用python写一份垃圾信息识别程序

由于垃圾信息的种类繁多，这里提供一种基于朴素贝叶斯算法的垃圾邮件分类器的实现。

首先，我们需要收集一些训练数据。可以从网上下载一些已经标注好的垃圾邮件和正常邮件的数据集，如Enron数据集。将数据集分为训练集和测试集，以便评估分类器的性能。

接下来，我们需要对原始文本进行一些预处理。这包括去除HTML标记、转换为小写字母、去除停用词等。可以使用Python的nltk库来完成这些任务。

然后，我们需要建立一个词汇表，将所有出现过的单词都加入到词汇表中。对于每个邮件，我们将其转换为一个特征向量，表示该邮件中每个单词出现的频率。这里我们可以使用Python的scikit-learn库提供的CountVectorizer类来完成这一步骤。

最后，我们可以使用朴素贝叶斯算法来训练分类器，并在测试集上进行评估。可以使用Python的scikit-learn库提供的MultinomialNB类来实现朴素贝叶斯分类器。

下面是一份基于上述步骤的Python代码示例：

import os
import string
from nltk.corpus import stopwords
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB

# 读取数据集
def read_dataset(path):
    texts = []
    labels = []
    for root, dirs, files in os.walk(path):
        for name in files:
            filename = os.path.join(root, name)
            with open(filename, 'r', encoding='utf-8', errors='ignore') as f:
                texts.append(f.read())
            if 'ham' in filename:
                labels.append(0)
            else:
                labels.append(1)
    return texts, labels

# 预处理文本
def preprocess_text(text):
    # 去除HTML标记
    text = text.replace('<br />', ' ')
    # 转换为小写字母
    text = text.lower()
    # 去除标点符号
    text = text.translate(str.maketrans('', '', string.punctuation))
    # 去除停用词
    stop_words = set(stopwords.words('english'))
    words = [word for word in text.split() if word not in stop_words]
    return ' '.join(words)

# 训练分类器
def train_classifier(texts, labels):
    # 建立词汇表
    vectorizer = CountVectorizer(preprocessor=preprocess_text)
    X = vectorizer.fit_transform(texts)
    # 训练分类器
    clf = MultinomialNB()
    clf.fit(X, labels)
    return clf, vectorizer

# 测试分类器
def test_classifier(clf, vectorizer, texts, labels):
    X = vectorizer.transform(texts)
    accuracy = clf.score(X, labels)
    return accuracy

# 读取数据集
train_texts, train_labels = read_dataset('data/train')
test_texts, test_labels = read_dataset('data/test')

# 训练分类器
clf, vectorizer = train_classifier(train_texts, train_labels)

# 测试分类器
accuracy = test_classifier(clf, vectorizer, test_texts, test_labels)
print('Accuracy:', accuracy)

这份代码假设数据集已经被分为训练集和测试集，且每个邮件都存储在一个单独的文件中，文件名中包含"ham"表示正常邮件，包含"spam"表示垃圾邮件。将数据集放在"data/train"和"data/test"文件夹下。运行代码后，输出分类器在测试集上的准确率。