构建文本识别应用程序

概述

在本指南中，您将学习如何创建和运行文本识别应用程序。您将使用 Python 以及 scikit-learn 和自然语言工具包 (NLTK) 来构建应用程序。然后，您将设置环境并使用 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。它允许用户输入文本，然后对文本进行处理以确定其情绪，将其分类为正面或负面。此外，它还根据预定义的数据集显示其情感分析模型的准确性和详细的分类报告。

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

文本分类应用程序的源代码位于该Docker-NLP/03_text_classification.py文件中。在文本或代码编辑器中打开03_text_classification.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
from sklearn.metrics import accuracy_score, classification_report
from sklearn.model_selection import train_test_split
import ssl
    • nltk：用于自然语言处理 (NLP) 的流行 Python 库。
    • SentimentIntensityAnalyzernltk：情感分析的一个组件。
    • accuracy_score, classification_report：scikit-learn 中用于评估模型的函数。
    • train_test_split：scikit-learn 中的函数，用于将数据集拆分为训练集和测试集。
    • ssl：用于处理下载数据时可能出现的 SSL 证书问题nltk。

  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')

    这是用于情感分析的vader_lexicon词典。SentimentIntensityAnalyzer

  4. 定义用于测试的文本和相应的标签。

    texts = [...]
labels = [0, 1, 2, 0, 1, 2]

    本节定义了一个小型文本数据集及其相应的标签（0 表示正面，1 表示负面，2 表示垃圾邮件）。

  5. 分割测试数据。

    X_train, X_test, y_train, y_test = train_test_split(texts, labels, test_size=0.2, random_state=42)

    这部分将数据集分为训练集和测试集，其中20%的数据作为测试集。由于此应用程序使用预先训练的模型，因此它不会训练模型。

  6. 设置情绪分析。

    sia = SentimentIntensityAnalyzer()

    此代码初始化 来SentimentIntensityAnalyzer分析文本的情感。

  7. 生成测试数据的预测和分类。

    vader_predictions = [sia.polarity_scores(text)["compound"] for text in X_test]
threshold = 0.2
vader_classifications = [0 if score > threshold else 1 for score in vader_predictions]

    这部分为测试集中的每个文本生成情感分数，并根据阈值将它们分类为正面或负面。

  8. 评估模型。

    accuracy = accuracy_score(y_test, vader_classifications)
report_vader = classification_report(y_test, vader_classifications, zero_division='warn')

    这部分计算预测的准确性和分类报告。

  9. 指定主要执行块。

    if __name__ == "__main__":

    这个 Python 习惯用法确保仅当该脚本是主程序时以下代码块才运行。它提供了灵活性，允许脚本既作为独立程序又作为导入模块运行。

  10. 创建无限循环以进行连续输入。

       while True:
    input_text = input("Enter the text for classification (type 'exit' to end): ")

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

    这个 while 循环无限期地运行，直到它被明确破坏为止。它允许用户连续输入文本以进行实体识别，直到他们决定退出。

  11. 分析文本。

            input_text_score = sia.polarity_scores(input_text)["compound"]
        input_text_classification = 0 if input_text_score > threshold else 1

  12. 打印 VADER 分类报告和情绪分析。

            print(f"Accuracy: {accuracy:.2f}")
        print("\nVADER Classification Report:")
        print(report_vader)

        print(f"\nTest Text (Positive): '{input_text}'")
        print(f"Predicted Sentiment: {'Positive' if input_text_classification == 0 else 'Negative'}")

  13. 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

...

# 03 text_classification
scikit-learn==1.3.2

...

    文本分类应用程序需要nltk和模块。scikit-learn

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。

    有关更多详细信息，请参阅 docker build CLI 参考。

    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。

  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 03_text_classification.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。
    • 03_text_classification.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 classification (type 'exit' to end):

  3. 测试应用程序。

    输入一些文本以获取文本分类。

    Enter the text for classification (type 'exit' to end): I love containers!
Accuracy: 1.00

VADER Classification Report:
              precision    recall  f1-score   support

           0       1.00      1.00      1.00         1
           1       1.00      1.00      1.00         1

    accuracy                           1.00         2
   macro avg       1.00      1.00      1.00         2
weighted avg       1.00      1.00      1.00         2

Test Text (Positive): 'I love containers!'
Predicted Sentiment: Positive

概括

在本指南中，您学习了如何构建和运行文本分类应用程序。您学习了如何使用 Python 以及 scikit-learn 和 NLTK 来构建应用程序。然后您学习了如何使用 Docker 设置环境并运行应用程序。

相关信息：

下一步

探索更多 自然语言处理指南。