ITPub博客

使用Hanlp加载大字典

国内数据库 作者:lanlantian123456 时间:2018-11-08 17:05:19 0 删除 编辑

 问题

因为需要加载一个 近 1G 的字典到Hanlp中,一开始使用了CustomDictionay.add() 方法来一条条的加载,果然到了中间,维护DoubleArraTre 的成本太高,添加一个节点,都会很长时间,本来时间长一点没有关系,只要训练出.bin 的文件,第二次加载就会很快,然而作为以空间换时间的DAT结构,内存消耗很大,预料之内的出现了


out of memory: heap size

1

的问题。 后来尝试直接加载了1G 的字典,显然更不行。


思路

阅读了Hanlp的 部分源码,也请教了原作者一部分问题, 就打算从源码入手。初步想法大概是将原始字典 

split 成多份,然后分别将多份的小字典 训练成 多个小的.bin 文件,再完整的加载到内存中,基于的原则则是:加载两个10M的字典的消耗比一个20M的要小。 

然后又优化了一部分,现在加载一个大概1G的字典,占内存约3g+ ,已经可以使用了。


大概流程

修改 CustomDictionary.java 设置一个 hashmap 或者 一个 list 来存储所有的小Dat

将所有的dat加载完,这里就不再区分主副字典了。

修改Segment.java里面的combineByCustomDictionary 函数,源码中只有一个dat, 这里我们需要选择我们容器中其中某一个dat作为要匹配使用,之前使用的方案是,遍历所有的dat,知道有了匹配,但是这样缺陷很明显,解决不了多个字典匹配同一个词的字串的情况,这里我的考察方案是,字典中的同一个字开始的词条映射到同一个文件,这样不会出现字串问题了。

上面是个大概的修改,可以参考。




文章来源于ShomyLiu的博客

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31557723/viewspace-2219276/,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

注册时间:2018-10-10

  • 博文量
    61
  • 访问量
    20259