入进行分析。如果用户键入exit，则程序终止。否则，它会打印出所提供文本的情绪。

  6. 创造requirements.txt。

    示例应用程序已包含 requirements.txt用于指定应用程序导入的必要包的文件。requirements.txt在代码或文本编辑器中打开以探索其内容。

    # 01 sentiment_analysis
nltk==3.6.5

...

    情感分析应用程序只nltk需要该包。

探索应用环境

您将使用 Docker 在容器中运行应用程序。 Docker 允许您对应用程序进行容器化，为运行它提供一致且隔离的环境。这意味着应用程序将在其 Docker 容器内按预期运行，无论底层系统有何差异。

要在容器中运行应用程序，需要 Dockerfile。 Dockerfile 是一个文本文档，其中包含您在命令行上调用以组装映像的所有命令。镜像是一个只读模板，包含创建 Docker 容器的说明。

示例应用程序已包含一个Dockerfile.Dockerfile在代码或文本编辑器中打开以浏览其内容。

以下步骤解释了 的每个部分Dockerfile。有关更多详细信息，请参阅 Dockerfile 参考。

  1. 指定基础图像。

    FROM python:3.8-slim

    该命令为构建奠定了基础。python:3.8-slim是 Python 3.8 映像的轻量级版本，针对大小和速度进行了优化。使用这个纤薄的镜像可以减少 Docker 镜像的整体大小，从而加快下载速度并减少安全漏洞的表面积。这对于基于 Python 的应用程序特别有用，您可能不需要完整的标准 Python 映像。

  2. 设置工作目录。

    WORKDIR /app

    WORKDIR设置 Docker 映像中的当前工作目录。通过将其设置为/app，可以确保 Dockerfile 中的所有后续命令（例如COPY和RUN）都在此目录中执行。这也有助于组织 Docker 映像，因为所有与应用程序相关的文件都包含在特定目录中。

  3. 将需求文件复制到映像中。

    COPY requirements.txt /app

    该COPY命令将requirements.txt文件从本地计算机传输到 Docker 映像中。该文件列出了应用程序所需的所有 Python 依赖项。将其复制到容器中可以让下一个命令 ( RUN pip install) 在映像环境中安装这些依赖项。

  4. 在映像中安装 Python 依赖项。

    RUN pip install --no-cache-dir -r requirements.txt

    此行使用pipPython 的软件包安装程序来安装 中列出的软件包requirements.txt。该--no-cache-dir选项禁用缓存，从而通过不存储不必要的缓存数据来减小 Docker 映像的大小。

  5. 运行附加命令。

    RUN python -m spacy download en_core_web_sm

    此步骤特定于需要 spaCy 库的 NLP 应用程序。它下载en_core_web_sm模型，这是 spaCy 的小型英语模型。虽然此应用程序不需要它，但包含它是为了与可能使用此 Dockerfile 的其他 NLP 应用程序兼容。

  6. 将应用程序代码复制到图像中。

    COPY *.py /app
COPY entrypoint.sh /app

    这些命令将您的 Python 脚本和entrypoint.sh脚本复制到图像的/app目录中。这很重要，因为容器需要这些脚本来运行应用程序。该entrypoint.sh脚本特别重要，因为它指示应用程序如何在容器内启动。

  7. 设置entrypoint.sh脚本的权限。

    RUN chmod +x /app/entrypoint.sh

    此命令修改 的文件权限entrypoint.sh，使其可执行。此步骤是确保 Docker 容器可以运行此脚本来启动应用程序所必需的。

  8. 设置入口点。

    ENTRYPOINT ["/app/entrypoint.sh"]

    该ENTRYPOINT指令将容器配置entrypoint.sh 为作为默认可执行文件运行。这意味着当容器启动时，它会自动执行脚本。

    您可以entrypoint.sh通过在代码或文本编辑器中打开脚本来探索该脚本。由于示例包含多个应用程序，因此该脚本允许您指定在容器启动时运行哪个应用程序。

运行应用程序

要使用 Docker 运行应用程序：

  1. 建立形象。

    在终端中，在所在目录中运行以下命令Dockerfile。

    $ docker build -t basic-nlp .

    以下是该命令的细分：

    • docker build：这是用于从 Dockerfile 和上下文构建 Docker 映像的主要命令。上下文通常是指定位置的一组文件，通常是包含 Dockerfile 的目录。
    • -t basic-nlp：这是一个用于标记图像的选项。旗帜-t代表标签。它为图像分配一个名称，在本例中为 basic-nlp.标签是稍后引用图像的便捷方法，尤其是在将它们推送到注册表或运行容器时。
    • .：这是命令的最后一部分，指定构建上下文。句点 ( .) 表示当前目录。 Docker 将在此目录中查找 Dockerfile。构建上下文（在本例中为当前目录）被发送到 Docker 守护进程以启用构建。它包括指定目录中的所有文件和子目录。

    Docker 在构建镜像时会向控制台输出多个日志。您将看到它下载并安装依赖项。根据您的网络连接，这可能需要几分钟的时间。 Docker 确实具有缓存功能，因此后续构建可以更快。完成后控制台将返回到提示符。

    有关更多详细信息，请参阅 docker build CLI 参考。

  2. 将图像作为容器运行。

    在终端中，运行以下命令。

    $ docker run -it basic-nlp 01_sentiment_analysis.py

    以下是该命令的细分：

    • docker run：这是用于从 Docker 映像运行新容器的主要命令。
    • -it：这是两个选项的组合：
      • -i或--interactive：即使未连接，这也会使标准输入 (STDIN) 保持打开状态。它让容器保持在前台运行并具有交互性。
      • -tor --tty：这会分配一个伪 TTY，本质上是模拟终端，如命令提示符或 shell。它可以让您与容器内的应用程序进行交互。
    • basic-nlp：指定用于创建容器的 Docker 映像的名称。在本例中，它是basic-nlp您使用命令创建的名为的图像docker build。
    • 01_sentiment_analysis.py：这是您要在 Docker 容器内运行的脚本。它被传递给entrypoint.sh脚本，脚本在容器启动时运行它。

    有关更多详细信息，请参阅 docker run CLI 参考。

    笔记

    对于 Windows 用户，运行容器时可能会出现错误。验证行结尾是entrypoint.sh( LF)\n而不是CRLF( \r\n)，然后重建图像。有关更多详细信息，请参阅 避免意外的语法错误，对容器中的文件使用 Unix 样式行结尾。

    容器启动后，您将在控制台中看到以下内容。

    Enter the text for semantic analysis (type 'exit' to end):

  3. 测试应用程序。

    输入评论以获取情绪分析。

    Enter the text for semantic analysis (type 'exit' to end): I love containers!
Sentiment: Positive
Enter the text for semantic analysis (type 'exit' to end): I'm still learning about containers.
Sentiment: Neutral

概括

在本指南中，您学习了如何构建和运行情绪分析应用程序。您学习了如何使用 Python 和 NLTK 构建应用程序，然后设置环境并使用 Docker 运行应用程序。

相关信息：

下一步

探索更多 自然语言处理指南。