基于MR进行批量分词

一、结巴分词

1、支持三种分词模式：

　　(1)精确模式：试图将句子最精确的切开，适合文本分析。

　　(2)全模式：把句子中所有可以成词的词语都扫描出来，速度非常快，但是不能解决歧义。

　　(3)搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词。

2、支持繁体分词
3、支持自定义词典

4、结巴分词的实现原理主要有一下三点：

(1)基于Trie树结构实现高效的词图扫描，生成句子中汉字所有可能成词情况所构成的有向无环图（DAG)。

(2)采用了动态规划查找最大概率路径, 找出基于词频的最大切分组合。

(3)对于未登录词，采用了基于汉字成词能力的HMM模型，使用了Viterbi算法。

二、MR批量分词

分词只需要map即可，无需reduce进行聚合。

map.py

#! /usr/bin/python

import sys
import os
# 将结巴分词包分发到从节点上，并解压，便于import
os.system('tar zxvf jieba.tgz > /dev/null')
reload(sys)
sys.setdefaultencoding('utf-8')
sys.path.append('./')


import jieba
import jieba.posseg
import jieba.analyse


for line in sys.stdin:
        ss = line.strip().split('\t')
        if len(ss) != 2:
                c