Spark應用HanLP對中文語料進行文本挖掘--聚類

軟件：IDEA2014、Maven、HanLP、JDK；

用到的知識：HanLP、Spark TF-IDF、Spark kmeans、Spark mapPartition;

用到的數據集：http://www.threedweb.cn/thread-1288-1-1.html（不需要下載，已經包含在工程裏面）；

工程下載：https://github.com/fansy1990/hanlp-test 。

1. 問題描述

    現在有一箇中文文本數據集，這個數據集已經對其中的文本做了分類，如下：

其中每個文件夾中含有個數不等的文件，比如環境有200個，藝術有248個；同時，每個文件的內容基本上就是一些新聞報道或者中文描述，如下：

 

現在需要做的就是，把這些文檔進行聚類，看其和原始給定的類別的重合度有多少，這樣也可以反過來驗證我們聚類算法的正確度。

2. 解決思路：

  2.1 文本預處理：

 1.    由於文件的編碼是GBK的，讀取到Spark中全部是亂碼，所以先使用Java把代碼轉爲UTF8編碼；  

 2. 由於文本存在多個文件中（大概2k多），使用Spark的wholeTextFile讀取速度太慢，所以考慮把這些文件全部合併爲一個文件，這時又結合1.的轉變編碼，所以在轉變編碼的時候就直接把所有的數據存入同一個文件中；

    其存儲的格式爲： 每行：    文件名.txt\t文件內容

   如：  41.txt 【 日  期 】199601....

這樣子的話，就可以通過.txt\t 來對每行文本進行分割，得到其文件名以及文件內容，這裏每行其實就是一個文件了。

2.2 分詞

   分詞直接採用HanLP的分詞來做，HanLP這裏選擇兩種：Standard和NLP(還有一種就是HighSpeed，但是這個木有用戶自定義詞典，所以前期考慮先用兩種)，具體參考：https://github.com/hankcs/HanLP ;

2.3 詞轉換爲詞向量

  在Kmeans算法中，一個樣本需要使用數值類型，所以需要把文本轉爲數值向量形式，這裏在Spark中有兩種方式。其一，是使用TF-IDF；其二，使用Word2Vec。這裏暫時使用了TF-IDF算法來進行，這個算法需要提供一個numFeatures，這個值越大其效果也越好，但是相應的計算時間也越長，後面也可以通過實驗驗證。

2.4 使用每個文檔的詞向量進行聚類建模

在進行聚類建模的時候，需要提供一個初始的聚類個數，這裏面設置爲10，因爲我們的數據是有10個分組的。但是在實際的情況下，一般這個值是需要通過實驗來驗證得到的。

2.5 對聚類後的結果進行評估

這裏面採用的思路是：

1. 得到聚類模型後，對原始數據進行分類，得到原始文件名和預測的分類id的二元組(fileName,predictId)；

2. 針對（fileName，predictId），得到（fileNameFirstChar ,fileNameFirstChar.toInt - predictId）的值，這裏需要注意的是fileNameFirstChar其實就是代表這個文件的原始所屬類別了。

3. 這裏有一個一般假設，就是使用kmeans模型預測得到的結果大多數是正確的，所以fileNameFirstChar.toInt-predictId得到的衆數其實就是分類的正確的個數了（這裏可能比較難以理解，後面會有個小李子來說明這個問題）；

4. 得到每個實際類別的預測的正確率後就可以去平均預測率了。

5. 改變numFeatuers的值，看下是否numFeatures設置的比較大，其正確率也會比較大？

3. 具體步驟：

3.1 開發環境--Maven

首先第一步，當然是開發環境了，因爲用到了Spark和HanLP，所以需要在pom.xml中加入這兩個依賴：

<!-- 中文分詞框架 -->
        <dependency>
            <groupId>com.hankcs</groupId>
            <artifactId>hanlp</artifactId>
            <version>${hanlp.version}</version>
        </dependency>

        <!-- Spark dependencies -->
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.10</artifactId>
            <version>${spark.version}</version>
        </dependency>
        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_2.10</artifactId>
            <version>${spark.version}</version>
        </dependency>

其版本爲：<hanlp.version>portable-1.3.4</hanlp.version>、 <spark.version>1.6.0-cdh5.7.3</spark.version>。

3.2 文件轉爲UTF-8編碼及存儲到一個文件

這部分內容可以直接參考：src/main/java/demo02_transform_encoding.TransformEncodingToOne 這裏的實現，因爲是Java基本的操作，這裏就不加以分析了。

3.3 Scala調用HanLP進行中文分詞

Scala調用HanLP進行分詞和Java的是一樣的，同時，因爲這裏有些詞語格式不正常，所以把這些特殊的詞語添加到自定義詞典中，其示例如下：

import com.hankcs.hanlp.dictionary.CustomDictionary
import com.hankcs.hanlp.dictionary.stopword.CoreStopWordDictionary
import com.hankcs.hanlp.tokenizer.StandardTokenizer
import scala.collection.JavaConversions._
/**
 * Scala 分詞測試
 * Created by fansy on 2017/8/25.
 */
object SegmentDemo {
  def main(args: Array[String]) {
    val sentense = "41,【 日  期 】19960104 【 版  號 】1 【 標  題 】合巢蕪高速公路巢蕪段竣工 【 作  者 】彭建中 【 正  文 】     安徽合（肥）巢（湖）蕪（湖）高速公路巢蕪段日前竣工通車並投入營運。合巢蕪 高速公路是國家規劃的京福綜合運輸網的重要幹線路段，是交通部確定１９９５年建成 的全國１０條重點公路之一。該條高速公路正線長８８公里。（彭建中）"
    CustomDictionary.add("日  期")
    CustomDictionary.add("版  號")
    CustomDictionary.add("標  題")
    CustomDictionary.add("作  者")
    CustomDictionary.add("正  文")
    val list = StandardTokenizer.segment(sentense)
    CoreStopWordDictionary.apply(list)
    println(list.map(x => x.word.replaceAll(" ","")).mkString(","))
  }
}

運行完成後，即可得到分詞的結果，如下：

考慮到使用方便，這裏把分詞封裝成一個函數：

 /**
   * String 分詞
   * @param sentense
   * @return
   */
  def transform(sentense:String):List[String] ={
    val list = StandardTokenizer.segment(sentense)
    CoreStopWordDictionary.apply(list)
    list.map(x => x.word.replaceAll(" ","")).toList
  }
 }

輸入即是一箇中文的文本，輸出就是分詞的結果，同時去掉了一些常用的停用詞。

3.4 求TF-IDF

在Spark裏面求TF-IDF，可以直接調用Spark內置的算法模塊即可，同時在Spark的該算法模塊中還對求得的結果進行了維度變換（可以理解爲特徵選擇或“降維”，當然這裏的降維可能是提升維度）。代碼如下：

val docs = sc.textFile(input_data).map{x => val t = x.split(".txt\t");(t(0),transform(t(1)))}
       .toDF("fileName", "sentence_words")

     // 3. 求TF
     println("calculating TF ...")
     val hashingTF = new HashingTF()
       .setInputCol("sentence_words").setOutputCol("rawFeatures").setNumFeatures(numFeatures)
     val featurizedData = hashingTF.transform(docs)

     // 4. 求IDF
     println("calculating IDF ...")
     val idf = new IDF().setInputCol("rawFeatures").setOutputCol("features")
     val idfModel = idf.fit(featurizedData)
     val rescaledData = idfModel.transform(featurizedData).cache()

變量docs是一個DataFrame[fileName, sentence_words] ,經過HashingTF後，變成了變量 featurizedData ,同樣是一個DataFrame[fileName,sentence_words, rawFeatures]。這裏通過setInputCol以及SetOutputCol可以設置輸入以及輸出列名（列名是針對DataFrame來說的，不知道的可以看下DataFrame的API）。

接着，經過IDF模型，得到變量 rescaledData ，其DataFrame[fileName,sentence_words, rawFeatures, features] 。

執行結果爲：

3.5 建立KMeans模型

直接參考官網給定例子即可：

println("creating kmeans model ...")
     val kmeans = new KMeans().setK(k).setSeed(1L)
     val model = kmeans.fit(rescaledData)
     // Evaluate clustering by computing Within Set Sum of Squared Errors.
     println("calculating wssse ...")
     val WSSSE = model.computeCost(rescaledData)
     println(s"Within Set Sum of Squared Errors = $WSSSE")

這裏有計算cost值的，但是這個值評估不是很準確，比如我numFeature設置爲2000的話，那麼這個值就很大，但是其實其正確率會比較大的。

3.6 模型評估

這裏的模型評估直接使用一個小李子來說明：比如，現在有這樣的數據：

其中，1開頭，2開頭和4開頭的屬於同一類文檔，後面的0,3,2,1等，代表這個文檔被模型分類的結果，那麼可以很容易的看出針對1開頭的文檔，

其分類正確的有4個，其中("123.txt",3)以及（“126.txt”,1）是分類錯誤的結果，這是因爲，在這個類別中預測的結果中0是最多的，所以0是和1開頭的文檔對應起來的，這也就是前面的假設。

1. 把同一類文檔分到同一個partition中；

val data = sc.parallelize(t)
     val file_index = data.map(_._1.charAt(0)).distinct.zipWithIndex().collect().toMap
     println(file_index)
     val partitionData = data.partitionBy(MyPartitioner(file_index))

這裏的file_index，是對不同類的文檔進行編號，這個編號就對應每個partition，看MyPartitioner的實現：

case class MyPartitioner(file_index:Map[Char,Long]) extends Partitioner{
  override def getPartition(key: Any): Int = key match {
    case _ => file_index.getOrElse(key.toString.charAt(0),0L).toInt
  }
  override def numPartitions: Int = file_index.size
}

2. 針對每個partition進行整合操作：

在整合每個partition之前，我們先看下我們自定義的MyPartitioner是否在正常工作，可以打印下結果：

val tt = partitionData.mapPartitionsWithIndex((index: Int, it: Iterator[(String,Int)]) => it.toList.map(x => (index,x)).toIterator)
     tt.collect().foreach(println(_))

運行如下：

其中第一列代表每個partition的id，第二列是數據，發現其數據確實是按照預期進行處理的；接着可以針對每個partition進行數據整合：

// firstCharInFileName , firstCharInFileName - predictType
     val combined = partitionData.map(x =>( (x._1.charAt(0), Integer.parseInt(x._1.charAt(0)+"") - x._2),1) )
     .mapPartitions{f => var aMap = Map[(Char,Int),Int]();
       for(t <- f){
         if (aMap.contains(t._1)){
           aMap = aMap.updated(t._1,aMap.getOrElse(t._1,0)+1)
         }else{
           aMap = aMap + t
         }
       }
       val aList = aMap.toList
       val total= aList.map(_._2).sum
       val total_right = aList.map(_._2).max
       List((aList.head._1._1,total,total_right)).toIterator
       //       aMap.toIterator //打印各個partition的總結
     }

在整合之前先執行一個map操作，把數據變成（(fileNameFirstChar, fileNameFirstChar.toInt - predictId), 1），其中fileNameFirstChar代表文件的第一個字符，其實也就是文件的所屬實際類別，後面的fileNameFirstChar.toInt-predictId 其實就是判斷預測的結果是否對了，這個值的衆數就是預測對的；最後一個值代碼前面的這個鍵值對出現的次數，其實就是統計屬於某個類別的實際文件個數以及預測對的文件個數，分別對應上面的total和total_right變量；輸出結果爲：

(4,6,3)
(1,6,4)
(2,6,4)

發現其打印的結果是正確的，第一列代表文件名開頭，第二個代表屬於這個文件的個數，第三列代表預測正確的個數

這裏需要注意的是，這裏因爲文本的實際類別和文件名是一致的，所以纔可以這樣處理，如果實際數據的話，那麼mapPartitions函數需要更改。

3. 針對數據結果進行統計：

最後只需要進行簡單的計算即可：

for(re <- result ){
        println("文檔"+re._1+"開頭的 文檔總數："+ re._2+",分類正確的有："+re._3+",分類正確率是："+(re._3*100.0/re._2)+"%")
      }
     val averageRate = result.map(_._3).sum *100.0 / result.map(_._2).sum
     println("平均正確率爲："+averageRate+"%")

輸出結果爲：

4. 實驗

  設置不同的numFeature，比如使用200和2000，其對比結果爲：

所以設置numFeatures值越大，其準確率也越高，不過計算也比較複雜。

5. 總結

1. HanLP的使用相對比較簡單，這裏只使用了分詞及停用詞，感謝開源；

2. Spark裏面的TF-IDF以及Word2Vector使用比較簡單，不過使用這個需要先分詞；

3. 這裏是在IDEA裏面運行的，如果使用Spark-submit的提交方式，那麼需要把hanpl的jar包加入，這個有待驗證；

分享，成長，快樂

腳踏實地，專注

轉載請註明blog地址：http://blog.csdn.net/fansy1990