# -*- coding: utf-8 -*-

import textprocessing as tp

import numpy as np

import sys

import json

path=sys.path[0]

# 1.读取情感词典和待处理文件

# 情感词典

print "reading..."

posdict = tp.read_lines(path+"/positive_negative_dictionary/posdict.txt")

negdict = tp.read_lines(path+"/positive_negative_dictionary/negdict.txt")

# 程度副词词典

mostdict = tp.read_lines(path+"/adverbs_of_degree_dictionary/most.txt") # 权值为2

verydict = tp.read_lines(path+"/adverbs_of_degree_dictionary/very.txt") # 权值为1.5

moredict = tp.read_lines(path+"/adverbs_of_degree_dictionary/more.txt") # 权值为1.25

ishdict = tp.read_lines(path+"/adverbs_of_degree_dictionary/ish.txt") # 权值为0.5

insufficientdict = tp.read_lines(path+"/adverbs_of_degree_dictionary/insufficiently.txt") # 权值为0.25

inversedict = tp.read_lines(path+"/adverbs_of_degree_dictionary/inverse.txt") # 权值为-1

# 情感级别

emotion_level1 = "悲伤。在这个级别的人过的是八辈子都懊丧和消沉的生活。这种生活充满了对过去的懊悔、自责和悲恸。在悲伤中的人，看这个世界都是灰黑色的。"

emotion_level2 = "愤怒。如果有人能跳出冷漠和内疚的怪圈，并摆脱恐惧的控制，他就开始有欲望了，而欲望则带来挫折感，接着引发愤怒。愤怒常常表现为怨恨和复仇心里，它是易变且危险的。愤怒来自未能满足的欲望，来自比之更低的能量级。挫败感来自于放大了欲望的重要性。愤怒很容易就导致憎恨，这会逐渐侵蚀一个人的心灵。"

emotion_level3 = "淡定。到达这个能级的能量都变得很活跃了。淡定的能级则是灵活和无分别性的看待现实中的问题。到来这个能级，意味着对结果的超然，一个人不会再经验挫败和恐惧。这是一个有安全感的能级。到来这个能级的人们，都是很容易与之相处的，而且让人感到温馨可靠,这样的人总是镇定从容。他们不会去强迫别人做什么。"

emotion_level4 = "平和。他感觉到所有的一切都生机勃勃并光芒四射，虽然在其他人眼里这个世界还是老样子，但是在这人眼里世界却是一个。所以头脑保持长久的沉默，不再分析判断。观察者和被观察者成为同一个人，观照者消融在观照中，成为观照本身。"

emotion_level5 = "喜悦。当爱变得越来越无限的时候，它开始发展成为内在的喜悦。这是在每一个当下，从内在而非外在升起的喜悦。这个能级的人的特点是，他们具有巨大的耐性，以及对一再显现的困境具有持久的乐观态度，以及慈悲。同时发生着。在他们开来是稀松平常的作为，却会被平常人当成是奇迹来看待。"

# 情感波动级别

emotion_level6 = "情感波动很小，个人情感是不易改变的、经得起考验的。能够理性的看待周围的人和事。"

emotion_level7 = "情感波动较大，周围的喜悦或者悲伤都能轻易的感染他，他对周围的事物有敏感的认知。"

# 2.程度副词处理，根据程度副词的种类不同乘以不同的权值

def match(word, sentiment_value):

return sentiment_value

# 3.情感得分的最后处理，防止出现负数

# Example: [5, -2] → [7, 0]; [-4, 8] → [0, 12]

def transform_to_positive_num(poscount, negcount):

return (pos_count, neg_count)

# 求单条微博语句的情感倾向总得分

def single_review_sentiment_score(weibo_sent):

return result

"""

# 测试

weibo_sent = "这手机的画面挺好，操作也比较流畅。不过拍照真的太烂了！系统也不好。"

score = single_review_sentiment_score(weibo_sent)

print score

"""

# 分析test_data.txt 中的所有微博，返回一个列表，列表中元素为（分值，微博）元组

def run_score():

'''

# 将（分值，句子）元组按行写入结果文件test_result.txt中

def write_results(results):

fp_result.close()

# 求取测试文件中的正负极性的微博比，正负极性分值的平均值比，正负分数分别的方差

def handel_result(results):

return result_dict

if __name__ == '__main__':

results = run_score() # 计算每句话的极性得分，返回list，元素是（得分，微博）

write_results(results) # 将每条微博的极性得分都写入文件

result_dict = handel_result(results) # 计算结果的各种参数，返回字典

def main():

return result_dict