spark jieba 分词 用cluster模式,提交到yarn上

需要在pom 文件中引入 jieba的依赖

<dependency>

<groupId>com.huaban</groupId>

<artifactId>jieba-analysis</artifactId>

<version>1.0.2</version>

</dependency>

yarn client 中没有上诉的包 所以不能够实现此功能

import com.huaban.analysis.jieba.{JiebaSegmenter, SegToken}

import com.huaban.analysis.jieba.JiebaSegmenter.SegMode

import org.apache.spark.SparkConf

import org.apache.spark.sql.{DataFrame, SparkSession}

import org.apache.spark.sql.functions._

 

object JiebaKry {

def main(args: Array[String]): Unit = {

// 定义结巴分词类的序列化

val conf = new SparkConf()

.registerKryoClasses(Array(classOf[JiebaSegmenter]))

.set("spark.rpc.message.maxSize","800")

// 建立sparkSession,并传入定义好的Conf

val spark = SparkSession

.builder()

.appName("Jieba UDF")

.enableHiveSupport()

.config(conf)

.getOrCreate()

 

// 定义结巴分词的方法,传入的是DataFrame,输出也是DataFrame多一列seg(分好词的一列)

def jieba_seg(df:DataFrame,colname:String): DataFrame ={

 

val segmenter = new JiebaSegmenter()

val seg = spark.sparkContext.broadcast(segmenter)

val jieba_udf = udf{(sentence:String)=>

val segV = seg.value

segV.process(sentence.toString,SegMode.INDEX)

.toArray().map(_.asInstanceOf[SegToken].word)

.filter(_.length>1).mkString("/")

}

df.withColumn("seg",jieba_udf(col(colname)))

}

 

val df =spark.sql("select sentence,label from table_name limit 300")

val df_seg = jieba_seg(df,"sentence")

df_seg.show()

}

}

 

注意:

broadcast 是一个广播变量,传递实例 广播之后 每一个excutor 都会拥有这个变量了

 

 

写完以上代码需要提交:

1.打jar包:mvn clean assembly:assembly

 

2.jar 生成到target目录下

生成两个jar

jieba-1.0-SNAPSHOT.jar 没有pom依赖的jar

jieba-1.0-SNAPSHOT-jar-with-dependencies.jar 有pom依赖的jar

选择有依赖的jar。

 

3.把jar上传到 服务器相应的目录上(安装一个git就可以进行以下操作)

scp -rpjieba-1.0-SNAPSHOT-jar-with-dependencies.jar root@192.168.174.134:/home/Document/Code/spark/sub/jieba

 

4.vim run.sh(跑代码)

cd /usr/local/src/spark-2.0.2-bin-hadoop2.6

./bin/spark-submit \

--class JiebaKry \

--master yarn-cluster \

--files $HIVE_HOME$/conf/hive-site.xml \

/home/Documents/code/spark/sub/jieba_test/jieba-1.0-SNAPSHOT-jar-with-dependencies.jar

 

5.执行 sh run.sh

 

 

  • 3
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值