本·拉登的书架：Python文本分析拉登最常念叨什么？
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份等。本文关注的重点，是如何分析已经解密的103份书信等文档。
P.S 本期另外两篇图文此前已经发过，但是很多人转载不注明出处，因此重发并添加原创声明。
——EarlGrey@编程派
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。
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。
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
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。
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:
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：
# 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：
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。
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。
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]))
微信阅读代码不方便的话，请点击阅读原文。
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。
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。
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！
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。
...
点击图片阅读我们的推荐
点击关键词查看对应内容：
Vim | Sublime Text 3 | Emacs | PyCharm 5 | 引力波 | Python简史 | MITx公开课 | 编码风格 | Python入门 | 程序员的日常
点击“阅读原文”，查看更多Python编程相关内容。
编程派 ∣专注Python编程