def facebook_authorized(resp):
if resp is None:
return 'Access denied: reason=%s error=%s' % (
request.args['error_reason'], request.args['error_description'])
session['oauth_token'] = (resp['access_token'], '')
me = facebook.get('/me/television')
# Flask.jsonify(me.data)
#pprint(me.data['data'], depth=100)
#pprint(me.data, depth=100)
result = []
for strx in me.data['data']:
result.append(str(strx['name']))
pprint(result, depth=100)
recommender.main()
def output():
tutor_url = str(request.args.get('tutor_url'))
print tutor_url
# BEGIN Normalize url
if tutor_url.startswith("www"):
tutor_url = "http://" + tutor_url
elif tutor_url.startswith("wyzant"):
tutor_url = "http://www." + tutor_url
if "#" in tutor_url:
tutor_url = tutor_url.split("#")[0]
# END Normalize url
try:
tutor_data = scrape_tutor.main(tutor_url)
example, hourly_rate = cleanup_tutor_features.clean_tutor(tutor_data)
try:
nn, max_tut, min_tut, img_io = recommender.main(
example, df, possible_subjects)
except:
error_message = 'Looks like you\'re a special snowflake! There\'s not too many other similar tutors, so charge what you want.'
return render_template("error.html", error_message=error_message)
tutor_name = example['name']
tut_list = []
tut_list.append(dict(rel='Most similar tutor', \
name=nn['name'], \
rate=nn['hourly_rate'], \
url=nn['url']))
tut_list.append(dict(rel='Maximum priced tutor', \
name=max_tut['name'], \
rate=max_tut['hourly_rate'], \
url=max_tut['url']))
tut_list.append(dict(rel='Minimum priced tutor', \
name=min_tut['name'], \
rate=min_tut['hourly_rate'], \
url=min_tut['url']))
example_tutor = dict(name=tutor_name,
rate=hourly_rate,
url=tutor_data['url'])
html = """
<img src="data:image/png;base64,{}">
"""
img_io = img_io.getvalue().encode('base64')
img_io = html.format(img_io)
return render_template("output.html", \
tutors=tut_list, \
example_tutor=example_tutor, \
sim_plot=img_io)
except:
error_message = 'Whoops! Cannot find WyzAnt profile. Did you enter the correct url?'
return render_template("error.html", error_message=error_message)
def example_output():
example_tutor_url = str(request.args.get('example_tutor_url'))
if example_tutor_url == 'None':
return render_template("error_example.html")
examples = {}
examples[
'Elliott L.'] = "http://www.wyzant.com/Tutors/NY/New_York/7875805/?z=10116&d=20&sl=80075877&sort=27"
# examples['Erica S.'] = "http://www.wyzant.com/Tutors/NY/New_York/8671128/?z=10116&d=20&sl=80075877&sort=27" # $40/hr -> $49
examples[
'Jared A.'] = "http://www.wyzant.com/Tutors/NY/New_York/8565916/?z=10116&d=20&sl=80075877&sort=27"
examples[
'Jennifer T.'] = "http://www.wyzant.com/Tutors/NY/New_York/8462587/?z=10116&d=20&sl=80075877&sort=27"
examples[
'Linda W.'] = "http://www.wyzant.com/Tutors/NY/New_York/8587257/?z=10116&d=20&sl=80075877&sort=27"
tutor_url = examples[example_tutor_url]
tutor_name = example_tutor_url
tutor_data = scrape_tutor.main(tutor_url)
example, hourly_rate = cleanup_tutor_features.clean_tutor(tutor_data)
nn, max_tut, min_tut, img_io = recommender.main(example, df,
possible_subjects)
tut_list = []
tut_list.append(dict(rel='Most similar tutor', \
name=nn['name'], \
rate=nn['hourly_rate'], \
url=nn['url']))
tut_list.append(dict(rel='Maximum priced tutor', \
name=max_tut['name'], \
rate=max_tut['hourly_rate'], \
url=max_tut['url']))
tut_list.append(dict(rel='Minimum priced tutor', \
name=min_tut['name'], \
rate=min_tut['hourly_rate'], \
url=min_tut['url']))
example_tutor = dict(name=tutor_name,
rate=hourly_rate,
url=tutor_data['url'])
html = """
<img src="data:image/png;base64,{}">
"""
img_io = img_io.getvalue().encode('base64')
img_io = html.format(img_io)
return render_template("example_output.html", \
tutors=tut_list, \
example_tutor=example_tutor, \
sim_plot=img_io)
def main():
bol = False
while True:
print("^^^^^^^^^^^^^^^^^^^ ANIME RECOMMENDER ^^^^^^^^^^^^^^^^^^^\n")
if bol:
string = "Vuoi che ti suggerisca un altro anime ? - Premi 1\n" \
+ "Vuoi sapere il genere di un altro anime? - Premi 2\n" \
+ "Vuoi uscire? - Premi 3\n"
else:
string = "Konichiwa, cosa vuoi fare?\n" + "Vuoi che ti suggerisca un anime ? - Premi 1\n" \
+ "Vuoi sapere il genere di un anime? - Premi 2\n" \
+ "Vuoi uscire? - Premi 3\n"
response = input(string)
if response == '1':
# RECOMMENDER ******************************************************************
name = ''
score = ''
genre = ''
type_ = ''
duration = ''
episodes = ''
source = ''
print("Ti faro' delle domande per poterti suggerire un anime.")
name = input(
"Suggeriscimi il nome di un anime che hai apprezzato\n").lower(
)
score = input(
"Se dovessi valutarlo che voto gli daresti da 1 a 10?\n"
).lower()
genre = input("Qual è il genere di questo anime?\n").lower()
string = input(
"Sai dirmi il tipo di questo anime? (Si o No)(se non sai cos'è il tipo digita 1)\n"
).lower()
while string == '1':
print(
"Quando parliamo di tipo intendiamo se l'anime appartiene a una di queste categorie:\n"
+ "- TV : l'anime viene trasmesso ad episodi\n" +
"- Movie : l'anime è un film\n" +
"- ONA/OVA : l'anime è una puntata speciale di un anime o originale\n"
)
string = input(
"Ora sai dirmi qual è il tipo? (Si o No)(se non sai cos'è il tipo digita 1)\n"
).lower()
if string == "si":
type_ = input("Qual è il tipo?\n").lower()
if type_ == 'tv' or type_.lower() == 'ona' or type_.lower(
) == 'ova':
string = input(
"Sai dirmi da quanti episodi è formato? (Si o No)\n"
).lower()
if string == "si":
episodes = input("Da quanti?\n").lower()
string = input(
"Sai dirmi quanto dura mediamente un episodio?\n").lower()
if string == "si":
duration = input("Quanto dura mediamente?\n").lower()
elif type_ == 'movie':
episodes = 1
string = input(
"Sai dirmi anche quanto dura il film? (si o no)\n").lower(
)
if string == "si":
duration = input(
"quanto dura mediamente? (esprimi la durata in minuti)\n"
).lower()
string = input(
"Sai dirmi l'origine di questo anime? (Si o No)(se non sai cos'è l'origine digita 1)\n"
).lower()
while string == '1':
print(
"Quando parliamo di origine intendiamo se l'anime appartiene a una di queste categorie:\n"
+
"- Manga\n- Novel\n- Book \n- Radio\n- Picture book\n- Web Manga\n- Digital Manga\n- Original\n"
)
string = input(
"Ora sai dirmi qual è l'origine? (Si o No)(se non sai cos'è l'origine digita 1)\n"
).lower()
if string == "si":
source = input("Qual è?\n").lower()
recommender.main(episodes, genre, type_, source, duration, name,
score)
print("\n")
os.system("pause")
bol = True
print("\n")
elif response == '2':
print("Ti chiedero' un po' di cose. Inziamo...")
name = input(
"Qual è il nome dell'anime che vuoi classificare?\n ").lower()
score = input(
"Qual è lo score dell'anime che vuoi classificare?\n").lower()
type_ = input(
"Qual è il type dell'anime che vuoi classificare?(se non sai cos'è il tipo digita 1)\n"
).lower()
while type_ == '1':
print(
"Quando parliamo di tipo intendiamo se l'anime appartiene a una di queste categorie:\n"
+ "- TV : l'anime viene trasmesso ad episodi\n" +
"- Movie : l'anime è un film\n" +
"- ONA/OVA : l'anime è una puntata speciale di un anime o originale\n"
)
type_ = input(
"Quindi, qual è il type dell'anime che vuoi classificare?(se non sai cos'è il tipo digita 1)\n"
).lower()
episodes = input(
"Quanti episodi ha l'anime che vuoi classificare?\n").lower()
duration = input(
"Quanto dura mediamente un episodio dell'anime che vuoi classificare?\n"
).lower()
producers = input(
"Qual è il produttore dell'anime che vuoi classificare?\n"
).lower()
studios = input(
"Qual è lo studio dell'anime che vuoi classificare?\n").lower(
)
source = input(
"Qual è l'origine dell'anime che vuoi classificare?" +
" (se non sai cos'è l'origine di un anime tipo digita 1)\n"
).lower()
while source == '1':
print(
"Quando parliamo di origine intendiamo se l'anime appartiene a una di queste categorie:\n"
+
"- Manga\n- Novel\n- Book \n- Radio\n- Picture book\n- Web Manga\n- Digital Manga\n- Original\n"
)
source = input(
"Quindi, qual è l'origine dell'anime che vuoi classificare?(se non sai cos'è l'origine "
"digita 1)\n").lower()
prediction_genre.predict_genre(name, score, type_, episodes,
duration, producers, studios,
source)
print("\n")
os.system("pause")
bol = True
print("\n\n")
else:
print("Sayonara")
break
def main2(text):
# converting to lowercase
lower_case = text.lower()
cleaned_text = re.sub("[?,.!" "']", " ", lower_case)
# splitting text into words
tokenized_words = cleaned_text.split()
""""stop_words = ["i", "me", "my", "myself", "we", "our", "ours", "ourselves", "you", "your", "yours", "yourself",
"yourselves", "he", "him", "his", "himself", "she", "her", "hers", "herself", "it", "its", "itself",
"they", "them", "their", "theirs", "themselves", "what", "which", "who", "whom", "this", "that", "these",
"those", "am", "is", "are", "was", "were", "be", "been", "being", "have", "has", "had", "having", "do",
"does", "did", "doing", "a", "an", "the", "and", "but", "if", "or", "because", "as", "until", "while",
"of", "at", "by", "for", "with", "about", "against", "between", "into", "through", "during", "before",
"after", "above", "below", "to", "from", "up", "down", "in", "out", "on", "off", "over", "under", "again",
"further", "then", "once", "here", "there", "when", "where", "why", "how", "all", "any", "both", "each",
"few", "more", "most", "other", "some", "such", "no", "nor", "not", "only", "own", "same", "so", "than",
"too", "very", "s", "t", "can", "will", "just", "don", "should", "now"]"""
final_words = []
for word in tokenized_words:
if word not in sw.words('english'):
final_words.append(word)
def listToString(s):
# initialize an empty string
str1 = " "
return str1.join(s)
def find_ngrams(n, a):
# Split sentence into tokens.
input_sequence = listToString(a)
tokens = input_sequence.split()
ngrams = []
for i in range(len(tokens) - n + 1):
# Take n consecutive tokens in array.
ngram = tokens[i:i + n]
# Concatenate array items into string.
ngram = ' '.join(ngram)
ngrams.append(ngram)
return ngrams
ngrams = find_ngrams(3, final_words)
analysis = {}
for ngram in ngrams:
blob = TextBlob(ngram)
print('Ngram: {}'.format(ngram))
print('Polarity: {}'.format(blob.sentiment.polarity))
emotion_list = []
from os.path import dirname, join
f = open(join(dirname(__file__), 'emotions.txt'))
for line in f:
if line:
clear_line = line.replace("\n",
'').replace(",", '').replace("'",
'').strip()
word, emotion = clear_line.split(':')
if word in final_words:
emotion_list.append(emotion)
print(emotion_list)
w = Counter(emotion_list)
print(w)
score = vl().polarity_scores(cleaned_text)
a = score['neg']
b = score['pos']
print(score)
bar = 1
am = 1
if (a > b):
print("Negative Sentiment")
if a > 0 and a <= 0.25:
bar = 1
print("Level 1")
am = r1.main(1)
if a > 0.25 and a <= 0.5:
bar = 2
print("Level 2")
am = r1.main(2)
if a > 0.5 and a <= 0.75:
bar = 3
print("Level 3")
am = r1.main(3)
if a > 0.75 and a <= 1:
bar = 4
print("Level 4")
am = r1.main(4)
elif a < b:
print("Positive Sentiment")
bar = 5
am = r1.main(5)
else:
print("Neutral Sentiment")
bar = 5
am = r1.main(5)
count = 0
lst = []
demo = []
if bar == 1 or bar == 2 or bar == 3 or bar == 4:
print("\nWant to watch some movies\n")
for i in am:
# Splitting each line of the
# IMDb data to scrape movies
tmp = str(i).split('>')
if len(tmp) == 3:
lst.append(tmp[1][:-3])
if (count > 13):
break
count += 1
else:
print("\nWant to watch some movies\n")
for i in am:
tmp = str(i).split('>')
if len(tmp) == 3:
lst.append(tmp[1][:-3])
if (count > 11):
break
count += 1
return lst
def main(text, listToReturn):
# converting to lowercase
lower_case = text.lower()
# Removing punctuations
# cleaned_text = lower_case.translate(str.maketrans('', '', string.punctuation))
cleaned_text = re.sub("[?,.!" "']", " ", lower_case)
# splitting text into words
tokenized_words = cleaned_text.split()
""""stop_words = ["i", "me", "my", "myself", "we", "our", "ours", "ourselves", "you", "your", "yours", "yourself",
"yourselves", "he", "him", "his", "himself", "she", "her", "hers", "herself", "it", "its", "itself",
"they", "them", "their", "theirs", "themselves", "what", "which", "who", "whom", "this", "that", "these",
"those", "am", "is", "are", "was", "were", "be", "been", "being", "have", "has", "had", "having", "do",
"does", "did", "doing", "a", "an", "the", "and", "but", "if", "or", "because", "as", "until", "while",
"of", "at", "by", "for", "with", "about", "against", "between", "into", "through", "during", "before",
"after", "above", "below", "to", "from", "up", "down", "in", "out", "on", "off", "over", "under", "again",
"further", "then", "once", "here", "there", "when", "where", "why", "how", "all", "any", "both", "each",
"few", "more", "most", "other", "some", "such", "no", "nor", "not", "only", "own", "same", "so", "than",
"too", "very", "s", "t", "can", "will", "just", "don", "should", "now"]"""
# Removing stop words from the tokenized words list
final_words = []
for word in tokenized_words:
if word not in sw.words('english'):
final_words.append(word)
# NLP Emotion Algorithm
# 1) Check if the word in the final word list is also present in emotion.txt
# - open the emotion file
# - Loop through each line and clear it
# - Extract the word and emotion using split
# 2) If word is present -> Add the emotion to emotion_list
# 3) Finally count each emotion in the emotion list
def listToString(s):
# initialize an empty string
str1 = " "
return str1.join(s)
def find_ngrams(n, a):
# Split sentence into tokens.
input_sequence = listToString(a)
tokens = input_sequence.split()
ngrams = []
for i in range(len(tokens) - n + 1):
# Take n consecutive tokens in array.
ngram = tokens[i:i + n]
# Concatenate array items into string.
ngram = ' '.join(ngram)
ngrams.append(ngram)
return ngrams
ngrams = find_ngrams(3, final_words)
analysis = {}
for ngram in ngrams:
blob = TextBlob(ngram)
print('Ngram: {}'.format(ngram))
print('Polarity: {}'.format(blob.sentiment.polarity))
emotion_list = []
from os.path import dirname, join
f = open(join(dirname(__file__), 'emotions.txt'))
#f= open("emotions.txt","r").read()
#with open('C:/Users/KIIT/Downloads/New folder/BrainRelief/app/src/main/python/emotions.txt', 'r') as file:
for line in f:
if line:
clear_line = line.replace("\n",
'').replace(",", '').replace("'",
'').strip()
word, emotion = clear_line.split(':')
if word in final_words:
emotion_list.append(emotion)
print(emotion_list)
w = Counter(emotion_list)
print(w)
score = vl().polarity_scores(cleaned_text)
a = score['neg']
b = score['pos']
print(score)
bar = 1
am = 1
if (a > b):
print("Negative Sentiment")
if a > 0 and a <= 0.25:
bar = 1
print("Level 1")
am = r1.main(1)
if a > 0.25 and a <= 0.5:
bar = 2
print("Level 2")
am = r1.main(2)
if a > 0.5 and a <= 0.75:
bar = 3
print("Level 3")
am = r1.main(3)
if a > 0.75 and a <= 1:
bar = 4
print("Level 4")
am = r1.main(4)
elif a < b:
print("Positive Sentiment")
bar = 5
am = r1.main(5)
else:
print("Neutral Sentiment")
bar = 6
am = r1.main(5)
count = 0
lst = []
demo = []
if bar == 1 or bar == 2 or bar == 3 or bar == 4:
print("\nWant to watch some movies\n")
for i in am:
# Splitting each line of the
# IMDb data to scrape movies
tmp = str(i).split('>')
if len(tmp) == 3:
lst.append(tmp[1][:-3])
if (count > 13):
break
count += 1
else:
print("\nWant to watch some movies\n")
for i in am:
tmp = str(i).split('>')
if len(tmp) == 3:
lst.append(tmp[1][:-3])
if (count > 11):
break
count += 1
if bar == 1:
demo = l1.lev1(listToReturn)
elif bar == 2:
demo = l2.lev2(listToReturn)
elif bar == 3:
demo = l3.lev3(listToReturn)
elif bar == 4:
demo = l4.lev4(listToReturn)
elif bar == 5:
demo = l5.lev5(listToReturn)
elif bar == 6:
demo = l6.lev6(listToReturn)
return lst, demo
def setUp(self):
from recommender import main
app = main({})
from webtest import TestApp
self.testapp = TestApp(app)