def __init__(self):
# 加载分词自定义词典
dicts.init()
self.data_process = DataPressing()
# 停用词
self.stop_words = load_stop_words()
# 股票-股票代码对, 并且对股票代码做一些变换，比如
_, self.stocks_df = dicts.load_stock_data()
self.tokenizer = Tokenizer(self.data_process, self.stop_words)
def cut_process(text):
"""
数据处理模块, 分词、提取股票实体词
:param text:
:return:
"""
# 分词
dicts.init()
text_list = tokenizer.token(text)
# 提取text中涉及到的股票实体，并且转换成股票代码
stock_list = data_process.find_stocks(text_list, stocks_df)
# stock_list = ','.join(stock_list)
return stock_list
def load_data_test():
dp, dict_init, stop_words = data_process.DataPressing(), dicts.init(
), load_stop_words()
# 分词
tk = tokenization.Tokenizer(dp, stop_words)
# 获取三张表中的所有新闻
df_result = get_data() # 接口已经改变，调用时需要注意
res_lists = []
for index, row in df_result.iterrows():
title, content = row["title"], row["content"]
if title is not None and title:
title = dp.no_remove(title)
if not dp.useless_filter(title, dicts.stock_dict):
title_list = tk.token(title)
res_lists.append(title_list)
if content is not None and content:
content = dp.no_remove(content)
if not dp.useless_filter(content, dicts.stock_dict):
content_list = tk.token(content)
res_lists.append(content_list)
file_out = open("text.txt", "w")
for index in res_lists:
item = ",".join(item for item in index)
file_out.write(item.encode("utf8") + "\n")
file_out.close()
def d_test():
data_processing = data_process.DataPressing()
dict_init = dicts.init()
stop_words = load_stop_words()
tk = Tokenizer(data_processing, stop_words)
# print(["大智慧".decode("utf8")])
# print(["【今日题材】".decode("utf8")])
# print(["关注同".decode("utf-8")])
# 剔除杂质词
print(
data_processing.no_remove(
"【今日题材】[AI决策]大智慧的股票真烂，中美贸易战打得好，中美贸易摩擦擦出爱情火花！科创板也上市了，还是注册制的, 关注同花顺财经（ths58）， 获取更多机会。"
))
# 判断content中是否存在某些特殊词
print(
data_processing.useless_contain(
"[AI决策]大智慧的股票真烂，中美贸易战打得好，中美贸易摩擦擦出爱情火花！科创板也上市了，还是注册制的"))
# 对content中的内容进行去停，去杂质词，分词
# result = tk.token("【今日题材】[AI决策]加多宝的股票真烂，中美贸易战打得好，中美贸易摩擦擦出爱情火花！科创板也上市了，还是注册制的")
result = tk.token("加多宝重推红罐 是否能再与王老吉争锋")
print('Type of result： {}。'.format(type(result)))
for i in result:
print(i)
def _cut_sentence(self, sentence):
"""
# 对句子进行分词
:return:
"""
# 使用多进程的时候需要修改一下
dp, dict_init, stop_words = data_process.DataPressing(), dicts.init(
), tokenization.load_stop_words()
tk = tokenization.Tokenizer(dp, stop_words)
self.word_list = tk.token(sentence)
def multi_token_test():
"""
多进程测试
:return:
"""
import time
from multiprocessing import Pool
import multiprocessing as mp
s = '程序员(英文Programmer)是从事程序开发、维护的专业人员。' \
'一般将程序员分为程序设计人员和程序编码人员，但两者的界限并不非常清楚，' \
'特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。'
dataprocess = data_process.DataPressing()
dicts.init()
stop_words = load_stop_words()
# 串行处理
t0 = time.time()
res1_l = []
for i in range(10000):
res1 = paralize_test(s, dataprocess, stop_words)
res1_l.append(res1)
print("串行处理花费时间{t}s".format(t=time.time() - t0))
# 并行处理
t1 = time.time()
res2_l = []
pool = Pool(processes=int(mp.cpu_count() * 0.8))
for i in range(10000):
res = pool.apply_async(paralize_test, ((s, dataprocess, stop_words), ))
res2_l.append(res)
# 获取数据
# for k in res2_l:
# print k.get()
pool.close()
pool.join()
print("并行处理花费时间{t}s".format(t=time.time() - t1))
def data_save():
"""
读取数据库中的内容，文本预处理之后，保存成本地，主要用于singlepass进行历史事件的聚类使用，用于词向量训练，关键词提取等操作。
:return:
"""
dp, dict_init, stop_words = data_process.DataPressing(), dicts.init(
), load_stop_words()
tk = tokenization.Tokenizer(dp, dict_init, stop_words) # 分词
df_result = get_data()
# df_result.ix[:, ["content"]].apply(tk.token)
# 提取dataFrame中的title和content的内容，然后分别进行预处理，
# 方式一、标题和正文保存为同一个新闻，且新闻标题和正文同时存在
res_lists = []
for i in tqdm(range(len(df_result))):
news_id = df_result.iloc[i]['id']
title = df_result.iloc[i]['title']
content = df_result.iloc[i]['content']
unix_time = df_result.iloc[i]['unix_time']
if content and title:
news_id = news_id.strip()
title = title.strip()
string = title.strip() + content.strip()
string_list = tk.token(string)
if not dp.useless_filter(string_list, dicts.stock_dict):
# string_list = keywords_extractor.parallel_test(string_list) # 提取关键词
res_lists.append((news_id, title, string_list,
unix_time)) # 根据上面的具体格式，组成tuple
# res_lists.append((string, unix_time)) # 根据上面的具体格式，组合成tuple
logging.logger.info("提取的文章的个数: %s" % len(res_lists))
# 数据更新
# 保存新闻的新闻ID，发布时间， 分词后的正文；[news_id, timestamp, contents]
# file_out = open("./data/text_full_index.txt", "w")
file_out = open(conf.corpus_news, "w")
for index, content in enumerate(res_lists):
item = " ".join(item for item in content[2])
file_out.write(
str(content[0]) + "\t" + str(content[3]) + "\t" +
item.encode("utf8") + "\n")
file_out.close()
# 保存新闻的新闻ID， 发布时间， 新闻标题；[news_id, timestamp, title]
# file_out = open("./data/text_title_index.txt", "w")
file_out = open(conf.corpus_news_title, "w")
for index, content in enumerate(res_lists):
file_out.write(
str(content[0]) + "\t" + str(content[3]) + "\t" + content[1] +
"\n")
file_out.close()
def d_test():
"""
类接口测试
:return:
"""
# s = '程序员(英文Programmer)是从事程序开发、维护的专业人员。' \
# '一般将程序员分为程序设计人员和程序编码人员，但两者的界限并不非常清楚，' \
# '特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。'
# s = '【今日题材】[AI决策]大智慧的股票真烂，中美贸易战打得好，中美贸易摩擦擦出爱情火花！科创板也上市了，' \
# '还是注册制的, 关注同花顺财经（ths58）， 获取更多机会。'
s = '中兴通讯（000063）在经历七个一字跌停板后，于今天打开跌停板。债转股开盘大涨，天津普林（002134）、信达地产（600657）' \
'、海德股份（000567）集体涨停，长航凤凰（000520）、浙江东方（600120）、陕国投A（000563）大涨，消息面上，' \
'央行宣布定向降准0.5个百分点，将重点支持债转股。中兴通讯机构最低估值12.02元/股在复牌之前，' \
'多家基金公司对中兴通讯估值大多调整至20.54元/股。连续7个跌停板后，中兴通讯A股股价早就已经跌穿这一价格。' \
'据《中国经营报》记者不完全统计，6月20日～22日，多家基金公司再做出调整中兴通讯A股估值的公告，下调公司包括工银瑞信基金、' \
'华泰柏瑞基金、东方基金、大摩华鑫基金、融通基金、大成基金等22家基金公司。值得注意的是，此次基金公司估值下调幅度并不一致，' \
'调整估值在每股12.02～16.64元之间。其中，大摩华鑫基金、融通基金和安信基金给出的估值最高，为每股16.64元，而工银瑞信基金、' \
'富国基金和泰达宏利基金给出的估值最低，为每股12.02元。关注同花顺财经（ths518），获取更多机会'
# s = u"水利部水资源司司长陈明忠9月29日在国务院新闻办举行的新闻发布会上透露，" \
# u"根据刚刚完成了水资源管理制度的考核，有部分省接近了红线的指标，\n" \
# u"有部分省超过红线的指标。对一些超过红线的地方，\n陈明忠表示，对一些取用水项目进行区域的限批，" \
# u"严格地进行水资源论证和取水许可的批准。"
dp, dict_init, stop_words = data_process.DataPressing(), dicts.init(
), tokenization.load_stop_words()
tk = tokenization.Tokenizer(dp, stop_words)
s_list = tk.token(s)
# 根据句子的长度，动态划分关键词的个数
# top_k = int(len(s_list) * 0.1)
# text_rank = TextRank(s_list, top_k=15, with_weight=True)
text_rank = TextRank(top_k=15)
res = text_rank.run(s_list)
logging.logger.info("提取的%s个关键词: " % len(res))
if text_rank.withWeight:
print(",".join(item[0] for item in res))
print(",".join(str(item[1]) for item in res))
else:
print(",".join(str(item) for item in res))
def multi_extract_test():
"""
多进程测试
:return:
"""
import time
from multiprocessing import Pool
import multiprocessing as mp
s = '程序员(英文Programmer)是从事程序开发、维护的专业人员。' \
'一般将程序员分为程序设计人员和程序编码人员，但两者的界限并不非常清楚，' \
'特别是在中国。软件从业人员分为初级程序员、高级程序员、系统分析员和项目经理四大类。'
dp = data_process.DataPressing()
dict_init = dicts.init()
stop_words = tokenization.load_stop_words()
# 分词
tk = tokenization.Tokenizer(dp, stop_words)
s_list = tk.token(s)
t0 = time.time()
for i in range(10000):
parallel_test(s_list)
logging.logger.info("串行处理花费时间{t}".format(t=time.time() - t0))
pool = Pool(processes=int(mp.cpu_count()))
res_l = []
t1 = time.time()
for i in range(10000):
res = pool.apply_async(parallel_test, (s_list, ))
res_l.append(res)
# pool.map(parallel_test, s_list)
# for i in res_l:
# print i.get()
pool.close()
pool.join()
logging.logger.info("并行处理花费时间{t}s".format(t=time.time() - t1))
stock_dict.append(stock.strip("\n"))
stocks_df = pd.read_csv(st_new_path, encoding='utf-8')
# stock_df.append(stocks_df.set_index('SESNAME'))
for index, row in stocks_df.iterrows():
stock_dict.append(row.SESNAME)
stock_dict.append(row.SYMBOL)
return stock_dict, stocks_df
_, stocks_df = load_stock_data()
# 识别评论中的股票实体。
# 对讨论进行分词,然后提取评论中的股票实体。
data_process = DataPressing()
dict_init = dicts.init()
stop_words = load_stop_words()
tokenizer = Tokenizer(data_process, stop_words)
# 整理股票代码
stocks_df = stocks_df.set_index('SESNAME')
# print('stocks_df %s' % stocks_df)
def cut_process(text):
"""
数据处理模块, 分词、提取股票实体词
:param text:
:return:
"""
today_timestamp = int(latest_event_time)
today = time_util.timestamp_to_time(today_timestamp)
logging.logger.info('读取新闻的起始时间: {}'.format(today))
ordered_df = data_reader.get_ordered_data(timestamp=today_timestamp)
# load tf-idf VSM
# tfidf_feature_path = '/Users/li/PycharmProjects/event_parser/src/model/tfidf_model/feature_1.pkl'
# tfidftransformer_path = '/Users/li/PycharmProjects/event_parser/src/model/tfidf_model/tfidftransformer_1.pkl'
tfidf_feature_path = conf.tfidf_feature_path
tfidf_transformer_path = conf.tfidftransformer_path
tfidf_feature = tfidf.load_tfidf_feature(tfidf_feature_path)
tfidf_transformer = tfidf.load_tfidf_transformer(tfidf_transformer_path)
# 导入词典，停用词，数据处理接口，分词接口
dp, dict_init, stop_words = data_process.DataPressing(), dicts.init(
), tokenization.load_stop_words()
tk = tokenization.Tokenizer(dp, stop_words)
# 提取dataFrame中的内容
ordered_news_lists = data_reader.trans_df_data(ordered_df, tfidf_feature,
tfidf_transformer, dp, tk)
# 如果当天没有新闻更新，则直接退出程序，事件单元不需要更新。
# 文章重复更新，
if len(ordered_news_lists) <= 0:
# print '今天没有新新闻，事件单元不更新'
logging.logger.info('[事件库未更新]: 今天没有新新闻，事件单元不更新')
sys.exit()
# for tmp in ordered_news_lists:
# print tmp[0], tmp[1]