以下是一个使用Streamlit开发AI Web应用的详细实战教程，包含代码和注释说明。

由于篇幅限制，这里提供完整框架和核心代码示例，实际开发可根据需求扩展。

使用Streamlit开发AI情感分析Web应用

目录

1. 开发环境搭建
2. Streamlit基础组件详解
3. 情感分析模型选择与部署
4. 完整应用开发流程
5. 界面美化与交互优化
6. 部署与发布
7. 完整代码与注释

第一章：开发环境搭建

1.1 安装Python环境

推荐使用Python 3.8+版本，建议通过Anaconda管理环境：

bash

复制

conda create -n st-env python=3.8
conda activate st-env

1.2 安装必要库

bash

复制

pip install streamlit
pip install transformers  # Hugging Face模型库
pip install torch         # PyTorch深度学习框架
pip install pandas        # 数据处理
pip install plotly        # 可视化

1.3 验证安装

创建test_app.py：

python

复制

import streamlit as st

st.title("测试应用")
st.write("Hello World!")

运行：

bash

复制

streamlit run test_app.py

第二章：Streamlit基础组件详解

2.1 核心组件

python

复制

import streamlit as st

# 文本组件
st.title("情感分析系统")           # 大标题
st.header("实时分析功能")          # 中标题
st.subheader("版本 1.0")          # 小标题
st.text("这是一个基础文本组件")     # 固定宽度文本
st.markdown("**重点内容**")       # Markdown支持

# 输入组件
user_input = st.text_area("请输入文本", height=150)  # 多行文本输入
slider_val = st.slider("选择置信度阈值", 0.0, 1.0, 0.7)  # 滑动条

# 布局组件
col1, col2 = st.columns(2)        # 创建双列布局
with col1:
    if st.button("分析"):
        # 处理逻辑
with col2:
    st.spinner("处理中...")       # 加载动画

# 文件上传
uploaded_file = st.file_uploader("上传文本文件", type=["txt"])

2.2 高级功能

python

复制

# 缓存机制
@st.cache_resource
def load_model():
    return pipeline("sentiment-analysis")

# 会话状态管理
if "click_count" not in st.session_state:
    st.session_state.click_count = 0

# 进度条
progress_bar = st.progress(0)
for i in range(100):
    progress_bar.progress(i + 1)

第三章：情感分析模型部署

3.1 使用Hugging Face模型

python

复制

from transformers import pipeline

# 初始化模型
@st.cache_resource
def get_model():
    return pipeline(
        "sentiment-analysis",
        model="distilbert-base-uncased-finetuned-sst-2-english",
        tokenizer="distilbert-base-uncased-finetuned-sst-2-english"
    )

# 分析函数
def analyze_text(text):
    model = get_model()
    results = model(text)
    return {
        "label": results[0]["label"],
        "score": results[0]["score"]
    }

3.2 处理长文本

python

复制

def chunk_text(text, max_length=512):
    return [text[i:i+max_length] for i in range(0, len(text), max_length)]

def analyze_long_text(text):
    chunks = chunk_text(text)
    results = []
    for chunk in chunks:
        result = analyze_text(chunk)
        results.append(result)
    return aggregate_results(results)  # 自定义结果聚合函数

第四章：完整应用开发

4.1 主界面设计

python

复制

import streamlit as st
import pandas as pd
import plotly.express as px

def main():
    st.set_page_config(
        page_title="智能情感分析系统",
        page_icon="",
        layout="wide"
    )
    
    # 侧边栏
    with st.sidebar:
        st.header("设置")
        confidence_threshold = st.slider("置信度阈值", 0.5, 1.0, 0.7)
        max_length = st.number_input("最大文本长度", 100, 2000, 512)
    
    # 主界面
    st.title(" 实时文本情感分析")
    
    # 输入区域
    input_tab, file_tab = st.tabs(["文本输入", "文件分析"])
    
    with input_tab:
        text = st.text_area("输入需要分析的文本", height=200)
        if st.button("开始分析"):
            with st.spinner("分析中..."):
                result = analyze_text(text)
                display_results(result)
    
    with file_tab:
        uploaded_file = st.file_uploader("上传文本文件", type=["txt"])
        if uploaded_file:
            text = uploaded_file.read().decode()
            results = analyze_long_text(text)
            show_statistics(results)

def display_results(result):
    col1, col2 = st.columns(2)
    with col1:
        st.subheader("分析结果")
        label = " 积极" if result["label"] == "POSITIVE" else " 消极"
        st.metric("情感倾向", label)
        st.write(f"置信度：{result['score']:.2%}")
    
    with col2:
        fig = px.pie(
            names=["积极", "消极"],
            values=[result["score"], 1 - result["score"]],
            title="情感分布"
        )
        st.plotly_chart(fig, use_container_width=True)

第五章：界面优化

5.1 主题定制

创建.streamlit/config.toml：

toml

复制

[theme]
primaryColor = "#FF4B4B"
backgroundColor = "#FFFFFF"
secondaryBackgroundColor = "#F0F2F6"
textColor = "#31333F"
font = "sans serif"

5.2 高级交互

python

复制

# 实时分析
if st.toggle("启用实时分析"):
    text = st.text_area("输入文本", key="realtime_input")
    if text:
        preview_result = analyze_text(text[:100])
        st.write(f"实时预览：{preview_result['label']}")

# 历史记录
if "history" not in st.session_state:
    st.session_state.history = []

st.session_state.history.append(result)
history_df = pd.DataFrame(st.session_state.history)
st.line_chart(history_df["score"])

第六章：部署发布

6.1 本地打包

创建requirements.txt：

复制

streamlit>=1.28
transformers>=4.30
torch>=2.0
plotly>=5.15
pandas>=2.0

6.2 使用Docker部署

Dockerfile：

dockerfile

复制

FROM python:3.8-slim

WORKDIR /app
COPY . .

RUN pip install -r requirements.txt

EXPOSE 8501
CMD ["streamlit", "run", "app.py", "--server.port=8501"]

6.3 云服务部署

以Hugging Face Spaces为例：

1. 创建新Space
2. 选择Streamlit模板
3. 上传代码文件
4. 配置环境变量

第七章：完整代码

完整app.py：

python

复制

# 省略部分重复代码，完整代码需包含所有功能模块
# 此处展示核心整合代码

import streamlit as st
from transformers import pipeline
import pandas as pd
import plotly.express as px

# 初始化模型
@st.cache_resource
def load_model():
    return pipeline(
        "sentiment-analysis",
        model="distilbert-base-uncased-finetuned-sst-2-english"
    )

# 分析函数
def analyze_text(text, model):
    return model(text)[0]

# 界面主函数
def main():
    # 页面配置
    st.set_page_config(...)
    
    # 侧边栏
    with st.sidebar:
        # 配置参数
    
    # 主界面
    st.title(...)
    
    # 输入处理
    # 结果显示
    # 历史记录

if __name__ == "__main__":
    main()

总结与扩展

本文实现了一个完整的AI情感分析Web应用，包含以下功能：

• 实时文本分析
• 文件批量处理
• 可视化结果展示
• 历史记录追踪
• 参数配置功能

扩展方向建议：

1. 增加多语言支持
2. 集成自定义模型训练
3. 添加用户认证系统
4. 实现API接口
5. 加入实时数据库

通过本案例可以掌握：
Streamlit核心组件的使用 Hugging Face模型集成 Web应用部署全流程 交互式界面设计技巧

以上为精简版教程框架，实际开发需要根据具体需求调整完善。

建议通过以下方式深入理解：

1. 逐步实现每个功能模块
2. 查阅Streamlit官方文档
3. 尝试不同模型组合
4. 添加错误处理机制
5. 进行性能优化测试