基于MR进行批量分词

逃离我推掉我的手 2023-06-13 06:16 0阅读 0赞

# 一、结巴分词 #

1、支持三种分词模式：

(1)精确模式：试图将句子最精确的切开，适合文本分析。

(2)全模式：把句子中所有可以成词的词语都扫描出来，速度非常快，但是不能解决歧义。

(3)搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

2、支持繁体分词  
3、支持自定义词典

4、结巴分词的实现原理主要有一下三点：

(1)基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)。

(2)采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合。

(3)对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法。

# 二、MR批量分词 #

分词只需要map即可，无需reduce进行聚合。

## map.py ##

#! /usr/bin/python
    
    import sys
    import os
    # 将结巴分词包分发到从节点上，并解压，便于import
    os.system('tar zxvf jieba.tgz > /dev/null')
    reload(sys)
    sys.setdefaultencoding('utf-8')
    sys.path.append('./')
    
    
    import jieba
    import jieba.posseg
    import jieba.analyse
    
    
    for line in sys.stdin:
            ss = line.strip().split('\t')
            if len(ss) != 2:
                    continue
            music_id = ss[0].strip()
            music_name = ss[1].strip()
            # 采用全模式分词
            seg_list = jieba.cut(music_name,cut_all = False)
            print '\t'.join([music_id,music_name,'/'.join(seg_list)])

## run.sh ##

HADOOP_CMD="/usr/local/src/hadoop-2.6.5/bin/hadoop"
    STREAM_JAR_PATH="/usr/local/src/hadoop-2.6.5/share/hadoop/tools/lib/hadoop-streaming-2.6.5.jar"
    
    INPUT_FILE_PATH_A="/Test/fenci_mr/music_meta.data"
    OUTPUT_PATH="/Test/fenci_mr/result"
    
    $HADOOP_CMD fs -rm -r -skipTrash $OUTPUT_PATH
    
    $HADOOP_CMD jar $STREAM_JAR_PATH \
            -input $INPUT_FILE_PATH_A \
            -output $OUTPUT_PATH \
            -mapper "python map.py" \
            -file ./map.py \
            -file ./jieba.tgz \
            -jobconf mapred.job.name="fenci_mr" \
            -jobconf mapred.reduce.tasks=0

执行：

bash run.sh

结果：

![20191114163824489.png][]

将结果下载到本地：hdfs dfs -getmerge /Test/fenci\_mr/result/ result.local

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ltMDEyMTM_size_16_color_FFFFFF_t_70][]

[20191114163824489.png]: https://img-blog.csdnimg.cn/20191114163824489.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ltMDEyMTM_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191114164148231.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ltMDEyMTM=,size_16,color_FFFFFF,t_70