数据挖掘：基于Spark+HanLP实现影视评论关键词抽取

1. 背景
   近日项目要求基于爬取的影视评论信息，抽取影视的关键字信息。考虑到影视评论数据量较大，因此采用Spark处理框架。关键词提取的处理主要包含分词+算法抽取两部分。目前分词工具包较为主流的，包括哈工大的LTP以及HanLP，而关键词的抽取算法较多，包括TF-IDF、TextRank、互信息等。本次任务主要基于LTP、HanLP、Ac双数组进行分词，采用TextRank、互信息以及TF-IDF结合的方式进行关键词抽取。

说明：本项目刚开始接触，因此效果层面需迭代调优。

2. 技术选型
   (1) 词典

1. 基于HanLP项目提供的词典数据，具体可参见HanLP的github。

2. 考虑到影视的垂直领域特性，引入腾讯的嵌入的汉语词，参考该地址。

(2) 分词

1. LTP分词服务：基于Docker Swarm部署多副本集服务，通过HTTP协议请求，获取分词结果(部署方法可百度); 也可以直接在本地加载，放在内存中调用，效率更高(未尝试)

2. AC双数组：基于AC双数组，采用最长匹配串，采用HanLP中的AC双数组分词器

(3) 抽取

1. 经典的TF-IDF：基于词频统计实现

2. TextRank：借鉴于PageRank算法，基于HanLP提供的接口

3. 互信息：基于HanLP提供的接口

3. 实现代码
   (1) 代码结构

1. 代码将分词服务进行函数封装，基于不同的名称，执行名称指定的分词

2. TextRank、互信息、LTP、AC双数组等提取出分词或短语，最后均通过TF-IDF进行统计计算

(2) 整体代码

1. 主体代码：细节层面与下载的原始评论数据结构有关，因此无需过多关注，只需关注下主体流程即可

View Code
2) 基于HanLP提供的AC双数组封装

View Code
3) HanLP加载HDFS中的自定义词典

View Code
4. 采坑总结
(1) Spark中实现HanLP自定义词典的加载

由于引入腾讯的嵌入词，因此使用HanLP的自定义词典功能，参考的方法如下：

a. 《基于hanLP的中文分词详解-MapReduce实现&自定义词典文件》，该方法适用于自定义词典的数量较少的情况，如果词典量较大，如腾讯嵌入词820W+，理论上jar包较为臃肿

b. 《Spark中使用HanLP分词》，该方法的好处在于无需手工构件词典的bin文件，操作简单

切记：如果想让自定义词典生效，需先将data/dictionary/custom中的bin文件删除。通过HanLP源码得知，如果存在bin文件，则直接加载该bin文件，否则会将custom中用户自定义的词典重新加载，在指定的环境中(如本地或HDFS)中自动生成bin文件。

腾讯820W词典，基于HanLP生成bin文件的时间大概为30分钟。

(2) Spark异常

Spark执行过程中的异常信息：

1. 异常1

a. 异常信息：

Job aborted due to stage failure: Total size of serialized results of 3979 tasks (1024.2 MB) is bigger than spark.driver.maxResultSize (1024.0 MB)

b. 解决：通过设置spark.driver.maxResultSize=4G，参考：《Spark排错与优化》

2. 异常2

a. 异常信息：java.lang.OutOfMemoryError: Java heap space

b. 解决：参考https://blog.csdn.net/guohecang/article/details/52088117

文章来源于网络