教程
avatar of this article's author EarlGrey
本·拉登的书架:Python文本分析拉登最常念叨什么?

本文首发于编程派的微信公众号,搜索“codingpy”关注编程派吧。

2015年,美国官方解密了一系列有关本·拉登的文件,其中最引人瞩目的,是美国国家情报总监办公室(The Office of the Director of National Intelligence)在其官网上列出的“本·拉登的书架”。

曝光的这份阅读清单涉及书籍和其他材料400余种。其中包含了已解密的书信等文档103份、公开发表的美国政府文件75份、英文书籍39册、恐怖组织发表的材料35份、与法国有关的材料19份、媒体文章33篇、其他宗教文档11份、智库或其他研究40种、软件或技术手册30份,及一些零散资料。

在本文中,我们将学习如何分析PDF文档,并且利用AlchemyAPI来进行实体抽取分析,看看本·拉登在这些信件中最常提到的10个实体是什么。

本拉登的书架

什么是AlchemyAPI?

AlchemyAPI logo

AlchemyAPI是IBM旗下的一家公司,具有深度学习的自然语言处理和图片识别技术,可利用人工智能分析理解网页、文档、电子邮件、微博等形式的内容。它还将同Google 一样的神经网络分析技术应用其中。

AlchemyAPI目前共提供了12个文本分析功能:实体抽取(entitiy extraction),情感分析,关键字抓取,概念标识,关系提取,分类识别,作者提取,语言识别,文本提取,微格式分析,订阅内容识别,数据连接等。

接下来,我们开始进行准备工作。

本文中的代码大部分来自automatingosint,我对源代码进行更新。目前的脚本支持Python 3。

安装依赖包

由于美国ODNI公开的本·拉登信件都是PDF格式的,因此我们首先必须要安装能够处理PDF文档的Python包。这里,我使用的是PyPDF2。我们通过pip包管理器进行安装:

pip install pypdf2

另外,你肯定不想一封一封地手动103封书信吧?!省时省力的办法就是写个脚本把这些文档都爬取下来。由于要访问网页和解析网页,我们选择使用两个常用的第三方库:requests和BeautifulSoup 4:

pip install requests beautifulsoup4

获取免费AlchemyAPI Key

AlchemyAPI是IBM旗下的一家公司,具有深度学习的自然语言处理和图片识别技术,可利用人工智能分析理解网页、文档、电子邮件、微博等形式的内容。它还将同Google 一样的神经网络分析技术应用其中。AlchemyAPI目前共提供了12个文本分析功能:实体抽取(entitiy extraction),情感分析,关键字抓取,概念标识,关系提取,分类识别,作者提取,语言识别,文本提取,微格式分析,订阅内容识别,数据连接等。

AlchemyAPI有一个免费的基础服务包,每天的事务处理上限为1000次。在本文中,我们将使用他们的实体抽取服务来执行文本分析。

获取免费AlchemyAPI Key非常简单,只需要填写一个表单即可,输入自己的邮箱地址。

申请处理完成之后,你就可以在邮箱中看到发送给你的API Key了。

AlchemyAPI Key申请邮件回复

安装Alchemy Python SDK

获得API Key之后,我们可以通过AlchemyAPI提供的Python SDK和HTTP REST接口调用其提供的文本分析服务。在本文中,我们选择安装SDK的方式。

PyPI上之前有AlchemyAPI包,但是后来移除了下载包,因此我们不能使用pip来安装,只能通过Git克隆Python SDK的代码库或是直接下载代码库:

git clone https://github.com/AlchemyAPI/alchemyapi_python.git

接下来,我们要把申请到的API Key与SDK关联起来。打开终端,进入SDK文件夹,然后按下面的示例执行alchemyapi.py文件:

cd alchemyapi_python
python alchemyapi.py YOUR_API_KEY # 将YOUR_API_KEY替换成你收到的Key

为确保SDK正常安装,可以按照提示运行example.py查看演示程序:

python example.py

如果最后出现了下图的文字,就证明SDK安装正确,API Key也可以使用。

AlchemyAPI安装正常

下载文档

然后就到了怎么自动将103份PDF文档下载到本地了。

我们可以写一个简单的Python脚本来完成这项工作,但是我选择把它封装在download_bld_documents这个函数里,因为我想把所有的代码都放在一个脚本里,这样大家就可以直接运行这个脚本,等待一段时间,就可以看到最后的结果了。

这个函数写的比较简单,但是已经能够满足我们的需求了。

def download_bld_documents():
    """Download Bin Laden's Declassified documents from ODNI."""
    import os
    import time
    import requests    
    from bs4 import BeautifulSoup

    # 创建一个名为“pdfs”的文件夹,用于保存所有下载的PDF文档。
    try:
        os.mkdir("pdfs")
    except:
        pass

    # 获取ODNI网站上有关本·拉登书架的网页,
    # 将其交给Beautiful Soup,以进行HTML解析。
    response = requests.get(
        "http://www.dni.gov/index.php/resources/bin-laden-bookshelf?start=1")

    if response.status_code == 200:

        html = BeautifulSoup(response.content)

    link_list = []
    # 从网页中第54个超链接开始,我们遍历所有的文档链接,
    # 仅保留那些我们所需要的链接:即含有“pdf”但不包含“Arabic
    # 字样的链接。我们将满足要求的链接保存到列表`link_list`中。

    for i in html.findAll("a")[54:]:
        if "pdf" in i['href'] and "Arabic" not in i.text:
            link_list.append("http://www.odni.gov%s" % i['href'])
    # 接下来,我们遍历列表中所有的元素,
    # 从原链接中获取PDF的文件名,
    #然后从ODNI网站下载相应的文档。

    for i in link_list:
        response = requests.get(i)
        file_name = i.split("/")[::-1][0]
        fd = open("pdfs/%s" % file_name, "wb")
        fd.write(response.content)
        fd.close()

        time.sleep(1)

由于文件数量比较多,因此在最终执行脚本时,耗费在文件下载的时间可能会比较长。如果你从ODNI网站下载的速度非常慢,那么可以前往我的百度网盘下载,但是在最终执行时要对脚本做修改。只需要执行下文中的函数即可。

在微信号中,回复“laden”即可获得分享链接及提取码。

处理文档

下面,我们就可以正式对下载的PDF文档进行分析了。我们将要利用Alchemy API提供的强大工具,对这些PDF文档进行实体抽取(entitiy extraction)分析。通过实体分析,我们可以了解本·拉登在这些信件和文件中,谈到最多的人、地方或东西是什么。

所以,我们要一一打开这些PDF文件,从文档中提取所有的文本,然后将其提交至Alchemy进行分析处理。在处理每一个文档时,我们可以得到其中的实体数据,最后将所有文档的分析数据结合在一起,就可以得到出现频率最高的实体了。

我们将这部分代码封装在process_documents函数中:

def process_documents():
    """Process downloaded documents using AlchemyAPI."""

    # 导入所需要的模块,包括我们安装的PyPDF2和AlchemyAPI。
    import PyPDF2
    import glob
    import time    
    from collections import Counter    
    from alchemyapi import AlchemyAPI

    alchemyapi = AlchemyAPI() # 初始化AlchemyAPI。
    file_list = glob.glob("pdfs/*.pdf") 
    # 通过`glob`模块获取我们下载的所有PDF文件的文件名。
    entities = {} 
    # 我们要使用`entities`字典来保存每个PDF文档的分析结果。    # 下面的for循环将遍历所有的PDF文件
    for pdf_file in file_list:

        # read in the PDF
        print("[*] Parsing %s" % pdf_file)

    # 初始化一个PyPDF2对象,用于保存从PDF文档中提取的文本数据
        pdf_obj = PyPDF2.PdfFileReader(open(pdf_file, "rb"))

    # 创建一个空字符串,用于后续构建这个PDF的全部文本数据
        full_text = ""

        # 从每页中提取文本数据
        for page in pdf_obj.pages:
            full_text += page.extractText()
    # 接下来我们使用Alchemy API进行实体抽取
        print("[*] Sending %d bytes to the Alchemy API" % len(full_text))
        # 调用AlchemyAPI,并明确我们提交的是文本数据(第一个参数)
        # 然后传入需要分析的文本,第三个参数代表禁用情感分析功能,
        # 因为本文中我们只关注频率最��的实体。

        response = alchemyapi.entities('text', full_text, {'sentiment': 0})

        if response['status'] == 'OK':
            # 遍历返回的全部实体数据。
            # Alchemy返回的每个实体中,都包含有`count`数据,
            # 我们要确保在`entities`字典中,将所有相同实体的count相加
            for entity in response['entities']:
                # add each entity to our master list
                if entity['text'] in entities:
                    entities[entity['text']] += int(entity['count'])
                else:
                    entities[entity['text']] = int(entity['count'])

            print("[*] Retrieved %d entities from %s" %
                  (len(entities), pdf_file))

        else:
            print("[!] Error receiving Alchemy response: %s" %
                  response['statusInfo'])

        time.sleep(1)

    # 上面的循环执行结束,我们可以统计最常见的实体,
    # 并把相关的结果打印出来了!
    entity_counter = Counter(entities)

    top_entities = entity_counter.most_common()

    # 接下来就开始打印本·拉登提到次数最多的实体吧!
    for top_entity in top_entities[0:10]:

        # most_common returns a tuple (entity,count)
        print("%s => %d" % (top_entity[0], top_entity[1]))

上面函数的最后,我们使用了Counter类来加载entities字典,并且很容易地就得出了最常见的实体。

快速执行脚本

最后执行脚本时,一定要注意:要把脚本放在alchemyapi_python这个文件夹里。这是因为AlchemyAPI SDK并没有在Python的PATH上。

为了让大家少复制粘贴,我已经把相关的操作写在一个bash脚本里。大家下载脚本后修改API KEY即可。

curl https://raw.githubusercontent.com/bingjin/funscripts/master/laden/bld.sh --output bld.sh
sh bld.sh

拉登信件分析脚本运行中

上图就是正在执行的脚本。想不想看看最终的分析结果?

我直接告诉你们就太没趣了,大家可以运行脚本自己看,等待的同时可以品尝一杯咖啡。当然,剧透也是有的:伊斯兰教先知穆罕默德居然才排第七!

你分析的结果是怎样的,留言告诉大家本·拉登提到次数最多的三个实体吧!

结语

本文中仅使用了AlchemyAPI的实体提取功能,其他诸如关键词分析、情感分析、图像分析等功能都没有涉及。大家可以在本文的基础上,进一步发挥自己的想象力,看看还能从本·拉登的书架中得到什么信息。

上一篇
下一篇