python简单实现天猫手机评论标签提取--自然语言处理

作为国产机的脑残粉，这次试试用自然语言处理的方法简单的提取手机评论的标签。大概步骤：

1. 爬取手机的10万条评论文本
2. 结巴中文分词，提取前20个频率高的名词+形容词
3. 结巴分词，去停用词，制作语料库
4. gensim自然语言处理库的word2vec，训练语料库，计算各个名词和形容词之间的相似度，得出前20相似度最高的组合短语

1.爬取手机的10万条评论文本

天猫的评论数据并非直接在评论页中网页点击右键“查看网页源代码”，你会发现这样是不能直接获取到评论文本的，因为天猫的评论数据是异步存储在一个JS连接里面的。
具体操作可以参考原文的–[通过Python抓取天猫评论数据]

我的操作可简化，只需要文本就好，不需要时间、型号什么的。
直接贴代码：

#!/usr/bin/python
#-*-coding:utf-8-*-
# 导入所需的开发模块
import requests
import re
from bs4 import BeautifulSoup,NavigableString
import time
import random

# 创建循环链接
urls = []
for i in list(range(0,6000)):
    urls.append('https://rate.tmall.com/list_detail_rate.htm?itemId=534715680661&spuId=649678568&sellerId=1114511827&order=3&currentPage=%s'%i)

#伪装浏览器
homepage = 'https://detail.tmall.com/item.htm?spm=a1z10.3-b-s.w4011-15291748836.71.6de0f6b7FVqGYN&id=534715680661&rn=923b06965813887ae5b9b07a6f062f3e&abbucket=2&sku_properties=10004:653780895;5919063:6536025'
headers = {'User-Agent': 'Mozilla/5.0 (X11; Ubuntu; Linux x86_64; rv:41.0) Gecko/20100101 Firefox/41.0'}
cookies = requests.get(homepage,headers=headers).cookies

ratecontent = []

# 循环抓取数据
for url in urls:
#    content=(requests.get(url).text)
    r = requests.get(url,headers=headers,cookies=cookies).text
    ratecontent.extend(re.findall(re.compile('"rateContent":"(.*?)","rateDate"'),r))   #正则化提取评论内容
    print(url)
    time.sleep(random.uniform(3,8))

file =open('荣耀8天猫评论.csv','w')
for i in ratecontent:
    file.write(i+'\n')
file.close()

我获取的评论文本是这样的，挺顺利的，分部分去爬取比较不容易被反爬虫

2.结巴中文分词提取关键词

建议认真读读官网，挺容易上手的–结巴分词官网

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import jieba
import jieba.analyse
import logging

logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=logging.INFO)  #设置日志
content = open('/mnt/share/jieba_test/荣耀8天猫评论.csv','rb').read()
tagsA = jieba.analyse.extract_tags(content, topK=20,allowPOS='a')    #allowPOS是选择提取的词性，a是形容词
tagsN = jieba.analyse.extract_tags(content, topK=20, allowPOS='n')   #allowPOS='n'，提取名词

这是关键词的截图

其中‘棒棒’识别成了名词哈！后期我们可以制定结巴分词的词库进行纠正。这也是结巴分词的功能之一。

3.制作语料库

import pandas as pd
import numpy as np
import logging
import codecs

words=jieba.lcut(content,cut_all=False)   #分词，精确模式

#去停用词，先自己网上找中文停用词，制作好“停用词表.txt”
stopwords = []  
for word in open("/mnt/share/jieba_test/stopword.txt", "r"):  
    stopwords.append(word.strip())  
stayed_line = ""  
for word in words:  
    if word not in stopwords:  
        stayed_line += word + " "   

#保存预料
file=open('/mnt/share/jieba_test/corpus.txt','wb')
file.write(stayed_line.encode("utf-8"))
file.close()

分词后的语料是这样的，分词很重要！非常影响word2vec的训练效果

4.深度学习word2vec训练评论语料

word2vec官网：https://code.google.com/p/word2vec/
word2vec的使用，Python，利用gensim模块。
语料不大，普通配置的电脑都可以，一两分钟的事情。
直接上代码：

from gensim.models import word2vec

sentences = word2vec.Text8Corpus('/mnt/share/jieba_test/corpus.txt')  # 加载刚刚制作好的语料
model = word2vec.Word2Vec(sentences, size=200)  # 默认window=5

commit_index=pd.DataFrame(columns=['commit','similarity'],index=np.arange(100))  

index=0
for i in tagsN:
    for j in tagsA:
        commit_index.loc[index,:]=[i+j,model.similarity(i,j)]
        index+=1

comit_index_final=commit_index.sort(columns='similarity',ascending=False)
comit_index_final.index=commit_index.index

出来的结果是这样的，还不错，虽然有几个组合是比较奇怪哈哈

总结：

1. 由于时间问题，我只处理1万条评论文本
2. 后期可增加评论文本，越大越好！
3. 分词时候可以添加自己的库，比如说‘荣耀8’应该为同一个词，而不应该分为‘荣耀’和‘8’；再比如说，可以设置‘棒棒’应该识别为形容词，而不是名词哈。
4. 后面可以增加同义词分析，‘成色不错’和‘外观很好’应该为同一类等等。
5. 这次主要心得还是jieba和word2vec的功能确实很强大！
6. 这次是试试手，肯定会有更好的办法，希望大家再指教指教，文中如有错误请提出，写得比较匆忙。