Usando filtragem de spam bayesiana para classificar e-mails em Python

Usando filtragem de spam bayesiana

Aspose.Email fornece funcionalidade de filtragem de e‑mail usando um analisador de spam bayesiano. Ele fornece o SpamAnalyzer classe para esse propósito. Este artigo mostra como treinar o filtro para distinguir entre spam e e‑mail normal com base em um banco de palavras.

1. Especifique os caminhos das pastas para os e‑mails legítimos (ham_folder), e‑mails de spam (spam_folder), e‑mails de teste (test_folder) e o arquivo de banco de dados (database_file) para o filtro de spam.
2. Defina a função auxiliar print_result para imprimir se uma mensagem foi classificada como spam ou não com base na probabilidade de spam calculada.
3. Crie um Analizador de Spam, treine-o com os e‑mails de ham_folder (não spam) e spam_folder (spam) usando o método ’train_filter(message, is_spam)’, depois salve o banco de dados treinado com ‘save_database(file_path)’.
4. Crie um Analizador de Spam, restaure o banco de dados treinado com ’load_database(file_path)’, carregue os arquivos .eml de ’test_folder’, analise cada um com ’test(message)’ para obter a probabilidade de spam e imprima o assunto do e‑mail e a classificação usando ‘print_result’.

import os

from aspose.email import MailMessage
from aspose.email.antispam import SpamAnalyzer

ham_folder = "hamFolder"
spam_folder = "spamFolder"
test_folder = "testFolder"
database_file = "SpamFilterDatabase.txt"

def print_result(probability):
    if probability >= 0.5:
        print("The message is classified as spam.")
    else:
        print("The message is classified as not spam.")
    print("Spam Probability: " + str(probability))
    print()

def train_from_directory(analyzer, folder, is_spam):
    for file in os.listdir(folder):
        if file.endswith(".eml"):
            analyzer.train_filter(MailMessage.load(os.path.join(folder, file)), is_spam)

def teach_and_create_database(ham_folder, spam_folder, database_file):
    analyzer = SpamAnalyzer()
    train_from_directory(analyzer, ham_folder, False)
    train_from_directory(analyzer, spam_folder, True)
    analyzer.save_database(database_file)

teach_and_create_database(ham_folder, spam_folder, database_file)

test_files = [f for f in os.listdir(test_folder) if f.endswith(".eml")]
analyzer = SpamAnalyzer()
analyzer.load_database(database_file)

for file in test_files:
    file_path = os.path.join(test_folder, file)
    msg = MailMessage.load(file_path)
    print(msg.subject)
    probability = analyzer.test(msg)
    print_result(probability)