使用Spark框架中文分词统计

• 技术
  Spark+中文分词
• 算法
  对爬取的网站文章的关键词进行统计，是进行主题分类，判断相似性的一个基础步骤。例如，一篇文章大量出现“风景”和“酒店”之类的词语，那么这篇文章归类为“旅游”类的概率就比较大。而在关于“美食”的文章中，“餐厅”和“美味”等词语出现的频率一般也会比较大。
  分词使用语言云http://www.ltp-cloud.com实现对一段中文先进行分词，然后通过Spark streaming 对分词后的内容进行词频统计。

• 通过ltp-cloud进行中文分词
  目前国内有不少科研机构开发了中文分词系统，例如中科院、哈工大、科大讯飞等，本次体验的是哈工大的语言云。

• Rest API调用，
  例如(YourAPIKey替换成你的APIKey)：

curl -i"http://api.ltp-cloud.com/analysis/?api_key=YourAPIKey&text=认知商业需要认知技术&pattern=ws&format=plain"
HTTP/1.1 200 OK
Server: nginx
Date: Tue, 22Mar 2016 14:18:39 GMT
Content-Type:text/plain;charset=utf-8
Transfer-Encoding:chunked
Connection:keep-alive
X-Powered-By-360WZB:wangzhan.360.cn
Vary:Accept-Encoding

• Spark Streaming进行词频统计
  Spark Streaming是基于Spark平台上提供的流计算引擎，可以处理多种数据来源的流数据，并进行统计分析。在Spark Streaming的sample程序中，就提供了从MQTT，Kafka，Network socket等来源读取数据的word count。本次测试NetworkWordCount，即SparkStreaming从TCPIP Socket读取数据，然后对内容进行词频统计。

// 创建Streaming上下文，使用2个线程，流处理时间窗口1秒
valconf=newSparkConf.setMaster("local[2]").setAppName("NetworkWordCount")valssc=newStreamingContext(conf,Seconds(1)) // 创建监听9999端口的流
vallines=ssc.socketTextStream("localhost",9999) // 将行拆分成单词
valwords=lines.flatMap(_.split(" ")) // 统计词频
valpairs=words.map(word=>(word,1))valwordCounts=pairs.reduceByKey(_+_) // 打印统计结果
wordCounts.print // 启动流，开始计算
ssc.start 
ssc.awaitTermination 

1. 运行程序
   cd $SPARK_HOME目录，
   输入:
   ./bin/run-example streaming.NetworkWordCount llhost 9999

   Spark会启动一个Spark Streaming的WordCount范例程序，在9999端口监听，并进行词频统计。然后，通过另外一个脚本，用curl调用哈工大语言云进行分词，并通过linux命令nc将结果写入端口9999的socket:
   curl-i “http://api.ltp-cloud.com/analysis/?api_key=YourAPIKey&text=认知商业需要认知技术&pattern=ws&format=plain”|nc -lk 9999
2. 总结
   因为其中频度最高的词汇就是“**”。当然，真正应用中需要结合权重算法，将一些常用词如“的”，“然后”，“因此”之类的词汇排除。哈工大语言云服务和SparkStreaming构建了一个简单的实时中文词频统计框架，下一步可以考虑结合爬虫获取实时新闻，然后通过上述框架进行中文分词和词频统计，并判断新闻的热点关键字。也可以构建基于关键字的权重向量，再调用聚类模型对新闻进行实时主题分类。可以使用Nutch这个高大上的东西，使用deploy模式将爬取的内容存储在HDFS中。

3. Nutch

   
   Nutch搭建其实很简单，可以选用2.x版本,可以用deploy模式或者local模式都是可以的，当然最好是用deploy模式，执行nutch脚本，注意你可以使用索引，加上solr，当爬取内容需要做搜索管理时，索引是必须的。

4. 下步想法
   可以使用spring mvc解决平台显示，后台提供分词统计的结果。