【小沐学NLP】Python实现聊天机器人（ChatterBot，集成web服务）

已于 2023-05-20 15:35:00 修改
阅读量2.9k 收藏 27
点赞数 1
分类专栏： Python AI 文章标签： python 自然语言处理 机器人 人工智能 nlp
于 2023-05-08 20:32:54 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hhy321/article/details/130191525
版权
Python 同时被 2 个专栏收录
109 篇文章 101 订阅
订阅专栏
AI
38 篇文章 5 订阅
订阅专栏
🍺NLP开发系列相关文章编写如下🍺：
1🎈【小沐学NLP】Python实现词云图🎈
2🎈【小沐学NLP】Python实现图片文字识别🎈
3🎈【小沐学NLP】Python实现中文、英文分词🎈
4🎈【小沐学NLP】Python实现聊天机器人（ELIZA））🎈
5🎈【小沐学NLP】Python实现聊天机器人（ALICE）🎈
6🎈【小沐学NLP】Python实现聊天机器人（微软Azure）🎈
7🎈【小沐学NLP】Python实现聊天机器人（微软小冰）🎈
8🎈【小沐学NLP】Python实现聊天机器人（钉钉机器人）🎈
9🎈【小沐学NLP】Python实现聊天机器人（微信机器人）🎈
10🎈【小沐学NLP】Python实现聊天机器人（Selenium、七嘴八舌）🎈
11🎈【小沐学NLP】Python实现聊天机器人（若干在线聊天机器人）🎈
12🎈【小沐学NLP】Python实现聊天机器人（ChatterBot，代码示例）🎈
13🎈【小沐学NLP】Python实现聊天机器人（ChatterBot，集成前端页面）🎈
14🎈【小沐学NLP】Python实现聊天机器人（ChatterBot，集成web服务）🎈

文章目录

1、简介

1.1 flask

Flask诞生于2010年， Armin Ronacher的一个愚人节玩笑。不过现在已经是一个用python语言基于Werkzeug工具箱编写的轻量级web开发框架，它主要面向需求简单，项目周期短的小应用。
在这里插入图片描述
Flask扩展包：

Flask-SQLalchemy：操作数据库；
Flask-migrate：管理迁移数据库；
Flask-Mail:邮件；
Flask-WTF：表单；
Flask-script：插入脚本；
Flask-Login：认证用户状态；
Flask-RESTful：开发REST API的工具；
Flask-Bootstrap：集成前端Twitter Bootstrap框架；
Flask-Moment：本地化日期和时间；

1.2 django

Django 是一个由 Python 编写的一个开放源代码的 Web 应用框架。
在这里插入图片描述

使用 Django，只要很少的代码，Python 的程序开发人员就可以轻松地完成一个正式网站所需要的大部分内容，并进一步开发出全功能的 Web 服务 Django 本身基于 MVC 模型，即 Model（模型）+ View（视图）+ Controller（控制器）设计模式，MVC 模式使后续对程序的修改和扩展简化，并且使程序某一部分的重复利用成为可能。
在这里插入图片描述

  • 简易图：
    在这里插入图片描述
  • 用户操作流程图：
    在这里插入图片描述
    Django 的 MTV 模式本质上和 MVC 是一样的，也是为了各组件间保持松耦合关系，只是定义上有些许不同，Django 的 MTV 分别是指：

M 表示模型（Model）：编写程序应有的功能，负责业务对象与数据库的映射(ORM)。
T 表示模板 (Template)：负责如何把页面(html)展示给用户。
V 表示视图（View）：负责业务逻辑，并在适当时候调用 Model和 Template。

  • 简易图：
    在这里插入图片描述
  • 用户操作流程图：
    在这里插入图片描述

1.3 fastapi

2、web框架

2.1 基于flask的示例

安装：

pip install flask

在这里插入图片描述
导入Flask和ChatterBot库，并创建应用：

from flask import Flask, request, jsonify
from chatterbot import ChatBot
from chatterbot.trainers import ChatterBotCorpusTrainer

app = Flask(__name__)

配置ChatterBot机器人，并进行训练：

bot = ChatBot('My Bot')

trainer = ChatterBotCorpusTrainer(bot)
trainer.train('chatterbot.corpus.english')

创建路由，响应GET请求并返回首页html：

@app.route('/')
def home():
    return '''<h1>My Bot</h1>
    <form method="POST" action="/get">
        <input type="text" name="msg" />
        <input type="submit" value="送出" />
    </form>'''

创建路由，响应POST请求并返回ChatterBot机器人的回答：

@app.route('/get', methods=['POST'])
def chat():
    user_text = request.form['msg']
    bot_text = bot.get_response(user_text)
    return jsonify({"msg": str(bot_text)})

运行Flask应用：

if __name__ == '__main__':
    app.run(debug=True)

在浏览器中输入URL地址，即可访问对应的视图函数和ChatterBot机器人响应用户输入的问答。

完整的测试脚本：

  • app.py:
from flask import Flask, render_template, request
from chatterbot import ChatBot
from chatterbot.trainers import ChatterBotCorpusTrainer

app = Flask(__name__)

english_bot = ChatBot("Chatterbot", storage_adapter="chatterbot.storage.SQLStorageAdapter")
trainer = ChatterBotCorpusTrainer(english_bot)
trainer.train("chatterbot.corpus.english")

@app.route("/")
def home():
    return render_template("index.html")

@app.route("/get")
def get_bot_response():
    userText = request.args.get('msg')
    return str(english_bot.get_response(userText))

if __name__ == "__main__":
    app.run()

在这里插入图片描述

2.2 基于Django的示例

安装：

pip install django

在这里插入图片描述

测试脚本：

错误：ERRORS: ?: (admin.E408) ‘django.contrib.auth.middleware.AuthenticationMiddleware’ must be in MIDDLEW。

解答：
主要是修改官方文档中的settings.py文件。

"""
MIDDLEWARE_CLASSES = (
    'django.contrib.sessions.middleware.SessionMiddleware',
    'django.middleware.common.CommonMiddleware',
    'django.contrib.auth.middleware.AuthenticationMiddleware',
    'django.contrib.auth.middleware.SessionAuthenticationMiddleware',
    'django.contrib.messages.middleware.MessageMiddleware',
    'django.middleware.clickjacking.XFrameOptionsMiddleware',
    'django.middleware.security.SecurityMiddleware',
)
"""
MIDDLEWARE = [  
    'django.middleware.security.SecurityMiddleware',
    'django.contrib.sessions.middleware.SessionMiddleware',
    'django.middleware.common.CommonMiddleware',
    #'django.middleware.csrf.CsrfViewMiddleware',
    'django.contrib.auth.middleware.AuthenticationMiddleware',
    # 'django.contrib.auth.middleware.SessionAuthenticationMiddleware',
    'django.contrib.messages.middleware.MessageMiddleware',
    'django.middleware.clickjacking.XFrameOptionsMiddleware',
]

另外，要配置chatterbot信息。

## 'name'是已经训练好的chatterbot的name。
## 数学公式计算和时间获取要写注释，
## 当没有与输入最匹配的文字输出时，
## chatterbot的逻辑是会输出当前时间的，这样看上去会比较诡异。
CHATTERBOT = {
    'name': 'Ron Obvious',
    'django_app_name': 'django_chatterbot',
    'logic_adapters': [
        'chatterbot.logic.BestMatch',
        #'chatterbot.logic.MathematicalEvaluation',
        #'chatterbot.logic.TimeLogicAdapter',
        
    ]
}
总结一下： 改变的地方有3处 - MIDDLEWARE_CLASSES->MIDDLEWARE - 元组()改成列表[] - 'django.contrib.auth.middleware.SessionAuthenticationMiddleware',在Django新版本中删除 修改完成后 ，需要同步数据库信息: 
python manage.py migrate

指定本机端口运行服务:

python manage.py runserver 9000

运行结果：
在这里插入图片描述
在这里插入图片描述
总结：
创建测试django项目：

django-admin startproject mychatbot

在这里插入图片描述
在这里插入图片描述

安装和设置ChatterBot：

pip install chatterbot

修改settings.py文件：

# mychatbot/settings.py
INSTALLED_APPS = [
    # ...
    'chatterbot.ext.django_chatterbot',
]

MIDDLEWARE = [
    # ...
    'chatterbot.ext.django_chatterbot.middleware.ChatBotResponseMiddleware',
]

CHATTERBOT = {
    'name': 'My ChatterBot',
    'logic_adapters': [
        {
            'adapter': 'chatterbot.logic.MathematicalEvaluation',
        },
        {
            'adapter': 'chatterbot.logic.BestMatch',
        }
    ],
    'trainer': 'chatterbot.trainers.ChatterBotCorpusTrainer',
    'training_data': [
        'chatterbot.corpus.english.greetings',
        'chatterbot.corpus.english.conversations'
    ],
}

创建Django app（假设app名为“myapp”）：

python manage.py startapp myapp

编写views.py文件的代码：

# myapp/views.py
from django.http import JsonResponse
from django.views.decorators.csrf import csrf_exempt
from chatterbot.ext.django_chatterbot import settings
from chatterbot import ChatBot


chatbot = ChatBot(**settings.CHATTERBOT)


@csrf_exempt
def bot(request):
    if request.method == 'POST':
        input_data = request.POST.get('input')
        response_data = chatbot.get_response(input_data).text
        return JsonResponse({'response': response_data})
    else:
        return JsonResponse({'response': 'Error: Invalid request method'})

编写urls.py文件的代码：

# mychatbot/urls.py
from django.conf.urls import url, include


urlpatterns = [
    # ...
    url(r'^myapp/', include('myapp.urls')),
]

# myapp/urls.py
from django.conf.urls import url
from .views import bot


urlpatterns = [
    url(r'^bot/$', bot, name='bot'),
]

运行Django开发服务器：

python manage.py runserver

在浏览器中输入URL地址，即可访问对应的视图函数和ChatterBot机器人响应用户输入的问答。

2.3 基于fastapi的示例

安装FastAPI和ChatterBot：

pip install fastapi chatterbot

导入FastAPI和ChatterBot库：

from fastapi import FastAPI
from fastapi.middleware.cors import CORSMiddleware
from chatterbot import ChatBot
from chatterbot.trainers import ChatterBotCorpusTrainer

创建FastAPI应用和机器人：

app = FastAPI()

bot = ChatBot('My Bot')

trainer = ChatterBotCorpusTrainer(bot)
trainer.train('chatterbot.corpus.english')

设置CORS中间件，允许跨域请求：

origins=["*"] # 或者通过列表指定允许的域名和端口号

app.add_middleware(
    CORSMiddleware,
    allow_origins=origins,
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

创建路由，接收GET请求并返回首页：

@app.get('/')
def home():
    return {'msg': 'Welcome to My Bot!'}

创建路由，接收POST请求并返回机器人的回答：

@app.post('/get')
async def chat(msg: str):
    bot_text = bot.get_response(msg)
    return {'msg': str(bot_text)}

运行FastAPI：

if __name__ == '__main__':
    import uvicorn
    uvicorn.run(app, host='0.0.0.0', port=8000)

在浏览器或者接口测试工具中输入URL地址，即可使用ChatterBot机器人响应用户输入的问答。
完整代码如下：

from fastapi import FastAPI
from fastapi.middleware.cors import CORSMiddleware
from chatterbot import ChatBot
from chatterbot.trainers import ChatterBotCorpusTrainer

app = FastAPI()

bot = ChatBot('My Bot')

trainer = ChatterBotCorpusTrainer(bot)
trainer.train('chatterbot.corpus.english')

origins=["*"] # 或者通过列表指定允许的域名和端口号

app.add_middleware(
    CORSMiddleware,
    allow_origins=origins,
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"],
)

@app.get('/')
def home():
    return {'msg': 'Welcome to My Bot!'}

@app.post('/get')
async def chat(msg: str):
    bot_text = bot.get_response(msg)
    return {'msg': str(bot_text)}

if __name__ == '__main__':
    import uvicorn
    uvicorn.run(app, host='0.0.0.0', port=8000)


结语

如果您觉得该方法或代码有一点点用处，可以给作者点个赞，或打赏杯咖啡；╮(￣▽￣)╭
如果您感觉方法或代码不咋地//(ㄒoㄒ)//，就在评论处留言，作者继续改进；o_O???
如果您需要相关功能的代码定制化开发，可以留言私信作者；(✿◡‿◡)
感谢各位大佬童鞋们的支持！( ´ ▽´ )ﾉ ( ´ ▽´)っ！！！
在这里插入图片描述

爱看书的小沐
关注
  • 1
    点赞
  • 踩
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pythonChatbot:学习使用神经网络和自然语言处理来编写Python聊天机器人代码
03-29
综上所述，“pythonChatbot”项目涵盖了从基础的Python编程到高级的自然语言处理和深度学习技术，为学习和实践聊天机器人提供了一个全面的平台。通过这个项目，你可以深入理解聊天机器人的工作原理，并掌握构建自己...
Python-ChatterBot是一个能够自我训练学习多种语言的聊天机器人
08-09
ChatterBot利用了机器学习算法，如NLTK（Natural Language Toolkit）和TextBlob，来处理和理解自然语言。 ChatterBot的训练过程分为两个阶段：初始化训练和自我学习。在初始化训练中，开发者可以提供一个对话日志或...
python-jupyter实现OpenAi语音对话聊天
dfBeautifulLive的博客
11-09 5071
我们需要和ai对话，我们输入文本交给ai返回对应的回答这个功能在predict函数里，然后界面的对话框里我们输入文字回车就会调用我们的predict函数，我们会对返回数据进行封装处理，封装成，成对的对话信息元组列表（数据格式后面会详细的说明，所有看不懂的地方都放心的往后看），并返回到界面上。process_audio函数：接收录音机录音的回馈，然后调用transcribe转换文本，然后将文本给到predict函数，这样就给我们对应的对话结果，放入对应的元组数组里返回给界面。
【NLP开发】Python实现聊天机器人（微信机器人）
爱看书的小沐
06-01 1639
通过腾讯云HiFlow场景连接器，可以零代码的设置企业微信机器人自动/定时发消息的规则，比如：每周五下午6点定时发送周报；收到新的销售线索/报表自动发送消息通知管理群等。
【小沐学NLP】Python实现聊天机器人（ChatterBot，代码示例）
爱看书的小沐
10-05 8537
ChatterBot是Python中基于机器学习的对话对话引擎，可以根据已知对话的集合生成响应。ChatterBot与语言无关的设计允许它被训练成说任何语言。未经训练的聊天机器人实例开始时不知道如何进行通信。每次用户输入语句时，库都会保存他们输入的文本以及语句所响应的文本。随着 ChatterBot 接收到更多输入，它可以回复的响应数以及每个响应相对于输入语句的准确性也会增加。
【小沐学NLP】Python实现聊天机器人（ChatterBot，集成前端页面）
爱看书的小沐
05-08 1438
ChatterBot是一个Python库，可以轻松生成自动化 对用户输入的响应。ChatterBot 使用一系列机器学习 产生不同类型响应的算法。这使得它很容易 开发人员创建聊天机器人并自动与用户对话。╮(￣▽￣)╭如果您感觉方法或代码不咋地//(ㄒoㄒ)//，就在评论处留言，作者继续改进；o_O???如果您需要相关功能的代码定制化开发，可以留言私信作者；(✿◡‿◡)！！
【小沐学NLP】Python实现聊天机器人（若干在线聊天机器人）
爱看书的小沐
05-07 1526
AI 聊天机器人使用自然语言处理 (NLP) 来帮助用户通过文本、图形或语音与 Web 服务或应用进行交互。聊天机器人可以理解自然人类语言、模拟人类对话并运行简单的自动化任务。此外，AI 聊天机器人还利用预测智能和分析技术来了解用户的偏好，并利用了解的这些信息来提供建议和预测需求。AI 聊天机器人用于各种渠道，例如消息传递应用、移动应用、网站、电话线路和支持语音的应用。它们可以针对不同目的而开发，无论是仅处理一些简单的命令，还是充当复杂的数字助理和交互式代理。
【小沐学NLP】Python实现聊天机器人（微软Azure机器人服务）
爱看书的小沐
10-03 2480
正因为对话机器人有如此广泛的应用，技术应用也层出不穷。如百度开源的基于检索式机器人的框架AnyQ；Google开源的基于生成式对话系统DeepQA；Facebook开源的基于阅读理解的系统DrQA；北京大学知识库问答系统gAnswer。什么是 Bot Framework SDK？Microsoft Bot Framework和 Azure 机器人服务是库、工具和服务的集合，可用于生成、测试、部署和管理智能机器人。
【小沐学NLP】Python实现聊天机器人（Selenium、七嘴八舌）
爱看书的小沐
02-19 2376
WebDriver 允许你通过模拟用户交互来自动执行 Microsoft Edge。WebDriver 可以使用在浏览器中运行的 JavaScript 不可使用的功能和信息。WebDriver 比 JavaScript 单元测试更准确地模拟用户事件或 OS 级事件。WebDriver 管理单个测试会话中的多个窗口、选项卡、网页。WebDriver 在特定计算机上运行多个 Microsoft Edge 会话。
【小沐学NLP】Python实现聊天机器人（ALICE）
爱看书的小沐
10-02 6869
简单来说，聊天机器人是一种可以模拟和处理人类会话（无论是书面还是口头会话）的计算机程序，让人能够与数字设备交互，就像和真人交流一样。不同聊天机器人的复杂度各不相同，简单如通过单行响应回答简单查询的基本程序，复杂则如数字助手，在收集和处理信息的过程中不断学习和进化，不断提高个性化水平。当前聊天机器人用到的技术：大家常说人工智能的三大要素，包括数据、算法和算力。而在聊天机器人的技术体系下，最关键的三个因素应该是人工、数据和算法。在现阶段，人工是大于数据，更大于算法的。
【小沐学NLP】Python实现聊天机器人（ELIZA）
爱看书的小沐
09-18 8943
聊天机器人可用于实用的目的，如客户服务或资讯获取。有些聊天机器人会搭载自然语言处理系统，但大多简单的系统只会撷取输入的关键字，再从数据库中找寻最合适的应答句。聊天机器人是虚拟助理（如Google智能助理）的一部分，可以与许多组织的应用程序，网站以及即时消息平台（Facebook Messenger）连接。非助理应用程序包括娱乐目的的聊天室，研究和特定产品促销，社交机器人。聊天机器人（chatterbot）是一个用来模拟人类对话或聊天的程序。“Eliza”和 “Parry”是早期非常著名的聊天机器人。
【小沐学NLP】Python实现聊天机器人（微软小冰）
爱看书的小沐
10-18 3405
小冰公司前身为微软（亚洲）互联网工程院人工智能小冰团队，是微软全球最大的人工智能独立产品研发团队。该团队于2013年12月在中国组建，2014年9月扩展建立日本研发分部，团队分布于北京、苏州、东京等地，技术产品覆盖中国、日本及印度尼西亚等多个国家，商业客户覆盖全球范围。小冰”是微软在2014年5月29日发布的人工智能。
基于Python+Django+Chatterbot的网页聊天机器人
06-16
本项目采用Python作为主要编程语言，结合Django框架构建后端服务，并利用Chatterbot库来实现自然语言处理，创建一个智能的网页聊天机器人。 **Python**: Python是一种高级编程语言，以其简洁明了的语法和强大的标准...
python聊天机器人视频课程.doc
07-04
Python聊天机器人是一种基于自然语言处理技术的智能交互系统，它能够理解并回应用户输入的文本信息，模拟人类对话。在Python编程环境下，我们可以利用各种库和框架来构建这样的机器人，如ChatterBot、Rasa、NLTK等。...
Python网络聊天室和聊天机器人程序
01-14
聊天机器人通常涉及到自然语言处理（NLP）和机器学习技术。Python有多个库可以支持这一领域，如NLTK、spaCy和TensorFlow等。一个简单的聊天机器人可以使用预定义的规则或模板来生成回答，更复杂的机器人可能使用机器...
快醒醒，别睡了!...讲《数据分析pandas库》了—/—＜4＞
最新发布
qq_64603703的博客
07-27 729
详细解说数据分析pandas库中的常用方法
全网最详细Gradio教程系列5——Gradio Client: python
shao918516的博客
07-26 1009
程序部署完成后，如何将Gradio App作为API访问使用呢，这就用到Gradio Client。本章讲解Gradio Client的三种使用方式：python、javascript和curl，受字数限制，所以分三篇博客发布。 使用Gradio Python Client非常易于将Gradio应用程序作为API使用，本节讲述gradio_client安装、如何连接Gradio应用程序、查看可用API及其使用方式、job及session等用法。 通过Gradio Python Cli
全面解析 SnowNLP：中文文本处理、情感分析
有勇气的牛排博客
07-24 585
SnowNLP 是一个专门用于处理中文文本的 Python库。分词情感分析关键词提取文本分类拼音转换繁体转简体词相似度计算等测试环境：Python3.10.9尚未测出该功能text = "有勇气的牛排写的文章通俗易懂，爱了爱了"文本分类使用的是 SnowNLP 的情感分析模型。
基于seq2seq模型的聊天机器人开发环境的搭建
07-29
基于seq2seq模型的聊天机器人开发环境的搭建可以分为几个主要步骤。 首先，需要安装Python，建议使用Python 3.x版本。Python是一种常用的编程语言，它有着广泛的库和框架支持，非常适合进行机器学习和自然语言处理任务。 接下来，安装TensorFlow库。TensorFlow是一种流行的深度学习框架，提供了各种用于构建和训练神经网络的工具和函数。可以通过在终端窗口运行"pip install tensorflow"命令来安装TensorFlow。 然后，安装额外的依赖库，如NumPy和NLTK。NumPy是一种用于数值计算的Python库，常用于处理矩阵和向量运算。可以使用"pip install numpy"命令安装。NLTK（自然语言工具包）是一个强大的自然语言处理库，提供了丰富的语言处理功能和数据集。可以使用"pip install nltk"命令安装。 接下来，需要准备训练数据集。可以使用开放的聊天数据集，如Cornell Movie-Dialogs Corpus或Twitter Chat Corpus。这些数据集包含了人与人之间的对话文本，作为聊天机器人的输入输出对。 然后，准备将数据集进行预处理。这包括对文本进行分词、去除特殊字符和标点符号、构建词汇表等。可以使用NLTK库中的函数和方法来实现这些预处理步骤。 接下来，开始构建seq2seq模型。可以使用TensorFlow的高级API——Keras来构建模型。可以使用Embedding层将文本数据转化为向量表示，使用LSTM层来建模序列数据，使用Dense层进行输出。还可以添加一些额外的层和损失函数来提升模型性能。 最后，进行模型的训练和评估。可以使用预处理后的数据集来训练模型，使用交叉熵或其他损失函数进行训练。可以使用一部分数据作为验证集来进行模型的评估和调优。 通过以上步骤，就可以搭建基于seq2seq模型的聊天机器人开发环境。可以通过增加数据量、调整模型架构、调整超参数等方法来进一步优化和改进聊天机器人的性能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值