學習如何使用 spaCy、vaderSentiment、Flask 和 Python 來為你的作品新增情感分析能力。
本系列的提供了情感分析工作原理的一些背景知識，現在讓我們研究如何將這些功能新增到你的設計中。
pip 命令在開始編寫程式碼之前，你需要安裝 spaCy 和 vaderSentiment 包來設定 Python 環境，同時下載一個語言模型來幫助你分析。幸運的是，大部分操作都容易在命令列中完成。
在 shell 中，輸入以下命令來安裝 spaCy 和 vaderSentiment 包：
pip install spacy vaderSentiment命令安裝完成後，安裝 spaCy 可用於文字分析的語言模型。以下命令將使用 spaCy 模組下載並安裝英語模型：
python -m spacy download en_core_web_sm安裝了這些庫和模型之後，就可以開始編碼了。
使用 Python 直譯器互動模式 編寫一些程式碼來分析單個文字片段。首先啟動 Python 環境：
$ pythonPython 3.6.8 (default, Jan 31 2019, 09:38:34)[GCC 8.2.1 20181215 (Red Hat 8.2.1-6)] on linuxType "help", "copyright", "credits" or "license" for more information.>>>（你的 Python 直譯器版本列印可能與此不同。）
1、匯入所需模組：
>>> import spacy>>> from vaderSentiment import vaderSentiment 2、從 spaCy 載入英語語言模型：
>>> english = spacy.load("en_core_web_sm")3、處理一段文字。本例展示了一個非常簡單的句子，我們希望它能給我們帶來些許積極的情感：
>>> result = english("I like to eat applesauce with sugar and cinnamon.")4、從處理後的結果中收集句子。SpaCy 已識別並處理短語中的實體，這一步為每個句子生成情感（即時在本例中只有一個句子）：
>>> sentences = [str(s) for s in result.sents]5、使用 vaderSentiments 建立一個分析器：
>>> analyzer = vaderSentiment.SentimentIntensityAnalyzer()6、對句子進行情感分析：
>>> sentiment = [analyzer.polarity_scores(str(s)) for s in sentences]sentiment 變數現在包含例句的極性分數。列印出這個值，看看它是如何分析這個句子的。
>>> print(sentiment)[{'neg': 0.0, 'neu': 0.737, 'pos': 0.263, 'compound': 0.3612}]這個結構是什麼意思？
表面上，這是一個只有一個字典物件的陣列。如果有多個句子，那麼每個句子都會對應一個字典物件。字典中有四個鍵對應不同型別的情感。neg 鍵表示負面情感，因為在本例中沒有報告任何負面情感，0.0 值證明了這一點。neu 鍵表示中性情感，它的得分相當高，為 0.737（最高為 1.0）。pos 鍵代表積極情感，得分適中，為 0.263。最後，cmpound 鍵代表文字的總體得分，它可以從負數到正數，0.3612 表示積極方面的情感多一點。
要檢視這些值可能如何變化，你可以使用已輸入的程式碼做一個小實驗。以下程式碼塊顯示了如何對類似句子的情感評分的評估。
>>> result = english("I love applesauce!")>>> sentences = [str(s) for s in result.sents]>>> sentiment = [analyzer.polarity_scores(str(s)) for s in sentences]>>> print(sentiment)[{'neg': 0.0, 'neu': 0.182, 'pos': 0.818, 'compound': 0.6696}]你可以看到，通過將例句改為非常積極的句子，sentiment 的值發生了巨大變化。
現在你已經為情感分析組裝了基本的程式碼塊，讓我們將這些東西轉化為一個簡單的服務。
在這個演示中，你將使用 Python Flask 包 建立一個 RESTful HTTP 伺服器。此服務將接受英文文字資料並返回情感分析結果。請注意，此範例服務是用於學習所涉及的技術，而不是用於投入生產的東西。
pip 命令curl 命令這個環境幾乎與上一節中的環境相同，唯一的區別是在 Python 環境中新增了 Flask 包。
1、安裝所需依賴項：
pip install spacy vaderSentiment flask2、安裝 spaCy 的英語語言模型：
python -m spacy download en_core_web_sm開啟編輯器，建立一個名為 app.py 的檔案。新增以下內容 （不用擔心，我們將解釋每一行）：
import flaskimport spacyimport vaderSentiment.vaderSentiment as vaderapp = flask.Flask(__name__)analyzer = vader.SentimentIntensityAnalyzer()english = spacy.load("en_core_web_sm")def get_sentiments(text): result = english(text) sentences = [str(sent) for sent in result.sents] sentiments = [analyzer.polarity_scores(str(s)) for s in sentences] return [email protected]("/", methods=["POST", "GET"])def index(): if flask.request.method == "GET": return "To access this service send a POST request to this URL with" \ " the text you want analyzed in the body." body = flask.request.data.decode("utf-8") sentiments = get_sentiments(body) return flask.json.dumps(sentiments)雖然這個原始檔不是很大，但它非常密集。讓我們來看看這個應用程式的各個部分，並解釋它們在做什麼。
import flaskimport spacyimport vaderSentiment.vaderSentiment as vader前三行引入了執行語言分析和 HTTP 框架所需的包。
app = flask.Flask(__name__)analyzer = vader.SentimentIntensityAnalyzer()english = spacy.load("en_core_web_sm")接下來的三行程式碼建立了一些全域性變數。第一個變數 app，它是 Flask 用於建立 HTTP 路由的主要入口點。第二個變數 analyzer 與上一個範例中使用的型別相同，它將用於生成情感分數。最後一個變數 english 也與上一個範例中使用的型別相同，它將用於注釋和標記初始文字輸入。
你可能想知道為什麼全域性宣告這些變數。對於 app 變數，這是許多 Flask 應用程式的標準過程。但是，對於 analyzer 和 english 變數，將它們設定為全域性變數的決定是基於與所涉及的類關聯的載入時間。雖然載入時間可能看起來很短，但是當它在 HTTP 伺服器的上下文中執行時，這些延遲會對效能產生負面影響。
def get_sentiments(text): result = english(text) sentences = [str(sent) for sent in result.sents] sentiments = [analyzer.polarity_scores(str(s)) for s in sentences] return sentiments這部分是服務的核心 —— 一個用於從一串文字生成情感值的函數。你可以看到此函數中的操作對應於你之前在 Python 直譯器中執行的命令。這裡它們被封裝在一個函數定義中，text 源作為文字變數傳入，最後 sentiments 變數返回給呼叫者。
@app.route("/", methods=["POST", "GET"])def index(): if flask.request.method == "GET": return "To access this service send a POST request to this URL with" \ " the text you want analyzed in the body." body = flask.request.data.decode("utf-8") sentiments = get_sentiments(body) return flask.json.dumps(sentiments)原始檔的最後一個函數包含了指導 Flask 如何為服務設定 HTTP 伺服器的邏輯。它從一行開始，該行將 HTTP 路由 / 與請求方法 POST 和 GET 相關聯。
在函數定義行之後，if 子句將檢測請求方法是否為 GET。如果使用者向服務傳送此請求，那麼下面的行將返回一條指示如何存取伺服器的文字訊息。這主要是為了方便終端使用者。
下一行使用 flask.request 物件來獲取請求的主體，該主體應包含要處理的文字字串。decode 函數將位元組陣列轉換為可用的格式化字串。經過解碼的文字訊息被傳遞給 get_sentiments 函數以生成情感分數。最後，分數通過 HTTP 框架返回給使用者。
你現在應該儲存檔案，如果尚未儲存，那麼返回 shell。
一切就緒後，使用 Flask 的內建偵錯伺服器執行服務非常簡單。要啟動該服務，請從與原始檔相同的目錄中輸入以下命令：
FLASK_APP=app.py flask run現在，你將在 shell 中看到來自伺服器的一些輸出，並且伺服器將處於執行狀態。要測試伺服器是否正在執行，你需要開啟第二個 shell 並使用 curl 命令。
首先，輸入以下命令檢查是否列印了指令資訊：
curl http://localhost:5000你應該看到說明訊息：
To access this service send a POST request to this URI with the text you want analyzed in the body.接下來，執行以下命令傳送測試訊息，檢視情感分析：
curl http://localhost:5000 --header "Content-Type: application/json" --data "I love applesauce!"你從伺服器獲得的響應應類似於以下內容：
[{"compound": 0.6696, "neg": 0.0, "neu": 0.182, "pos": 0.818}]恭喜！你現在已經實現了一個 RESTful HTTP 情感分析服務。你可以在 GitHub 上找到此服務的參考實現和本文中的所有程式碼。
現在你已經了解了自然語言處理和情感分析背後的原理和機制，下面是進一步發現探索該主題的一些方法。
雖然建立本地應用程式來研究情緒分析很方便，但是接下來需要能夠部署應用程式以實現更廣泛的用途。按照Radnaalytics.io 提供的指導和程式碼進行操作，你將學習如何建立一個情感分析儀，可以容器化並部署到 Kubernetes 平台。你還將了解如何將 Apache Kafka 用作事件驅動訊息傳遞的框架，以及如何將 Apache Spark 用作情緒分析的分散式計算平台。
雖然 Radanalytics.io 實驗室可以生成合成推文流，但你可以不受限於合成資料。事實上，擁有 Twitter 賬戶的任何人都可以使用 Tweepy Python 包存取 Twitter 串流媒體 API 對推文進行情感分析。