Spark + ansj 对大数据量中文进行分词

目前的分词器大部分都是单机服务器进行分词，或者使用hadoop mapreduce对存储在hdfs中大量的数据文本进行分词。由于mapreduce的速度较慢，相对spark来说代码书写较繁琐。本文使用 spark + ansj对存储在hdfs中的中文文本数据进行分词。 
首先下载ansj源码文件，下载地址为 https://github.com/NLPchina/ansj_seg ，同时需要下载nlp-lang.jar包，下载地址上述网站中可以看到。由于spark传输数据必须进行序列化，而ansj中的属性类都没有实现序列化，需要将ansj_seg-master/src/main/java/org/ansj/domain中的属性类AnsjItem、Nature、 NewWord、NumNatureAttr、PersonNatureAttr、Term、TermNature、TermNatures分别实现 Serializable接口。然后使用maven的mvn install生成ansj_seg-2.0.8.jar包，将编译的ansj_seg-2.0.8.jar包 和之前下载的nlp-lang-0.3.jar包加入到spark依赖中，spark便可对hdfs中的文本进行分词。另外，将序列化后编译的jar上传至csdn，可以直接下载使用。 
实例如下：

import org.apache.spark.SparkContext
import org.ansj.domain.Term
import org.ansj.splitWord.analysis.ToAnalysis
import org.ansj.util.FilterModifWord
import org.ansj.library.UserDefineLibrary
import java.util.Arrays

object TokenTest  extends App
{
  val sc =  new SparkContext
  val numpatitions =  100
  val text = sc.textFile( "/path/to/ChineseFile" , numpatitions).map { x =>
     val temp = ToAnalysis.parse(x)
//加入停用词
FilterModifWord.insertStopWords(Arrays.asList( "r" , "n" ))
//加入停用词性
FilterModifWord.insertStopNatures( "w" , null , "ns" , "r" , "u" , "e" )
val filter = FilterModifWord.modifResult(temp)
//此步骤将会只取分词，不附带词性
val word =  for (i<-Range( 0 ,filter.size())) yield filter.get(i).getName
     word.mkString( "\t" )
    }
  text.saveAsTextFile( "/pathr/to/TokenFile" )
}