本项目使用了Neo4j作为知识图谱的存储引擎，使用Python实现对电影及演员信息的知识图谱展示及查询与回答。主要使用了flask作为后端框架,sk-learn作为作为训练模型,jieba库作为中文分词模块,BeautifulSoup4库作为网页爬取模块,py2neo库作为Neo4j的Python接口.
- flaskr: 项目源码
-
data:
- Neo4j_import: 爬取的数据和字典和问题模板,使用前请将Neo4j_import中的数据放到Neo4j的import目录下
- question: 用于存放问题模板
- cypher.txt: 用于存放Cypher查询语句,请在将Neo4j_import中的数据放到Neo4j的import目录下后在Neo4j中逐一运行导入命令
- vocabulary: 用于存放训练词典
- user_dict.txt: 由
generate_dict.py生成的用户字典
-
spider: 爬虫模块，用于爬取电影信息，保存到Neo4j数据库中
- data_crawler.py: 爬虫主程序
- proxy_pool.py: 用于获取代理
- start.bat: 用于启动爬虫
- data_deal.py: 数据处理模块,用于将爬取的数据处理成Neo4j数据库所需格式
- generate_dict.py: 用于生成用户字典
注意:
- 使用前提:使用spider时,前提需要克隆proxy_pool
库,同时安装redis数据库,并修改
proxy_pool中的settings.py中的数据库连接信息,proxy_pool库需要安装在项目的同级目录下 - 使用方法:先打开
redis服务器,再运行start.bat,最后运行data_crawler.py,注意:根据需要修改data_crawler.py中的url地址 - 爬虫由于设置了等待时间防止封IP,需要大量的时间才能爬取到足量的数据,所以该爬虫仅供学习参考,不建议自行爬取数据
- 爬虫完成后如果导入报错可以根据需要运行
data_deal.py文件,注意修改data_deal.py中的路径 - 爬虫导入成功后需要运行generate_dict.py生成用户字典
- 爬虫爬取的数据仅用于学习,请勿用于商业用途
-
static: 用于存放静态文件,如html,css,js等,其中使用了bootstrap和jquery和neovis.js
- kg.js: 知识图谱的js文件，使用了neovis.js，主要实现了知识图谱可视化
- qa.js: 问答系统的js文件，使用了xmlhttp进行ajax请求，主要实现了数据交换
-
templates: 用于存放html模板,其中
index.html为欢迎界面,search.html为知识图谱页面,QA.html为问答系统界面 -
utils: 用于存放一些工具函数,如Neo4j数据库连接和查询工具,数据处理,问题分类和问题模板等
- preprocess_data.py: 用于数据的处理,读取问题模板,对接受的问题进行词性划分等,主要使用了jieba库
- question_classification.py: 使用了sk-learn朴素贝叶斯进行训练并使用TF-IDF进行特征提取和jieba库进行切割以完成对问题的分类
- question_template.py: 定义了问题模板,用于对问题进行匹配,返回对应问题模板
- query.py: 用于连接数据库并执行查询,返回查询结果
-
__init__.py: 应用工厂文件,用于创建应用
-
app.py: 应用文件,运行可启动本项目,注意:运行前确保Neo4j数据库已连接且地址端口
localhost:5000未被占用 -
test: 测试用文件夹,用于测试
-
README.md: 项目说明文件
-
requirements.txt: 项目依赖文件 注意:请使用
pip install -r requirements.txt安装相关依赖库
-
重要提醒: 由于jieba分词模块的词性标注功能不稳定,将会导致外国人名无法被正确识别,所以本项目中使用了自定义的词典,请将jieba库的
__init__.py中的re_han_internal = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._]+)")改成
re_han_internal = re.compile("([\u4E00-\u9FD5a-zA-Z0-9+#&\._·]+)")
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent