基于Spark上的中文分词算法的实现

此篇文章只是一份普通的实验报告，同时会对Jcseg中文分词使用进行分享。

实现目的

学习编写Spark程序，对中文文档分词词频的统计分析。

实现原理

实现步骤

（1）Jcseg分词

官方首页：https://code.google.com/p/jcseg/

下载地址：https://code.google.com/p/jcseg/downloads/list

github开源社区：http://git.oschina.net/lionsoul/jcseg

    Jcseg是基于mmseg算法的一个轻量级开源中文分词器，同时集成了关键字提取，关键短语提取，关键句子提取和文章自动摘要等功能，并且提供了最新版本的lucene, solr, elasticsearch的分词接口。 随着时代的发展，新词汇的脱颖而出，特别是网络词汇的出现。有些时候就需要更新扩展。但是字典基本词汇都已经有了。当然我们可以自己扩展自己的词汇，只需要仿照下面的文件以lex-*.lex的文件命名就可以，数据格式按照里面的内容。

具体使用方法参考官方文档。

工程项目中导入Jcseg的相关jar包，同时确保lexicon(分词库)文件夹与jar包保持统一目录

分词规则的配置文件，放到指定目录下。确保程序能读取到内容。如图所示：

（2）配置jcseg.properties，具体可以参考官方文档来配置

#是否自动过滤停止词(0关闭, 1开启) jcseg.clearstopword=0

（3）分词代码实现过程

AnaylyzerTools中的anaylyzerWords(String str)方法实现文本分词。

import org.lionsoul.jcseg.ASegment;
import java.io.IOException;
import java.io.StringReader;
import java.util.ArrayList;
import java.util.List;

import org.lionsoul.jcseg.core.ADictionary;
import org.lionsoul.jcseg.core.DictionaryFactory;
import org.lionsoul.jcseg.core.IWord;
import org.lionsoul.jcseg.core.JcsegException;
import org.lionsoul.jcseg.core.JcsegTaskConfig;
import org.lionsoul.jcseg.core.SegmentFactory;

/**
 * Created by Administrator on 2016/4/6.
 */
public class AnaylyzerTools {

public static ArrayList<String> anaylyzerWords(String str){
        JcsegTaskConfig config =new JcsegTaskConfig(AnaylyzerTools.class.getResource("").getPath()+"jcseg.properties");
        ADictionary dic = DictionaryFactory.createDefaultDictionary(config);
        ArrayList<String> list=new ArrayList<String>();
        ASegment seg=null;
        try {
            seg = (ASegment) SegmentFactory.createJcseg(JcsegTaskConfig.COMPLEX_MODE, new Object[]{config, dic});
        } catch (JcsegException e1) {
            e1.printStackTrace();
        }
        try {
            seg.reset(new StringReader(str));
            IWord word = null;
            while ( (word = seg.next()) != null ) {
                list.add(word.getValue());
            }
        } catch (IOException e) {
            e.printStackTrace();
    }
    return list;
}

    public static void main(String[] args) {
        String str="HBase中通过row和columns确定的为一个存贮单元称为cell。显示每个元素，每个 cell都保存着同一份数据的多个版本。版本通过时间戳来索引。迎泽区是繁华的地方,营业厅营业";
        List<String> list=AnaylyzerTools.anaylyzerWords(str);
        for(String word:list){
            System.out.println(word);
        }
        System.out.println(list.size());
    }
}

（4）Spark代码实现

import org.apache.spark._
import utils.AnaylyzerTools

/**
 * Created by Administrator on 2016/4/6.
 */
object AnalyzerDemo {

//分词排序后取出词频最高的前10个
def main(args: Array[String]): Unit = {
    val conf = new SparkConf().setAppName("my app").setMaster("local")
    val sc = new SparkContext(conf)
    val data=sc.textFile("D:\\aaab.txt").map(x => {
    val list=AnaylyzerTools.anaylyzerWords(x) //分词处理
        list.toString.replace("[", "").replace("]", "").split(",")
    }).flatMap(x => x.toList).map(x => (x.trim(),1)).reduceByKey(_+_).top(10)(Ord.reverse).foreach(println)
  }

//分词排序
    object Ord extends Ordering[(String,Int)]{
        def compare(a:(String,Int), b:(String,Int))=a._2 compare (b._2)
     }
}

数据文本：

运行结果：