要約
今回紹介するのは、「Pixiv株式会社」です。
Pixivは、イラストや漫画の投稿、閲覧に特化したSNSサイトです。
そんなPixivはどのようにPythonを活用しているのか、以下に紹介します。
詳細内容
Pixivは、Pythonを多くの場面で活用しています。
以下に、その一部を紹介します。
## クローリング・スクレイピングPixivでは、画像やタグ、ユーザー情報などのデータを収集するために、Pythonを用いたクローリング・スクレイピングを行っています。
例えば、以下のようなコードで、Pixivに投稿された新着のイラスト情報を取得することができます。
“`
import requests
from bs4 import BeautifulSoup
url = ‘https://www.pixiv.net/new_illust.php’
res = requests.get(url)
soup = BeautifulSoup(res.text, ‘html.parser’)
illusts = soup.select(‘.ranking-item .title a’)
for illust in illusts:
print(illust.text)
“`このコードでは、`requests`ライブラリを用いて`url`からHTMLを取得し、`BeautifulSoup`ライブラリを用いてパースしています。
また、`soup`からはCSSセレクターを用いて要素を抜き出し、イラスト情報を取得しています。
## 機械学習Pixivでは、AIによる判別技術を用いて、不適切なコンテンツの検出や、画像に対するタグの自動生成を行っています。
そのために、Pythonを用いた機械学習の技術を活用しています。
例えば、以下のようなコードで、画像認識のためのCNNを実装することができます。
“`
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers import Conv2D, MaxPooling2D
from keras import backend as K
# データをロードする
(x_train, y_train), (x_test, y_test) = mnist.load_data()
# 入力データの形を設定する
img_rows, img_cols = 28, 28
num_classes = 10
# チャンネルを1とする
if K.image_data_format() == ‘channels_first’:
x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols)
x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols)
input_shape = (1, img_rows, img_cols)
else:
x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1)
x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1)
input_shape = (img_rows, img_cols, 1)
# データの前処理
x_train = x_train.astype(‘float32’)
x_test = x_test.astype(‘float32′)
x_train /= 255
x_test /= 255
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)
# モデルを定義する
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3),
activation=’relu’,
input_shape=input_shape))
model.add(Conv2D(64, (3, 3), activation=’relu’))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation=’relu’))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation=’softmax’))
# モデルをコンパイルする
model.compile(loss=keras.losses.categorical_crossentropy,
optimizer=keras.optimizers.Adadelta(),
metrics=[‘accuracy’])
# モデルを学習する
batch_size = 128
num_epochs = 10
model.fit(x_train, y_train,
batch_size=batch_size,
epochs=num_epochs,
verbose=1,
validation_data=(x_test, y_test))
# テストデータで評価する
score = model.evaluate(x_test, y_test, verbose=0)
print(‘Test loss:’, score[0])
print(‘Test accuracy:’, score[1])
“`このコードでは、Kerasを用いてCNNを実装しています。
MNISTデータセットを用いて学習した後に、テストデータで評価を行っています。
## ウェブアプリケーションPixivでは、Pythonを用いてウェブアプリケーションの開発を行っています。
例えば、以下のようなコードで、Flaskを用いて簡単なウェブアプリケーションを作成することができます。
“`
from flask import Flask
app = Flask(__name__)
@app.route(‘/’)
def hello_world():
return ‘Hello, World!’
if __name__ == ‘__main__’:
app.run()
“`このコードでは、Flaskを用いて`/`にアクセスした場合に`Hello, World!`を返すウェブアプリケーションを作成しています。
`app.run()`でウェブサーバーを起動し、`http://localhost:5000`にアクセスすることで表示することができます。
以上が、PixivがPythonを活用する一部の例です。
Pythonを用いることで、Pixivでは開発効率やデータ解析の精度を高めることができていると考えられます。
コメント