技術メモの履歴(No.19)

武藤?

Python関連

R言語関連 ←KEGG pathway(KGML)の解析用

Jupyter Notebook関連

Beamer用TeXコマンド

研究室関係

Blockly関係

Jupyterを使ったWEBテキストマイニング

WEBサイトの検索結果に出てくるサイトから文章をスクレイピング+自然言語処理(形態素解析)し、3Dグラフを作る

スクレイピング
- Webサイトから何かしらのデータを自動で取ってくる技術のこと
テキストマイニング
- 文章中の単語どうしのつながりなどを分析し、有用な情報を見つける(マイニングする)こと

以下の手順に従って進めていく

添付フォルダのダウンロード

添付フォルダ

フォルダ内のファイルについて

dic
- 文章を単語に分解する際に参照する辞書
keywords.csv
- スクレイピングする際に必要なキーワードを入れるcsvファイル
stopwprd.txt
- 文章から除外する指示語や代名詞を載せたリスト
4つのjavascript(js)ファイル
- 3Dグラフがhtml上で動作するのに必要なもの
Server.py
- Jupyterで作成したグラフ情報をhtmlに送るためのもの
web3D.html
- 3Dグラフを描画する場所
web_tmining3dg.jpynb
- テキストマイニングを行うJupyterファイル

pythonからjupyterインストール

(anacondaを使ってる場合はanacondaから開く)

コマンドプロンプトでpythonのパスの通りを確認 [#o669b31c]
```
python -V
```
jupyterをインストール [#h2e417e1]
```
pip install jupyter environment_kernels
```
jupyter起動 [#wd3bdadf]
```
jupyter notebook
```
配布フォルダの中にあるweb_tmining3dg.ipynbをJupyter側から辿って開く[#p8dd02b6]
プログラムの処理ごとに分割してあるので１個づつ実行していく [#b8c11b4f]
- Shift+Enterでプログラム実行
- 処理が終わると左上に番号が出る

Webスクレイピング

1番目のプログラムのimportでエラーが出ると思うのでpip installしていく

入れたほうがいいもの

requests_oauthlib
------------スクレイピング用
selenium
chromedriver_binary
bs4
lxml
------------自然言語処理用
emoji
nltk
MeCab
------------3Dグラフ用
networkx
------------Server.py起動用
flask
flask_cors

何かのモジュールがないと出るたびにpipで入れていく

3つ目のプログラムを実行する前配布フォルダ中のcsvを編集する
- 属性データ(大学生・夫婦など)、検索キーワード、地名データ(東京・太閤山など)には検索したい好きなワードを入れる。(キーワードなしのときは「指定しない」を入れる)
- 4行目を編集したcsvがあるディレクトリにする
```
rd = pd.read_csv(C:/Users/iiela/OneDrive - 富山県立大学/idea_graph/Web3DGraph/keywords.csv', encoding="shift-jis")
```

4つ目のプログラム--->スクレイピング

下のエラーが出る場合(pipのseleniumとchrome.exeのバージョン違いエラー)

selenium.common.exceptions.SessionNotCreatedException: Message: session not created: This version of ChromeDriver only supports Chrome version 88
Current browser version is 92.0.4515.131 with binary path C:\Program Files (x86)\Google\Chrome\Application\chrome.exe

言われているバージョンをpip install(ver.88→ver.92へ)

pip install chromedriver-binary==92.0.4515.131

おそらく赤字でエラーが出る

ERROR: Could not find a version that satisfies the requirement chromedriver-binary==92.0.4515.131 (from versions:  ～～～, 91.0.4472.101.0, 92.0.4515.43.0, 92.0.4515.107.0, 93.0.4577.15.0)
ERROR: No matching distribution found for chromedriver-binary==92.0.4515.131

バージョンが列記されると思うので一番近いバージョンをインストール

pip install chromedriver-binary==92.0.4515.107.0

逆パターンでchrome.exe(クローム本体)よりchromedriverの方が新しいということもある
→その場合、chrome.exeのバージョンと同じchromedriver-binaryをインストールする

◎4行目について

csvに入れたキーワードで自動検索するソースコード
htmlで検索窓を実装しているタグ(qというnameタグ)を探し，そこにキーワードを打ち込んで検索ボタンを勝手に押すようにしている
- #2のrankinng関数を呼び出し，検索結果のwebサイトのリンクとタイトルをスクレイピングする
  (→どちらもtF2Cxcというclassタグに入っているので，そこを見つけて取ってきている)

5つ目のプログラム保存したリンク先のWebサイトに飛び，文章をスクレイピングする
→最終的に1つのテキストファイルに文章は保存される
- linkdir,txtdirを添付フォルダ内のディレクトリにする

この後もファイルの保存・呼び出しで、パスを指定する箇所がいくつかあるが、 1番下のファイル名は変えず、C:からWebsc3Dまでを自分のものに変更していく

形態素解析、共起頻度計算

形態素解析：文章を意味のある最小単位の単語(形態素)に分解して分析する(自然言語処理の一種)

8つ目のプログラム実行前1
- Mecab(形態素分析を行うモジュール)をインストールする(リンク先の.exeのみ)
```
https://github.com/ikegami-yukino/mecab/releases/tag/v0.996
```
- パスを通しておく(windows画面左下で環境変数と検索→環境変数の編集へ)
- mecabと打った後、形態素解析を打ってみる
  何か出てEOSが表示されていればOK
- コマンドプロンプトでpythonを入力して対話モードにする
- 下図の4行を1行ずつ打ち込んで形態素解析結果が出ればOK

8つ目のプログラム実行前2
ここでやっていること：文章から不必要な文字列を除去し，Mecabの辞書に基づいて単語単位に分割する

辞書について
- どのような単位で単語を区切るかなどのルールを記したもの
- 辞書はなるべく頻繁に更新したほうがいい
  デフォルトの辞書(2007年版？)では「進撃の巨人」に対して「進撃　の　巨人」という分析をしてしまう
  →辞書を日々更新することで流行語などを正確に1つの単語として分析してくれる

インストールしたMecabには古い辞書しか入っていないので、NEologdという新しい辞書を追加する

C:\Program Files\MeCab\dic 内に配布フォルダのneologdをコピーする
Program Files>MeCab>etcの中にあるmecabrcをメモ帳で開き，下の一行を追加する
```
userdic = C:\Program Files\MeCab\dic\neologd\NEologd.20200820-u.dic
```

12番目のプログラム隣接行列を生成(まだ要素は0のまま)
- 3Dグラフの基
- 行の単語から列の単語に向かって矢印が描かれ，値がエッジ(辺)の太さになる

13番目共起頻度を計算する
- word_list(重複している単語リスト)を基に順序関係を見る

例えば、単語'あ'の次に'う'が来ているので隣接行列の'あ'行'う'列の要素に+1される
(文章中の単語'あ'から'う'が1回共起されたとみなす)

15番目
- 全ての行の共起頻度の合計を計算する
- 合計値の大きい順に単語を並び替える(列に対しても同じ操作をする)
- 上位数十件(DfNumで調整)の単語だけ切り取った隣接行列を作る

16番目
- 単語の重み(正規化した共起頻度)を出す

17番目
- 閾値以下の単語を除外して，新しい隣接行列を作る

Jupyterで3Dグラフを開く

18番目
今pandasのデータフレーム型になっている隣接行列をpythonの辞書型に変換する
→この辞書を参考に3Dグラフが作られる
- "nodes"にはノード(頂点)に入れる単語の情報が入る(csvのキーワードになっている単語だけ赤色になるなど)
- "links"にはエッジ(辺)の情報(矢印の出発ノードから到着ノード，辺の太さweight(単語間の共起頻度など)が入る

19番目
辞書型のデータをjson形式にする
- サーバとデータをやり取りするときはjson形式にすることが多い

20,21番目
サーバ経由でデータを送って，htmlで3Dグラフを描画する

技術メモ の履歴(No.19)