建置情緒分析應用程式

目錄

概觀

在本指南中，您將學習如何建置和執行情緒分析應用程式。您將使用 Python 和自然語言工具包 (NLTK) 建置應用程式，然後設定環境並使用 Docker 執行應用程式。

應用程式使用 NLTK 的 SentimentIntensityAnalyzer 分析使用者輸入文字的情緒，並輸出情緒是正面、負面還是中性。

先決條件

  • 您已安裝最新版本的 Docker Desktop。 Docker 會定期新增新功能，本指南的某些部分可能僅適用於最新版本的 Docker Desktop。
  • 您有一個 Git 用戶端。本節中的範例使用基於命令列的 Git 用戶端，但您可以使用任何用戶端。

取得範例應用程式

  1. 開啟終端機，並使用以下命令複製範例應用程式的儲存庫。

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

  2. 驗證您已複製儲存庫。

    您應該在 Docker-NLP 目錄中看到以下檔案。

    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

探索應用程式程式碼

情緒分析應用程式的原始碼位於 Docker-NLP/01_sentiment_analysis.py 檔案中。在文字或程式碼編輯器中開啟 01_sentiment_analysis.py 以在下列步驟中瀏覽其內容。

  1. 匯入必要的程式庫。

    import nltk
from nltk.sentiment import SentimentIntensityAnalyzer
import ssl
    • nltk：這是用於在 Python 中處理人類語言資料的自然語言工具包程式庫。
    • SentimentIntensityAnalyzer：這是 NLTK 中用於判斷一段文字的情緒的特定工具。
    • ssl：此模組提供對用於安全網路連線的傳輸層安全性（加密）函數的存取。

  2. 處理 SSL 憑證驗證。

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

    此區塊是針對某些環境的因應措施，在這些環境中，由於 SSL 憑證驗證問題，透過 NLTK 下載資料可能會失敗。它告訴 Python 忽略 HTTPS 請求的 SSL 憑證驗證。

  3. 下載 NLTK 資源。

    nltk.download('vader_lexicon')
nltk.download('punkt')
    • vader_lexicon：這是 SentimentIntensityAnalyzer 用於情緒分析的詞彙表。
    • punkt：NLTK 使用它來標記句子。這是 SentimentIntensityAnalyzer 正常運作所必需的。

  4. 建立情緒分析函數。

    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() 建立分析器的實例。
    • polarity_scores(text) 產生輸入文字的情緒分數。

    該函數根據複合分數返回**正面**、**負面**或**中性**。

  5. 建立主迴圈。

    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}")

    指令碼的這一部分執行一個無限迴圈以接受使用者輸入進行分析。如果使用者輸入 exit，程式將終止。否則，它會印出所提供文字的情緒。

  6. 建立 requirements.txt。

    範例應用程式已包含 requirements.txt 檔案，用於指定應用程式匯入所需的套件。在程式碼或文字編輯器中開啟 requirements.txt 以瀏覽其內容。

    # 01 sentiment_analysis
nltk==3.6.5

...

    情緒分析應用程式只需要 nltk 套件。

探索應用程式環境

您將使用 Docker 在容器中執行應用程式。 Docker 可讓您將應用程式容器化，提供一致且隔離的環境來執行它。這表示應用程式將在其 Docker 容器內按預期運作，無論底層系統差異如何。

要在容器中執行應用程式，需要一個 Dockerfile。 Dockerfile 是一個文字文件，其中包含您在命令列上呼叫以組合映像的所有命令。映像是一個唯讀範本，其中包含用於建立 Docker 容器的說明。

範例應用程式已包含一個 Dockerfile。在程式碼或文字編輯器中開啟 Dockerfile 以瀏覽其內容。

以下步驟說明了 Dockerfile 的每個部分。如需更多詳細資訊，請參閱 Dockerfile 參考。

  1. 指定基礎映像。

    FROM python:3.8-slim

    此命令設定建置的基礎。 python:3.8-slim 是 Python 3.8 映像的輕量級版本，針對大小和速度進行了最佳化。使用此 slim 映像可減少 Docker 映像的整體大小，從而加快下載速度並減少安全漏洞的面積。這對於您可能不需要完整標準 Python 映像的基於 Python 的應用程式特別有用。

  2. 設定工作目錄。

    WORKDIR /app

    WORKDIR 設定 Docker 映像內目前的工作目錄。將其設定為 /app，可確保 Dockerfile 中所有後續命令（如 COPY 和 RUN）都在此目錄中執行。這也有助於組織您的 Docker 映像，因為所有與應用程式相關的檔案都包含在特定目錄中。

  3. 將需求檔案複製到映像中。

    COPY requirements.txt /app

    COPY 命令將 requirements.txt 檔案從您的本機機器傳輸到 Docker 映像。此檔案列出應用程式所需的所有 Python 依賴項。將其複製到容器中可讓下一個命令 (RUN pip install) 在映像環境中安裝這些依賴項。

  4. 在映像中安裝 Python 依賴項。

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

    此行使用 pip（Python 的套件安裝程式）來安裝 requirements.txt 中列出的套件。 --no-cache-dir 選項會停用快取，這可透過不儲存不必要的快取資料來減少 Docker 映像的大小。

  5. 執行其他命令。

    RUN python -m spacy download en_core_web_sm

    此步驟特定於需要 spaCy 程式庫的 NLP 應用程式。它會下載 en_core_web_sm 模型，這是一個用於 spaCy 的小型英文語言模型。雖然此應用程式不需要它，但它包含在內是為了與可能使用此 Dockerfile 的其他 NLP 應用程式相容。

  6. 將應用程式程式碼複製到映像中。

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

    這些命令將您的 Python 指令碼和 entrypoint.sh 指令碼複製到映像的 /app 目錄中。這一點至關重要，因為容器需要這些指令碼來執行應用程式。 entrypoint.sh 指令碼尤其重要，因為它規定了應用程式在容器內如何啟動。.

  7. 設定 entrypoint.sh 指令碼的權限。

    RUN chmod +x /app/entrypoint.sh

    這個指令會修改 entrypoint.sh 的檔案權限，使其可執行。這個步驟是必要的，以確保 Docker 容器可以運行此腳本來啟動應用程式。

  8. 設定進入點。

    ENTRYPOINT ["/app/entrypoint.sh"]

    ENTRYPOINT 指令設定容器以 entrypoint.sh 作為其預設可執行檔來運行。這表示當容器啟動時，它會自動執行此腳本。

    您可以使用程式碼或文字編輯器開啟 entrypoint.sh 腳本來瀏覽其內容。由於範例包含多個應用程式，此腳本允許您指定容器啟動時要運行的應用程式。

執行應用程式

要使用 Docker 運行應用程式

  1. 建置映像檔。

    在終端機中，於 Dockerfile 所在的目錄下執行以下指令。

    $ docker build -t basic-nlp .

    以下是指令的分解說明

    • docker build：這是用於從 Dockerfile 和一個上下文建置 Docker 映像檔的主要指令。上下文通常是一組位於指定位置的檔案，通常是包含 Dockerfile 的目錄。
    • -t basic-nlp：這是一個用於標記映像檔的選項。-t 旗標代表標籤。它會將名稱指派給映像檔，在本例中為 basic-nlp。標籤是一種方便日後參考映像檔的方式，尤其是在將映像檔推送至 registry 或運行容器時。
    • .：這是指令的最後一部分，指定建置上下文。句點 (.) 表示目前目錄。Docker 將會在此目錄中尋找 Dockerfile。建置上下文（在本例中為目前目錄）會被發送到 Docker daemon 以啟用建置。它包含指定目錄中的所有檔案和子目錄。

    Docker 在建置映像檔時會在您的終端機輸出多個日誌。您將會看到它下載並安裝相依性。根據您的網路連線，這可能需要幾分鐘的時間。Docker 具有快取功能，因此後續的建置速度會更快。完成後，終端機將返回提示符號。

    如需更多詳細資訊，請參閱 docker build CLI 參考。

  2. 將映像檔作為容器運行。

    在終端機中，執行以下指令。

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

    以下是指令的分解說明

    • docker run：這是用於從 Docker 映像檔運行新容器的主要指令。
    • -it：這是兩個選項的組合
      • -i 或 --interactive：即使未附加，也會保持標準輸入 (STDIN) 開啟。它允許容器在前景中持續運行並保持互動性。
      • -t 或 --tty：這會配置一個虛擬終端機 (pseudo-TTY)，基本上模擬一個終端機，例如命令提示字元或 shell。它讓您可以與容器內的應用程式進行互動。
    • basic-nlp：這指定用於建立容器的 Docker 映像檔名稱。在本例中，它是您使用 docker build 指令建立的名為 basic-nlp 的映像檔。
    • 01_sentiment_analysis.py：這是您要在 Docker 容器內運行的腳本。它會被傳遞給 entrypoint.sh 腳本，該腳本會在容器啟動時運行它。

    如需更多詳細資訊，請參閱 docker run CLI 參考。

    注意事項

    對於 Windows 使用者，運行容器時可能會出現錯誤。請確認 entrypoint.sh 中的換行符號為 LF (\n) 而不是 CRLF (\r\n)，然後重建映像檔。如需更多詳細資訊，請參閱 避免非預期的語法錯誤，請在容器中的檔案使用 Unix 樣式的換行符號。

    容器啟動後，您將在終端機中看到以下內容。

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

  3. 測試應用程式。

    輸入評論以取得情感分析結果。

    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

摘要

在本指南中，您學習了如何建置和運行情感分析應用程式。您學習了如何使用 Python 和 NLTK 建置應用程式，然後使用 Docker 設定環境並運行應用程式。

相關資訊

後續步驟

探索更多 自然語言處理指南。