Spark：使用jieba分词的工程搭建

1、IDEA开发环境中project structure的设置

配置项目的JDK：

File > Project Structure > Project Settings > Project > Project SDK

在复选框中选择项目使用的JDK，如果之前没有设置，点击旁边的new按钮从本地目录导入自己下载好的JDK。

2、Maven配置文件的设置

IDEA Maven仓库：

Maven 仓库有三种类型：

• 本地（local）：通常maven的本地仓库在自己的用户目录下 .m2/respository。Maven 的本地仓库，在安装 Maven 后并不会创建，它是在第一次执行 maven 命令的时候才被创建。运行 Maven 的时候，Maven 所需要的任何构件都是直接从本地仓库获取的。如果本地仓库没有，它会首先尝试从中央仓库下载构件至本地仓库，然后再使用本地仓库的构件。如果中央仓库没有，如果设置了远程仓库，则尝试从远程仓库获取构件。
• 中央（central）：Maven 中央仓库是由 Maven 社区提供的仓库，其中包含了大量常用的库。一般来说，简单的Java项目依赖的构件都可以在这里下载到。需要通过网络才能访问。
• 远程（remote）：如果 Maven 在中央仓库中也找不到依赖的文件，它会停止构建过程并输出错误信息到控制台。为避免这种情况，Maven 提供了远程仓库的概念，它是开发人员自己定制仓库，包含了所需要的代码库或者其他工程中用到的 jar 文件。

IDEA 项目的Maven本地仓库也是在用户主目录/.m2/respository，不过.m2文件是隐藏的，如果想要看到隐藏文件，在文件查看器页面使用ctrl+h即可看到隐藏文件了。

 在.m2/repository/org/apache/spark下就能找到我们引入的一系列org.apache.spark模块下的包。

配置jieba需要的包jieba-anaylsis.jar：

在工程下创建的pom.xml文件中加入以下代码引入jieba-anaylsis依赖：

# <dependencies>标签内加入：
        <dependency>
            <groupId>com.huaban</groupId>
            <artifactId>jieba-analysis</artifactId>
            <version>1.0.2</version>
        </dependency>

加入代码后Maven会自动帮你从中央仓库/远程仓库中拉取jar到本地仓库，使用时import即可。

3、程序中import语句导入分类词库

import org.apache.spark.sql.{DataFrame, SparkSession}//spark入口,DataFrame操作需要用到的包
import java.nio.file.{Path, Paths}//加入自定义词库时路径需要的包
 
import com.huaban.analysis.jieba.{JiebaSegmenter, WordDictionary}//jieba分词需要用到的包，其中WordDictionary为加入自定义词库需要
import org.apache.spark.ml.feature.{HashingTF, IDF, Tokenizer}//特征向量提取需要用到的包
 
import scala.collection.mutable//java.util.List转换成scala Aarray需要用到的包

4、分词词库（包括自定义词库）的存放与引用

默认词库：

同样的，在Maven本地库.m2/repository里在com/huaban文件夹里可以找到jieba-analysis.jar。

打开jieba-analysis.jar，dict.txt即为jieba的默认词库。

自定义词库：

jieba自定义词库的格式需要.txt文本文件，且每一行格式为：词 词频 词性。（注意三个部分是由空格隔开的，除了“词”其余两项允许是缺失的，但是如果想要自定义词库的优先级比默认词库高，就需要有词频（词频为多少任意，哪怕为1尚可））。

加入自定义词库：

import java.nio.file.{Path, Paths}
import com.huaban.analysis.jieba.{JiebaSegmenter, WordDictionary}

val path = Paths.get("/home/maples/phy.txt")
WordDictionary.getInstance().loadUserDict(path)

【注意】

Path.get()里要为自定义词库的绝对路径，如果要转换为相对路径的写法，可以使用getCanonicalPath()函数或getAbsolutePath()函数将相对路径转换为绝对路径，不过这两个函数的区别在于：

• 对于getCanonicalPath()函数，“."就表示当前的文件夹，而”..“则表示当前文件夹的上一级文件夹。
• 对于getAbsolutePath()函数，则不管”.”、“..”，返回当前的路径加上你在new File()时设定的路径。

详细解读可以参考：https://blog.csdn.net/u010261322/article/details/44219781

例如我写的，new File()相对文件路径是从工程文件夹根目录开始的(WordCount文件夹)：

val path = Paths.get(new File("phy.txt").getCanonicalPath())

然后再正常分词（如果不加入自定义词库，直接使用以下代码即可）：

val jieba = new JiebaSegmenter()
val res:String = jieba.sentenceProcess(text).toString()//text是待分词的文本字符串

 

5、jieba分词的关键API调用

jieba分词要首先初始化一个JiebaSegmenter对象：

val jieba = new JiebaSegmenter()

JiebaSegmenter对象下有两个方法：process()，sentenceProcess()。

从IDEA上给出的函数参数可以看出，process()需要两个参数（要进行分词的String类型的文本(段落)，切分模式mode(INDEX或SEARCH)）；要使用SegMode参数需要引入：import com.huaban.analysis.jieba.JiebaSegmenter.SegMode。

sentenceProcess()只需要一个参数（要进行分词的String类型的文本(句子)）。
我上面使用的是sentenceProcess，结果是对的。那么使用前者输出结果会是什么样的呢？有什么作用呢？下面就来测试一下：

val str:String = "我来到北京清华大学。"

var jieba0:String = new JiebaSegmenter().sentenceProcess(str).toString()
println(jieba0)
var jieba2:String = new JiebaSegmenter().process(str,SegMode.INDEX).toString()
println(jieba2)
var jieba3 = new JiebaSegmenter().process(str,SegMode.SEARCH).toString()
println(jieba3)

在此可以发现：使用process()结果是列表套列表，里面的每个小列表中元素依次是
[分好的词, 分好的词的第一个字符在文本字符数组的索引, 分好的词的最后一个字符在文本字符数组的索引的下一个索引]

INDEX：精准的切开，用于对用户查询词分词；
SEARCH：长词再切分，提高召回率。
（对这两个模式的解释翻遍全网，这个还算靠谱）

6、基于jieba分词的特征向量提取

https://blog.csdn.net/LOG_IN_ME/article/details/103047796