Hanlp分詞1.7版本在Spark中分布式使用記錄

新釋出1.7.0版本的hanlp自然語言處理工具包差不多已經有半年時間了，最近也是一直在整理這個新版本hanlp分詞工具的相關内容。不過按照目前的整理進度，還需要一段時間再給大家詳細分享整理的内容。昨天正好看到的這篇關于關于1.7.0版本hanlp分詞在spark中的使用介紹的文章，順便分享給大家一起學習一下！

以下為分享的文章内容：

HanLP分詞，如README中所說，如果沒有特殊需求，可以通過maven配置，如果要添加自定義詞典，需要下載下傳“依賴jar包和使用者字典".

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，有時候到伺服器有找不到jar包的情況)

按照文檔操作，在Spark中分詞，預設找的是本地目錄，是以如果是在driver中分詞是沒有問題的。但是如果要分布式分詞，是要把詞典目錄放在HDFS上面，因為這樣每台機器才可以通路到 【參考代碼】

最好把新增詞典放在首位，第一次使用時,HanLP會把新增txt檔案，生成bin檔案，這個過程比較慢。但是隻需要跑一次，它會把bin檔案寫到HDFS路徑上面，第二次以後速度就快一些了。

注意到issue中說，隻可以在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 = {

    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_)

---------------------