Flask RESTful服务调用Linear SVC文本分类模型报错求助

让我们一步步拆解问题，找到导致JSONDecodeError的根源并逐一修复：

1. 核心原因：Flask路由未开放POST请求权限 #

你的Flask根路由@app.route("/")默认只接受GET请求，当你用POST方法发送请求时，Flask会返回405 Method Not Allowed的非JSON响应，这直接导致客户端解析JSON时报错。

修复方案：给路由明确添加methods=['POST']参数：

@app.route("/", methods=['POST'])  # 新增methods参数，允许POST请求
def make_predict():
    # 后续代码逻辑保持（先改这里，再处理其他问题）

2. 端口不匹配：客户端请求的端口与服务端不一致 #

你的Flask服务启动在默认的5000端口（启动时显示http://localhost:5000/），但客户端代码里请求的是8082端口：

url = "http://localhost:8082/"

这会导致请求根本没到达你的API，返回的是无法连接的错误页面，自然无法解析为JSON。

修复方案：把客户端的url改成服务端的实际端口：

url = "http://localhost:5000/"

3. Flask代码中的数组创建语法错误 #

你这里用了方括号np.array[predict_request]，这是错误的语法——创建numpy数组应该用圆括号，同时还要给文本加一层列表包装（因为LinearSVC.predict()要求输入是二维数组）：

# 错误写法
predict_request = np.array[predict_request]
# 正确写法
predict_request = np.array([predict_request])  # 加一层列表，转成模型需要的二维输入格式

4. 客户端结果提取的键名不匹配 #

服务端返回的是jsonify(results=output)，但客户端代码里尝试提取['Output']：

Output = json.loads(r.text)['Output']

这会导致KeyError，应该改成对应服务端的键名results：

Output = json.loads(r.text)['results']

5. 额外优化：简化客户端请求代码 #

requests库支持直接传入json参数，不需要手动json.dumps，它会自动设置正确的Content-Type请求头，代码更简洁：

import requests

url = "http://localhost:5000/"
data = {'Clean_Text_Body':"the product was amazing i just love it"}
# 直接用json参数，无需手动序列化和设置headers
r = requests.post(url, json=data)
Output = json.loads(r.text)['results']
print("results == ", Output)

修正后的完整Flask代码 #

import numpy as np
import pandas as pd
from flask import Flask, abort, jsonify, request
import pickle

# 加载模型（确保路径正确）
Text_classification_model = pickle.load(open(r"D:\Sentiment_Analysis_Project\Deb\Sentiment_Analysis\Linear_SVC_TEXT_CLASSI_Final_82per_Model.pkl", "rb"))

app = Flask(__name__)

@app.route("/", methods=['POST'])  # 允许POST请求
def make_predict():
    try:
        # 解析请求JSON
        data = request.get_json(force=True)
        predict_request = data['Clean_Text_Body']
        
        # 转换为模型需要的二维数组格式
        predict_request = np.array([predict_request])
        
        # 模型预测
        y_hat = Text_classification_model.predict(predict_request)
        
        # 返回结果（转成列表更符合JSON格式）
        return jsonify(results=y_hat.tolist())
    except Exception as e:
        # 捕获异常并返回错误信息，方便调试
        abort(400, description=str(e))

if __name__ == '__main__':
    app.run(debug=True)  # 开启debug模式，方便查看错误详情

最后补充一个注意点：确保你的LinearSVC模型是包含特征提取步骤的（比如和TF-IDF Vectorizer打包成了Pipeline）。如果模型只是单独的分类器，直接传入原始文本字符串会报错——因为模型需要的是数值化的特征向量，而不是文本。如果是这种情况，你需要把特征提取器和模型一起保存为Pipeline，再加载使用。

内容的提问来源于stack exchange，提问作者Deb