使用Python+jieba和java+庖丁分词在Spark集群上进行中文分词统计

写在前边的话：

        本篇博客也是在做豆瓣电影数据的分析过程中，需要对影评信息和剧情摘要信息进行分析而写的一篇博客

        以前学习hadoop时，感觉做中文分词也没那么麻烦，但是到了Spark，却碰到了诸多困难，但幸好最终都解决了这些问题，而得到了正确的结果，这里我们不解释具体的spark语法之类的，着重于解决中文分词统计这个问题

        同步github地址：点击查看

1：Python+jieba

      使用python版本的spark，首先想到的便是jieba分词，这里结合python的jieba分词和Spark对文件内容进行分词和词频统计，使用的样例数据依旧豆瓣电影的影评数据，这里只是采用了大鱼海棠的影评信息进行分词。

      数据样例的格式如下：

26051523        根据真实事件改编，影片聚焦1973年智利政变时期，一对年轻的德国夫妇丹尼尔与莱娜反抗智利军政府统领、独裁者皮诺切特的故事。当时正值智利政变的高潮期，丹尼尔被皮诺切特的手下绑架到一个被称为“尊严殖民地”的秘密基地。那儿正是前德国纳粹分子逃亡智利所建的聚集地，而军政府武装进行着大量的刑讯工作与秘密人体实验，被绑架的人从来没有一个曾活着逃出“殖民地”。然而丹尼尔的妻子莱娜没有放弃，她找到了基地所在，并计划救出丈夫。

     需要注意的是：如果去掉下面函数中的combine函数，则正常保存统计结果，显示的形式大致是这样的

     

     而这里的combine函数就是为了解决这个问题，最终的统计结果为

     

#-*-coding:utf-8-*-
from pyspark import SparkConf, SparkContext

import jieba

def split(line):
    word_list = jieba.cut(line.strip().split("\t")[1])  #进行中文分词
    ls =[]
    for word in word_list:
        if len(word)>1:      #过滤掉单音节词
            ls.append(word)
    return ls

def combine(line):        #去除保存结果中的括号和解=解决中文编码显示的问题
    result = ""
    result +=line[0]+"\t"+str(line[1])   #让数字在前，方便统计
    return result

def main(sc):
    text = sc.textFile("/file/douban_movie_data/movie_summary.txt")
    word_list = text.map(split).collect() #保存为列表
    count = sc.parallelize(word_list[0]) #返回列表中的第一个元素
    results = count.map(lambda w:(w,1)).reduceByKey(lambda x,y:x+y).map(combine).sortByKey().saveAsTextFile("/file/douban_movie_data/result")
    print "succeed"

if __name__=="__main__":
    conf = SparkConf().setAppName("wordSplit")
    conf.setMaster("local")
    sc= SparkContext(conf = conf)
    main(sc)

2：Java+Scala+庖丁分词

       网上搜了一遍，有使用ansj分词的，但是瞄了一遍，不懂，于是还是回归到了庖丁分词，整体的程序分为两部分，一个是java+庖丁分词程序，一个是scala提交spark的统计程序，具体代码和解释如下

       至于如何使用Idea+Spark构建开发环境请移步：点击阅读

       庖丁分词等中文分词比较请移步：点击阅读

          这里需要注意的是：庖丁分词的字典库的配置问题（下图红线所示），正常情况下，程序打成jar包在spark集群上运行会报出各种错误，但主要是两个方面，一个是spark集群的内存问题（我用的是自己电脑的虚拟机，视具体配置而定），二是字典库的路径问题，我这里是把dic放在集群上每台机器的一个指定的相同的目录，同时把jar包在放在集群上的每台机器上

            

tokens.java

import java.io.IOException;
import java.io.StringReader;
import java.util.ArrayList;
import java.util.List;

import net.paoding.analysis.analyzer.PaodingAnalyzer;

import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.analysis.Token;
import org.apache.lucene.analysis.TokenStream;

public class tokens {
    public static List anaylyzerWords (String str){
        // TODO Auto-generated method stub
        //定义一个解析器  
        Analyzer analyzer = new PaodingAnalyzer();
        //定义一个存放存词的列表
        List list=new ArrayList();
        //得到token序列的输出流
        TokenStream tokens = analyzer.tokenStream(str, new StringReader(str));
        try{
            Token t;
            while((t=tokens.next() ) !=null){
                list.add(t.termText());
            }
        }catch(IOException e){
            e.printStackTrace();
        }
        return list;
    }

    public static void main(String[] args){
        String text = "本思想就是在分词的同时进行句法、语义分析, 利用句法信息和语义信息来进行词性标注, " +
                "以解决分词歧义现象。因为现有的语法知识、句法规则十分笼统、复杂, 基于语法和规则的分词" +
                "法所能达到的精确度远远还不能令人满意, 目前这种分词系统还处在试验阶段。";
        List list=tokens.anaylyzerWords(text);
        for(String s:list){
            System.out.println(s);
        }

    }
}  

Analyzer.scala

import org.apache.spark._
/**
  * Created by gaoyt on 2016/8/11.
  */
object Analyzer {
  def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("my app").setMaster("spark://192.168.48.130:7077")
    val sc = new SparkContext(conf)
    val outputPath = "/file/douban_movie_data/summary"
    sc.addJar("/home/master/SparkApp/WordAnalyzer.jar")
    sc.textFile("/file/douban_movie_data/movie_summary.txt").map(x => {
      val list=tokens.anaylyzerWords(x)
      list.toString.replace("[", "").replace("]", "").split(",")
    }).flatMap(x => x.toList).map(x => (x.trim(),1)).reduceByKey(_+_).saveAsTextFile(outputPath)

  }
}

最终的运行结果如下：

执行查看命令

/opt/hadoop/bin/hdfs dfs -cat /file/douban_movie_data/summary/part-00001