Spark中分佈式使用HanLP（1.7.0)分詞示例

 

HanLP分詞，如README中所說，若是沒有特殊需求，能夠經過maven配置，若是要添加自定義詞典，須要下載「依賴jar包和用戶字典".

分享某大神的示例經驗:

是直接"java xf hanlp-1.6.8-sources.jar" 解壓源碼，把源碼加入工程（依賴本地jar包，有些麻煩，有時候到服務器有找不到jar包的狀況)

按照文檔操做，在Spark中分詞，默認找的是本地目錄，因此若是是在driver中分詞是沒有問題的。可是若是要分佈式分詞，是要把詞典目錄放在HDFS上面，由於這樣每臺機器才能夠訪問到 【參考代碼】

最好把新增詞典放在首位（沒有放在首位好像沒有生效).第一次使用時,HanLP會把新增txt文件，生成bin文件，這個過程比較慢。可是隻須要跑一次，它會把bin文件寫到HDFS路徑上面，第二次之後速度就快一些了。

注意到issue中說，只能夠在mapPartition中使用

參考scala代碼

class HadoopFileIoAdapter extends IIOAdapter {

 

  override def create(path: String): java.io.OutputStream = {

    val conf: Configuration = new Configuration()

    val fs: FileSystem = FileSystem.get(URI.create(path), conf)

    fs.create(new Path(path))

  }

 

  override def open(path: String): java.io.InputStream = {

    val conf: Configuration = new Configuration()

    val fs: FileSystem = FileSystem.get(URI.create(path), conf)

    fs.open(new Path(path))

  }

}

 

def myfuncPerPartition_ ( iter : Iterator [String] ) : Iterator[(Int, mutable.Buffer[String])]  = {

      println("run in partition")

      val keyWordNum = 6

      HanLP.Config.IOAdapter = new HadoopFileIoAdapter

      val ret = iter.filter(_.split(",",2).length==2)

        .map(line=>(line.split(",",2)(1).trim.hashCode, HanLP.extractKeyword(line.split(",",2)(0),keyWordNum)

          .map(str=>str.filterNot(stopChar.contains(_))).filter(w=>(w.length>1 || ( w.length==1 && white_single_word.contains(w(0))) ))

          .filterNot(stopWords.contains(_)).take(keyWordNum).distinct))

      ret

    }

 

//調用

raw_data.repartition(100).mapPartitions(myfuncPerPartition_)