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
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)
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<String> 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<String> list=new ArrayList<String>(); //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<String> 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 Thinkgamer_ 认证博客专家 图书作者 推荐系统研究者 Thinkgamer，著有《推荐系统开发实战》，「搜索与推荐Wiki」公众号独立作者，愿景是持续输出精品系列内容，让知识能够平等的到达每一个人。从事推荐系统相关工作多年！