質問編集履歴
2
返り血の追記
test
CHANGED
File without changes
|
test
CHANGED
@@ -90,6 +90,8 @@
|
|
90
90
|
|
91
91
|
|
92
92
|
|
93
|
+
return render(request, 'app/home.html', data)
|
94
|
+
|
93
95
|
```
|
94
96
|
|
95
97
|
|
@@ -274,8 +276,6 @@
|
|
274
276
|
|
275
277
|
"""
|
276
278
|
|
277
|
-
# 長い文章をセンテンス毎に分割
|
278
|
-
|
279
279
|
sentences = self._divide(self.text)
|
280
280
|
|
281
281
|
|
1
コードの追記
test
CHANGED
File without changes
|
test
CHANGED
@@ -37,3 +37,757 @@
|
|
37
37
|
・Django
|
38
38
|
|
39
39
|
・MeCab
|
40
|
+
|
41
|
+
|
42
|
+
|
43
|
+
views.py
|
44
|
+
|
45
|
+
```
|
46
|
+
|
47
|
+
def search(request):
|
48
|
+
|
49
|
+
if request.method == 'GET':
|
50
|
+
|
51
|
+
query = request.GET.get('your_name').encode('utf-8')
|
52
|
+
|
53
|
+
s = Scraper(query)
|
54
|
+
|
55
|
+
sample = s[0]
|
56
|
+
|
57
|
+
urls = s[1]
|
58
|
+
|
59
|
+
samples = s[2]
|
60
|
+
|
61
|
+
|
62
|
+
|
63
|
+
chain = PrepareChain(sample)
|
64
|
+
|
65
|
+
triplet_freqs = chain.make_triplet_freqs()
|
66
|
+
|
67
|
+
chain.save(triplet_freqs, True)
|
68
|
+
|
69
|
+
|
70
|
+
|
71
|
+
numb_sentence = int('3') #文章の数
|
72
|
+
|
73
|
+
|
74
|
+
|
75
|
+
generator = GenerateText()
|
76
|
+
|
77
|
+
gen_txt = generator.generate()
|
78
|
+
|
79
|
+
|
80
|
+
|
81
|
+
data = {
|
82
|
+
|
83
|
+
'your_name': gen_txt,
|
84
|
+
|
85
|
+
'urls': urls,
|
86
|
+
|
87
|
+
'samples': samples,
|
88
|
+
|
89
|
+
}
|
90
|
+
|
91
|
+
|
92
|
+
|
93
|
+
```
|
94
|
+
|
95
|
+
|
96
|
+
|
97
|
+
|
98
|
+
|
99
|
+
models.py
|
100
|
+
|
101
|
+
```
|
102
|
+
|
103
|
+
from django.db import models
|
104
|
+
|
105
|
+
import sqlite3
|
106
|
+
|
107
|
+
import sys
|
108
|
+
|
109
|
+
|
110
|
+
|
111
|
+
#PrepareChain
|
112
|
+
|
113
|
+
import unittest
|
114
|
+
|
115
|
+
import re
|
116
|
+
|
117
|
+
import MeCab
|
118
|
+
|
119
|
+
from collections import defaultdict
|
120
|
+
|
121
|
+
|
122
|
+
|
123
|
+
#GenerateText
|
124
|
+
|
125
|
+
import os.path
|
126
|
+
|
127
|
+
import random
|
128
|
+
|
129
|
+
|
130
|
+
|
131
|
+
#Scraper
|
132
|
+
|
133
|
+
from bs4 import BeautifulSoup
|
134
|
+
|
135
|
+
import urllib3
|
136
|
+
|
137
|
+
import requests
|
138
|
+
|
139
|
+
import chardet
|
140
|
+
|
141
|
+
from urllib.parse import parse_qsl
|
142
|
+
|
143
|
+
from urllib.parse import urlparse
|
144
|
+
|
145
|
+
from google import google
|
146
|
+
|
147
|
+
import ssl
|
148
|
+
|
149
|
+
ssl._create_default_https_context = ssl._create_unverified_context
|
150
|
+
|
151
|
+
|
152
|
+
|
153
|
+
|
154
|
+
|
155
|
+
|
156
|
+
|
157
|
+
|
158
|
+
|
159
|
+
class Text(models.Model):
|
160
|
+
|
161
|
+
query_text = models.CharField(max_length = 5000)
|
162
|
+
|
163
|
+
|
164
|
+
|
165
|
+
def __str__(self):
|
166
|
+
|
167
|
+
return self.query_text
|
168
|
+
|
169
|
+
|
170
|
+
|
171
|
+
class Query(models.Model):
|
172
|
+
|
173
|
+
query_text = models.CharField(max_length = 40)
|
174
|
+
|
175
|
+
|
176
|
+
|
177
|
+
def __str__(self):
|
178
|
+
|
179
|
+
return self.query_text
|
180
|
+
|
181
|
+
|
182
|
+
|
183
|
+
def Scraper(x):
|
184
|
+
|
185
|
+
#setup
|
186
|
+
|
187
|
+
urls = []
|
188
|
+
|
189
|
+
samples = []
|
190
|
+
|
191
|
+
|
192
|
+
|
193
|
+
query = x
|
194
|
+
|
195
|
+
query = query.decode('utf-8')
|
196
|
+
|
197
|
+
num_page = 1
|
198
|
+
|
199
|
+
search_results = google.search(query, num_page)
|
200
|
+
|
201
|
+
for result in search_results:
|
202
|
+
|
203
|
+
urls.append(result.link)
|
204
|
+
|
205
|
+
samples.append(result.description)
|
206
|
+
|
207
|
+
|
208
|
+
|
209
|
+
print(samples)
|
210
|
+
|
211
|
+
sample = ''.join(samples)
|
212
|
+
|
213
|
+
|
214
|
+
|
215
|
+
#Generating txt file
|
216
|
+
|
217
|
+
return [sample, urls, samples]
|
218
|
+
|
219
|
+
|
220
|
+
|
221
|
+
class PrepareChain(object):
|
222
|
+
|
223
|
+
"""
|
224
|
+
|
225
|
+
チェーンを作成してDBに保存するクラス
|
226
|
+
|
227
|
+
"""
|
228
|
+
|
229
|
+
|
230
|
+
|
231
|
+
BEGIN = "__BEGIN_SENTENCE__"
|
232
|
+
|
233
|
+
END = "__END_SENTENCE__"
|
234
|
+
|
235
|
+
|
236
|
+
|
237
|
+
DB_PATH = "chain.db"
|
238
|
+
|
239
|
+
DB_SCHEMA_PATH = "schema.sql"
|
240
|
+
|
241
|
+
|
242
|
+
|
243
|
+
def __init__(self, text):
|
244
|
+
|
245
|
+
"""
|
246
|
+
|
247
|
+
初期化メソッド
|
248
|
+
|
249
|
+
@param text チェーンを生成するための文章
|
250
|
+
|
251
|
+
"""
|
252
|
+
|
253
|
+
if isinstance(text, bytes):
|
254
|
+
|
255
|
+
text = text.decode('utf-8')
|
256
|
+
|
257
|
+
self.text = text
|
258
|
+
|
259
|
+
|
260
|
+
|
261
|
+
# 形態素解析用タガー
|
262
|
+
|
263
|
+
self.tagger = MeCab.Tagger('-Ochasen')
|
264
|
+
|
265
|
+
|
266
|
+
|
267
|
+
def make_triplet_freqs(self):
|
268
|
+
|
269
|
+
"""
|
270
|
+
|
271
|
+
形態素解析から3つ組の出現回数まで
|
272
|
+
|
273
|
+
@return 3つ組とその出現回数の辞書 key: 3つ組(タプル) val: 出現回数
|
274
|
+
|
275
|
+
"""
|
276
|
+
|
277
|
+
# 長い文章をセンテンス毎に分割
|
278
|
+
|
279
|
+
sentences = self._divide(self.text)
|
280
|
+
|
281
|
+
|
282
|
+
|
283
|
+
# 3つ組の出現回数
|
284
|
+
|
285
|
+
triplet_freqs = defaultdict(int)
|
286
|
+
|
287
|
+
|
288
|
+
|
289
|
+
# センテンス毎に3つ組にする
|
290
|
+
|
291
|
+
for sentence in sentences:
|
292
|
+
|
293
|
+
# 形態素解析
|
294
|
+
|
295
|
+
morphemes = self._morphological_analysis(sentence)
|
296
|
+
|
297
|
+
# 3つ組をつくる
|
298
|
+
|
299
|
+
triplets = self._make_triplet(morphemes)
|
300
|
+
|
301
|
+
# 出現回数を加算
|
302
|
+
|
303
|
+
for (triplet, n) in list(triplets.items()):
|
304
|
+
|
305
|
+
triplet_freqs[triplet] += n
|
306
|
+
|
307
|
+
|
308
|
+
|
309
|
+
return triplet_freqs
|
310
|
+
|
311
|
+
|
312
|
+
|
313
|
+
def _divide(self, text):
|
314
|
+
|
315
|
+
"""
|
316
|
+
|
317
|
+
「。」や改行などで区切られた長い文章を一文ずつに分ける
|
318
|
+
|
319
|
+
@param text 分割前の文章
|
320
|
+
|
321
|
+
@return 一文ずつの配列
|
322
|
+
|
323
|
+
"""
|
324
|
+
|
325
|
+
# 改行文字以外の分割文字(正規表現表記)
|
326
|
+
|
327
|
+
delimiter = "。|.|."
|
328
|
+
|
329
|
+
|
330
|
+
|
331
|
+
# 全ての分割文字を改行文字に置換(splitしたときに「。」などの情報を無くさないため)
|
332
|
+
|
333
|
+
text = re.sub(r"({0})".format(delimiter), r"\1\n", text)
|
334
|
+
|
335
|
+
|
336
|
+
|
337
|
+
# 改行文字で分割
|
338
|
+
|
339
|
+
sentences = text.splitlines()
|
340
|
+
|
341
|
+
|
342
|
+
|
343
|
+
# 前後の空白文字を削除
|
344
|
+
|
345
|
+
sentences = [sentence.strip() for sentence in sentences]
|
346
|
+
|
347
|
+
|
348
|
+
|
349
|
+
return sentences
|
350
|
+
|
351
|
+
|
352
|
+
|
353
|
+
def _morphological_analysis(self, sentence):
|
354
|
+
|
355
|
+
"""
|
356
|
+
|
357
|
+
一文を形態素解析する
|
358
|
+
|
359
|
+
@param sentence 一文
|
360
|
+
|
361
|
+
@return 形態素で分割された配列
|
362
|
+
|
363
|
+
"""
|
364
|
+
|
365
|
+
morphemes = []
|
366
|
+
|
367
|
+
node = self.tagger.parseToNode(sentence)
|
368
|
+
|
369
|
+
while node:
|
370
|
+
|
371
|
+
if node.posid != 0:
|
372
|
+
|
373
|
+
morpheme = node.surface
|
374
|
+
|
375
|
+
morphemes.append(morpheme)
|
376
|
+
|
377
|
+
node = node.next
|
378
|
+
|
379
|
+
return morphemes
|
380
|
+
|
381
|
+
|
382
|
+
|
383
|
+
def _make_triplet(self, morphemes):
|
384
|
+
|
385
|
+
"""
|
386
|
+
|
387
|
+
形態素解析で分割された配列を、形態素毎に3つ組にしてその出現回数を数える
|
388
|
+
|
389
|
+
@param morphemes 形態素配列
|
390
|
+
|
391
|
+
@return 3つ組とその出現回数の辞書 key: 3つ組(タプル) val: 出現回数
|
392
|
+
|
393
|
+
"""
|
394
|
+
|
395
|
+
# 3つ組をつくれない場合は終える
|
396
|
+
|
397
|
+
if len(morphemes) < 3:
|
398
|
+
|
399
|
+
return {}
|
400
|
+
|
401
|
+
|
402
|
+
|
403
|
+
# 出現回数の辞書
|
404
|
+
|
405
|
+
triplet_freqs = defaultdict(int)
|
406
|
+
|
407
|
+
|
408
|
+
|
409
|
+
# 繰り返し
|
410
|
+
|
411
|
+
for i in range(len(morphemes)-2):
|
412
|
+
|
413
|
+
triplet = tuple(morphemes[i:i+3])
|
414
|
+
|
415
|
+
triplet_freqs[triplet] += 1
|
416
|
+
|
417
|
+
|
418
|
+
|
419
|
+
# beginを追加
|
420
|
+
|
421
|
+
triplet = (PrepareChain.BEGIN, morphemes[0], morphemes[1])
|
422
|
+
|
423
|
+
triplet_freqs[triplet] = 1
|
424
|
+
|
425
|
+
|
426
|
+
|
427
|
+
# endを追加
|
428
|
+
|
429
|
+
triplet = (morphemes[-2], morphemes[-1], PrepareChain.END)
|
430
|
+
|
431
|
+
triplet_freqs[triplet] = 1
|
432
|
+
|
433
|
+
|
434
|
+
|
435
|
+
return triplet_freqs
|
436
|
+
|
437
|
+
|
438
|
+
|
439
|
+
def save(self, triplet_freqs, init=False):
|
440
|
+
|
441
|
+
"""
|
442
|
+
|
443
|
+
3つ組毎に出現回数をDBに保存
|
444
|
+
|
445
|
+
@param triplet_freqs 3つ組とその出現回数の辞書 key: 3つ組(タプル) val: 出現回数
|
446
|
+
|
447
|
+
"""
|
448
|
+
|
449
|
+
# DBオープン
|
450
|
+
|
451
|
+
con = sqlite3.connect(PrepareChain.DB_PATH)
|
452
|
+
|
453
|
+
|
454
|
+
|
455
|
+
# 初期化から始める場合
|
456
|
+
|
457
|
+
if init:
|
458
|
+
|
459
|
+
# DBの初期化
|
460
|
+
|
461
|
+
with open(PrepareChain.DB_SCHEMA_PATH, "r") as f:
|
462
|
+
|
463
|
+
schema = f.read()
|
464
|
+
|
465
|
+
con.executescript(schema)
|
466
|
+
|
467
|
+
|
468
|
+
|
469
|
+
# データ整形
|
470
|
+
|
471
|
+
datas = [(triplet[0], triplet[1], triplet[2], freq) for (triplet, freq) in triplet_freqs.items()]
|
472
|
+
|
473
|
+
|
474
|
+
|
475
|
+
# データ挿入
|
476
|
+
|
477
|
+
p_statement = "insert into chain_freqs (prefix1, prefix2, suffix, freq) values (?, ?, ?, ?)"
|
478
|
+
|
479
|
+
con.executemany(p_statement, datas)
|
480
|
+
|
481
|
+
|
482
|
+
|
483
|
+
# コミットしてクローズ
|
484
|
+
|
485
|
+
con.commit()
|
486
|
+
|
487
|
+
con.close()
|
488
|
+
|
489
|
+
|
490
|
+
|
491
|
+
def show(self, triplet_freqs):
|
492
|
+
|
493
|
+
"""
|
494
|
+
|
495
|
+
3つ組毎の出現回数を出力する
|
496
|
+
|
497
|
+
@param triplet_freqs 3つ組とその出現回数の辞書 key: 3つ組(タプル) val: 出現回数
|
498
|
+
|
499
|
+
"""
|
500
|
+
|
501
|
+
for triplet in triplet_freqs:
|
502
|
+
|
503
|
+
print("|".join(triplet), "\t", triplet_freqs[triplet])
|
504
|
+
|
505
|
+
|
506
|
+
|
507
|
+
|
508
|
+
|
509
|
+
class GenerateText(object):
|
510
|
+
|
511
|
+
"""
|
512
|
+
|
513
|
+
文章生成用クラス
|
514
|
+
|
515
|
+
"""
|
516
|
+
|
517
|
+
|
518
|
+
|
519
|
+
def __init__(self, n=5):
|
520
|
+
|
521
|
+
"""
|
522
|
+
|
523
|
+
初期化メソッド
|
524
|
+
|
525
|
+
@param n いくつの文章を生成するか
|
526
|
+
|
527
|
+
"""
|
528
|
+
|
529
|
+
self.n = n
|
530
|
+
|
531
|
+
|
532
|
+
|
533
|
+
def generate(self):
|
534
|
+
|
535
|
+
"""
|
536
|
+
|
537
|
+
実際に生成する
|
538
|
+
|
539
|
+
@return 生成された文章
|
540
|
+
|
541
|
+
"""
|
542
|
+
|
543
|
+
# DBが存在しないときは例外をあげる
|
544
|
+
|
545
|
+
if not os.path.exists(PrepareChain.DB_PATH):
|
546
|
+
|
547
|
+
raise IOError("DBファイルが存在しません")
|
548
|
+
|
549
|
+
|
550
|
+
|
551
|
+
# DBオープン
|
552
|
+
|
553
|
+
con = sqlite3.connect(PrepareChain.DB_PATH)
|
554
|
+
|
555
|
+
con.row_factory = sqlite3.Row
|
556
|
+
|
557
|
+
|
558
|
+
|
559
|
+
# 最終的にできる文章
|
560
|
+
|
561
|
+
generated_text = ""
|
562
|
+
|
563
|
+
|
564
|
+
|
565
|
+
# 指定の数だけ作成する
|
566
|
+
|
567
|
+
for i in range(self.n):
|
568
|
+
|
569
|
+
text = self._generate_sentence(con)
|
570
|
+
|
571
|
+
generated_text += text
|
572
|
+
|
573
|
+
|
574
|
+
|
575
|
+
# DBクローズ
|
576
|
+
|
577
|
+
con.close()
|
578
|
+
|
579
|
+
|
580
|
+
|
581
|
+
return generated_text
|
582
|
+
|
583
|
+
|
584
|
+
|
585
|
+
def _generate_sentence(self, con):
|
586
|
+
|
587
|
+
"""
|
588
|
+
|
589
|
+
ランダムに一文を生成する
|
590
|
+
|
591
|
+
@param con DBコネクション
|
592
|
+
|
593
|
+
@return 生成された1つの文章
|
594
|
+
|
595
|
+
"""
|
596
|
+
|
597
|
+
# 生成文章のリスト
|
598
|
+
|
599
|
+
morphemes = []
|
600
|
+
|
601
|
+
|
602
|
+
|
603
|
+
# はじまりを取得
|
604
|
+
|
605
|
+
first_triplet = self._get_first_triplet(con)
|
606
|
+
|
607
|
+
morphemes.append(first_triplet[1])
|
608
|
+
|
609
|
+
morphemes.append(first_triplet[2])
|
610
|
+
|
611
|
+
|
612
|
+
|
613
|
+
# 文章を紡いでいく
|
614
|
+
|
615
|
+
while morphemes[-1] != PrepareChain.END:
|
616
|
+
|
617
|
+
prefix1 = morphemes[-2]
|
618
|
+
|
619
|
+
prefix2 = morphemes[-1]
|
620
|
+
|
621
|
+
triplet = self._get_triplet(con, prefix1, prefix2)
|
622
|
+
|
623
|
+
morphemes.append(triplet[2])
|
624
|
+
|
625
|
+
|
626
|
+
|
627
|
+
# 連結
|
628
|
+
|
629
|
+
result = "".join(morphemes[:-1])
|
630
|
+
|
631
|
+
|
632
|
+
|
633
|
+
return result
|
634
|
+
|
635
|
+
|
636
|
+
|
637
|
+
def _get_chain_from_DB(self, con, prefixes):
|
638
|
+
|
639
|
+
"""
|
640
|
+
|
641
|
+
チェーンの情報をDBから取得する
|
642
|
+
|
643
|
+
@param con DBコネクション
|
644
|
+
|
645
|
+
@param prefixes チェーンを取得するprefixの条件 tupleかlist
|
646
|
+
|
647
|
+
@return チェーンの情報の配列
|
648
|
+
|
649
|
+
"""
|
650
|
+
|
651
|
+
# ベースとなるSQL
|
652
|
+
|
653
|
+
sql = "select prefix1, prefix2, suffix, freq from chain_freqs where prefix1 = ?"
|
654
|
+
|
655
|
+
|
656
|
+
|
657
|
+
# prefixが2つなら条件に加える
|
658
|
+
|
659
|
+
if len(prefixes) == 2:
|
660
|
+
|
661
|
+
sql += " and prefix2 = ?"
|
662
|
+
|
663
|
+
|
664
|
+
|
665
|
+
# 結果
|
666
|
+
|
667
|
+
result = []
|
668
|
+
|
669
|
+
|
670
|
+
|
671
|
+
# DBから取得
|
672
|
+
|
673
|
+
cursor = con.execute(sql, prefixes)
|
674
|
+
|
675
|
+
for row in cursor:
|
676
|
+
|
677
|
+
result.append(dict(row))
|
678
|
+
|
679
|
+
|
680
|
+
|
681
|
+
return result
|
682
|
+
|
683
|
+
|
684
|
+
|
685
|
+
def _get_first_triplet(self, con):
|
686
|
+
|
687
|
+
"""
|
688
|
+
|
689
|
+
文章のはじまりの3つ組をランダムに取得する
|
690
|
+
|
691
|
+
@param con DBコネクション
|
692
|
+
|
693
|
+
@return 文章のはじまりの3つ組のタプル
|
694
|
+
|
695
|
+
"""
|
696
|
+
|
697
|
+
# BEGINをprefix1としてチェーンを取得
|
698
|
+
|
699
|
+
prefixes = (PrepareChain.BEGIN,)
|
700
|
+
|
701
|
+
|
702
|
+
|
703
|
+
# チェーン情報を取得
|
704
|
+
|
705
|
+
chains = self._get_chain_from_DB(con, prefixes)
|
706
|
+
|
707
|
+
|
708
|
+
|
709
|
+
# 取得したチェーンから、確率的に1つ選ぶ
|
710
|
+
|
711
|
+
triplet = self._get_probable_triplet(chains)
|
712
|
+
|
713
|
+
|
714
|
+
|
715
|
+
return (triplet["prefix1"], triplet["prefix2"], triplet["suffix"])
|
716
|
+
|
717
|
+
|
718
|
+
|
719
|
+
def _get_triplet(self, con, prefix1, prefix2):
|
720
|
+
|
721
|
+
"""
|
722
|
+
|
723
|
+
prefix1とprefix2からsuffixをランダムに取得する
|
724
|
+
|
725
|
+
@param con DBコネクション
|
726
|
+
|
727
|
+
@param prefix1 1つ目のprefix
|
728
|
+
|
729
|
+
@param prefix2 2つ目のprefix
|
730
|
+
|
731
|
+
@return 3つ組のタプル
|
732
|
+
|
733
|
+
"""
|
734
|
+
|
735
|
+
# BEGINをprefix1としてチェーンを取得
|
736
|
+
|
737
|
+
prefixes = (prefix1, prefix2)
|
738
|
+
|
739
|
+
|
740
|
+
|
741
|
+
# チェーン情報を取得
|
742
|
+
|
743
|
+
chains = self._get_chain_from_DB(con, prefixes)
|
744
|
+
|
745
|
+
|
746
|
+
|
747
|
+
# 取得したチェーンから、確率的に1つ選ぶ
|
748
|
+
|
749
|
+
triplet = self._get_probable_triplet(chains)
|
750
|
+
|
751
|
+
|
752
|
+
|
753
|
+
return (triplet["prefix1"], triplet["prefix2"], triplet["suffix"])
|
754
|
+
|
755
|
+
|
756
|
+
|
757
|
+
def _get_probable_triplet(self, chains):
|
758
|
+
|
759
|
+
"""
|
760
|
+
|
761
|
+
チェーンの配列の中から確率的に1つを返す
|
762
|
+
|
763
|
+
@param chains チェーンの配列
|
764
|
+
|
765
|
+
@return 確率的に選んだ3つ組
|
766
|
+
|
767
|
+
"""
|
768
|
+
|
769
|
+
# 確率配列
|
770
|
+
|
771
|
+
probability = []
|
772
|
+
|
773
|
+
|
774
|
+
|
775
|
+
# 確率に合うように、インデックスを入れる
|
776
|
+
|
777
|
+
for (index, chain) in enumerate(chains):
|
778
|
+
|
779
|
+
for j in range(chain["freq"]):
|
780
|
+
|
781
|
+
probability.append(index)
|
782
|
+
|
783
|
+
|
784
|
+
|
785
|
+
# ランダムに1つを選ぶ
|
786
|
+
|
787
|
+
chain_index = random.choice(probability)
|
788
|
+
|
789
|
+
|
790
|
+
|
791
|
+
return chains[chain_index]
|
792
|
+
|
793
|
+
```
|