-
Notifications
You must be signed in to change notification settings - Fork 0
/
exemplo_classificador.py
202 lines (178 loc) · 7.4 KB
/
exemplo_classificador.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
# coding=utf-8
from requests.auth import HTTPBasicAuth
import requests
import json
from collections import Counter
class Elastic:
def __init__(self, host='http://elasticsearch:9200', indice='', tipo='', usuario=None, senha=None):
self.host = host
self.indice = indice
self.tipo = tipo
self.usr = usuario
self.psd = senha
def url_elastic(self, indice=True, tipo=True, funcionalidade=None):
result = self.host
if indice: result = result + '/' + self.indice
if tipo: result = result + '/' + self.tipo
if funcionalidade: result = result + '/' + funcionalidade
return result
def url_search(self):
return self.url_elastic(True, True, '_search')
def url_analyze(self):
return self.url_elastic(True, False, '_analyze')
def url_term_vectors(self):
return self.url_elastic(True, True, '_termvectors')
def url_indice(self):
return self.url_elastic(True, False)
def url_tipo(self):
return self.url_elastic(True, True)
def requisicao(self, url, json_data, metodo):
if metodo == 'GET':
r = requests.get(url, json=json_data, auth=HTTPBasicAuth(self.usr, self.psd))
elif metodo == 'POST':
r = requests.post(url, json=json_data, auth=HTTPBasicAuth(self.usr, self.psd))
elif metodo == 'PUT':
r = requests.put(url, json=json_data, auth=HTTPBasicAuth(self.usr, self.psd))
elif metodo == 'DELETE':
r = requests.delete(url, auth=HTTPBasicAuth(self.usr, self.psd))
return json.loads(r.content.decode())
def get(self, url, json_data=None):
resultado = self.requisicao(url, json_data, 'GET')
return resultado
def post(self, url, json_data):
resultado = self.requisicao(url, json_data, 'POST')
return resultado
def put(self, url, json_data):
resultado = self.requisicao(url, json_data, 'PUT')
return resultado
def delete(self, url, json_data):
resultado = self.requisicao(url, json_data, 'DELETE')
return resultado
def search(self, json_data=None):
if json_data:
return self.post(self.url_search(), json_data)
else:
return self.get(self.url_search())
def analyze(self, analyzer, campo, texto):
if campo and (campo != ''):
dados = {"field": campo, "text": texto}
else:
dados = {"analyzer": analyzer, "text": texto}
resultado = self.post(self.url_analyze(), dados)
if resultado.get('status') == 404:
raise ValueError(''.join(['Não foi possível identificar o analyzer especificado [', analyzer,
'] no índice [', self.indice, '] - erro 404']))
if resultado:
return resultado['tokens']
else:
return {}
def analyze_counter(self, analyzer, campo, texto):
an = self.analyze(analyzer, campo, texto)
if not an:
return None
return Counter([k.get('token') for k in an])
def term_vector(self, campo, texto):
dados = {"doc": {campo: texto},
"field_statistics": False,
"term_statistics": True,
"positions": False,
"offsets": False,
"filter": {}}
termos = self.post(self.url_term_vectors(), dados)
if termos:
if termos.get('status') == 404:
raise ValueError(''.join(['Não foi possível identificar os vetores do campo especificado [', campo,
'] não é inválido para o índice [', self.indice, '/', self.tipo,
'] - erro 404']))
try:
print(termos)
termos = termos.get('term_vectors')
if termos:
termos = termos.get(campo)['terms']
except KeyError:
termos = {}
else:
termos = {}
return termos
def term_vector_counter(self, campo, texto, normalizado=False):
termos = self.term_vector(campo, texto)
if not termos:
return Counter({})
# print('TERMOS>>>>',termos.keys())
try:
pesos = {k: termos.get(k).get('score') for k in termos.keys()}
except KeyError:
pesos = Counter({})
if normalizado:
return TermosCounter.normaliza_counter(pesos)
else:
return pesos
def classificar(self, query, campo_classe):
assert query and campo_classe and len(query)>0 and len(campo_classe)>0, "Elastic.classificar: É necessário informar a query e o campo_classe usados na classificação"
res = self.search(query)
if not res:
return []
res = res.get('hits', {}).get('hits', [])
scores = {}
for r in res:
classe = r.get('_source', {}).get(campo_classe, '')
score = r.get('_score', 0)
scores[classe] = score + scores.get(classe, 0)
return TermosCounter.ordena(counter=scores,reverso=True)
class TermosCounter:
# Normaliza os valores de pesos de um counter entre 1 e 2 para multiplicação
@staticmethod
def normaliza_counter(counter):
if not counter:
return Counter({})
# normaliza os pesos >> 1+peso/total de pesos
maxV = max(counter.values())
minV = min(counter.values())
if maxV - minV == 0:
return counter
return Counter({k: 1 + ((counter.get(k, 1) - minV) / (maxV - minV)) for k in counter.keys()})
# Multiplica um counter de termos por um de pesos
@staticmethod
def ajusta_counter(counter_origem, counter_pesos):
if not counter_origem:
return Counter({})
if not counter_pesos:
return counter_origem
return Counter({k: counter_origem.get(k, 1) * counter_pesos.get(k, 1) for k in counter_origem.keys()})
@staticmethod
def ordena(counter, reverso=False):
return sorted(Counter(counter).items(), key=lambda i: i[1], reverse=reverso)
if __name__ == "__main__":
elastic = Elastic('http://localhost:9200', 'meustextos', 'textos', '', '')
print('### Retorno da classificação do texto')
textoNovo="isso é muito legal, adoro esse texto"
campo='Classificacao'
campoTexto='Texto_Shingle'
query= { "size" : 7,
"_source": [campo],
"query": {
"function_score": {
"query": {
"more_like_this": {
"fields": [campoTexto],
"like": textoNovo,
"min_term_freq": 1,
"min_doc_freq": 1,
"max_query_terms": 3
}
},
"functions": [
{ "field_value_factor": {
"field": "Votos",
"factor": 2,
"modifier": "sqrt",
"missing": 1
}
}
],
"max_boost": 2,
"boost_mode": "multiply",
"min_score" : 0.7
} } }
scores = elastic.classificar(query=query,campo_classe='Classificacao')
print('Classes e scores',scores)