ITPub博客

首页 > 人工智能 > 自然语言 > MapReduce实现与自定义词典文件基于hanLP的中文分词详解

MapReduce实现与自定义词典文件基于hanLP的中文分词详解

原创 自然语言 作者:adnb34g 时间:2018-10-15 10:31:05 0 删除 编辑

前言:

文本分类任务的第 1步,就是对语料进行分词。在单机模式下,可以选择python jieba分词,使用起来较方便。但是如果希望在Hadoop集群上通过mapreduce程序来进行分词,则hanLP更加胜任。

一、使用介绍

hanLP是一个用java语言开发的分词工具, 官网是  http://hanlp.com/   hanLP创建者提供了两种使用方式,一种是portable简化版本,内置了数据包以及词典文件,可通过maven来管理依赖,只要在创建的 maven 工程中加入以下依赖,即可轻松使用(强烈建议大家优先采用这种方法)。

 

具体操作方法如图示,在 pom.xml中,加入上述依赖信息,笔者使用的IDEA编辑器就会自动开始解析依赖关系,并导入左下角的hanlp jar包。

 

第二种方法需要自己下载 data 数据文件,并通过一个配置文件 hanlp.properties 来管理各种依赖信息,其中最重要的是要人为指定 data 目录的家目录。(不建议大家一上来就使用这种方法,因为真心繁琐!)

二、 通过第一种方法,建立 maven 工程,编写 mapreduce 完整程序如下(亲测运行良好):

 

三、添加自定义词典文件 & 单机模式

有时候我们希望根据自己业务领域的一些专有词汇进行分词,而这些词汇可能并不包含在官方 jar 包自带的分词词典中,故而我们希望提供自己的词典文件。首先,我们定义一个测试的句子,并用系统默认的词典进行分词,可看到效果如下图所示:

 

假设在我们的专业领域中, “词分”,“自试” 都是专业术语,那么使用默认词典就无法将这些目标词分出来了。这时就要研究如何指定自定义的词典,并在代码中进行调用。这时有 2 种方法。

1. 在代码中,通过 CustomDictionary.add(); 来添加自己的词汇,如下图所示 , 可以看到这次分词的结果中,已经能将“词分”,“自试” 单独分出来了。

 

假如说我们想添加的词汇较多呢,通过上面的方法,一个一个 add, 未勉显得不够优雅,这时我们就希望通过一个词典文件的形式来添加自定义词汇。在官方网站上,提供了如下一种方法。该方法要求我们单独下载一个 data 目录,以及定义一个配置文件。下面我们就来看下如何操作。

 

首先,下载好上面的 hanlp.jar 后,在 java 工程师导入该包。同时在 src 目录下创建一个 hanlp.properties 配置文件,内容直接复制官网上的内容,但是注意修改两个地方。

 

其中 myDictionary.txt 是我们自己创建的一个词典文件,其内容为:

 

这时候,再运行方法 1 同样的代码,可看到如下结果中,也将 词分 自试 分了出来。

 

注意,如果你不想显示 /n /nr 这样的记性,也可以将上述配置文件中最后一行

ShowTermNature= true

修改为

ShowTermNature= false

注意,这时候,运行成功的话,会在词典目录下生成一个词典缓存文件

 

四、自定义词典文件 & mapreduce提交

写到这里,想必细心的人已经想到了,当我们希望将编辑好的 mapreduce程序打成jar包,提交到集群上运行时,上面这种通过配置文件指定data目录的方法还可行吗? 反正我是没有搞定。理论上,要么我们需要把data上传到集群上每个节点,要么把data直接打到jar包中。但是,这两种方法本人尝试都没有成功。最终,跟一位同事相互讨论后,借鉴了对方的方法。即我们猜想,portable版本自带了data数据,且不需要额外指定配置文件。而我们现在想做的就是添加了一些自定义词汇,那么,是否我们将其中的词典缓存文件替换掉,就行了呢?动手试下才知道嘛。这次不通过maven来管理依赖,直接下载portable版本的jar包,然后打开压缩文件,删除data\dictionary\custom目录下的CustomDictionary.txt.bin文件,然后将上一步运行成功的CustomDictionary.txt.bin粘贴进去! 将工程打成jar包,再通过命令行进入其所在目录,执行java -jar  包名, 发现可以执行成功。然后,为了测试是否对这个绝对路径有依赖,我们故意将该jar包剪切到 d:\ , 再执行一下,发现同样是成功的。

具体到提交到集群上运行,我们就不赘述了。这个方法虽然土一些,但至少是可用的。

文章转载自   a_step_further   的博客(有小幅改遍)

 


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31524777/viewspace-2216347/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论
八年IT互联从业经历,专注网络营销、大数据、人工智能等领域的知识分享

注册时间:2018-03-09

  • 博文量
    172
  • 访问量
    113261