这个过程比较复制，安装处理的流程，依次进行代码解读。

在定义一个ChatBot后，可以进行对话的训练，这个过程参考：

水中的鱼：ChatterBot代码解读－训练数据​zhuanlan.zhihu.com

然后就是用如下的代码，获取对话的响应：

response = chatbot.get_response('How are you doing today?')。

一. 构造Statement类的对象.

get_response函数中，从75-100行，主要是构造Statement类的对象。类的定义在chatterbot/conversation.py文件中。

第７５行的代码有点绕，这里详细讲解下。

self.storage是ChatBot类初始化时指定的存储适配器，这里以SQLStorageAdapter为例。SQLStorageAdapter类的定义在chatterbot/storage/sql_storage.py文件中。

self.storage.get_object('statement')应该是调用SQLStorageAdapter类的get_object函数。但是sql_storage.py文件中并找不到get_object函数的定义。

怎么办呢？

熟悉类的继承特性的话，可能会想到是否在父类中定义的呢？这里介绍ｐｙｃｈａｒｍ的一个技巧，选中SQLStorageAdapter，然后按ctrl+H，可以看到类的继承关系。这样避免需要逐层寻找。

在chatterbot/storage/storage_adapter.py中，get_object的代码：

返回的是一个函数，函数的名字是get_%s_object拼装的，值为“get_statement_object”。

在看get_statement_object函数，返回值为一个Statement对象。

这里有读者可能会提问：干嘛不直接import　Statement，而采用这种复杂的动态获取的方式呢？

恭喜你，提了一个不错的问题，善于提问，成长的快。

采用动态获取的方式，本意是对于不同的存储适配器，定义不同的Statement类。但是本框架其实并没有实现不同的Statement类。只是这里动态获取的机制值得我们学习。当我们需要的时候，可以应用这种机制。

二.　对输入进行预处理

elf.preprocessors包含了预处理的适配器列表。系统已经预置的适配器有：

clean_whitespace　去掉语句中连续的空白字符

unescape_html　将 html中的转义字符变成对应的原字符，比如“&lt;b&gt;” 变成“<b>”.

convert_to_ascii　将unicode转成对应的ASCII码。

但是对于这个具体的ChatBot,使用那些预处理，要看初始化配置。

这里也可以看到要增加自定义的预处理适配器，只需要定义适配器函数，入参为Statement对象，出参也是Statement对象。

三.生成响应

具体是调用self.generate_response。

入参：input_statement是Statement对象，additional_response_selection_parameters是字典。

出参：Statement类的对象

具体过程如下：

对于每个逻辑适配器，依次调用适配器的process函数，获得对应的输出语句和置信度。将所有的输出Statement对象保存到results列表中，result保存置信度最大的输出Statement对象。

这里以BestMatch适配器来看process的处理过程。

四.　BestMatch.process处理过程

BestMatch类的构造中中，excluded_words参数的作用，可以让返回的语句包含这些词，比如脏话。

process中第三个参数self.search_algorithm，系统定义了两张搜索算法，默认采用IndexedTextSearch。

这里搜索过程描述参考第五步。假定已经完成查询数据库的搜索过程，并将结果保存在search_results中。接着的逻辑：

在search_results列表中查找置信度大于maximum_similarity_threshold（0.95）,如果找到，就直接返回。

在search_results列表去掉之前已经使用过的答复（避免重复答复），然后ｉｄ大小排序，找到最近的１０条记录。之前已经使用过的答复保存到Statement.conversation中，由于这里是单轮对话，系统并没有记录之前的对话的conversation，而是实现成通过参数传入，也就是说这个机制其实没有作用。

用additional_response_selection_parameters对search_results列表进行过滤操作。

对search_results列表中选择一条记录，选择的策略有：get_most_frequent_response，get_first_response，get_random_response。默认采用get_first_response的方式。

如果search_results列表为空，就输出默认的响应，对应的置信度为０．

五.　搜索算法的搜索过程

IndexedTextSearch.search，寻找和输入语句最接近的语句列表，并按照置信度做升序排列。输入语句作为ｐａｉｒ对的上句，搜索的范围也是数据库中ｐａｉｒ对中的上句。

搜索的过程是调用存储适配器的filter函数，参数search_parameters是一个字典。这里就看SQLStorageAdapter.filter，搜索的过程其实就是查询ｓｑｌ的语句。这用到了传说中的ORM技术：Object-Relational Mapping，把关系数据库的表结构映射到对象上。但是由谁来做这个转换呢？所以ORM框架应运而生。在Python中，最有名的ORM框架是SQLAlchemy。

重要的部分是：

这里采用self.compare_statements计算置信度（也就是相似度）。入参是要对比的两个statement对象。

相似度的算法，系统实现了：LevenshteinDistance，SpacySimilarity，JaccardSimilarity，默认值是LevenshteinDistance。

六.其他逻辑适配器

比如Time Logic Adapter ，Mathematical Evaluation Adapter ，其实现过程比较简单。这里不详述。

其实这里有个疑问：怎么根据业务需要，在这个框架中定制自己的处理逻辑适配器。比如根据用户的输入来执行一些命令，或调用其他在线聊天机器人的接口（比如turingapi）。

相信大家已经有自己的思路了。