Hive基於UDF進行文本分詞
本文大綱
UDF 簡介
Hive作為一個sql查詢引擎，自帶了一些基本的函數，比如count(計數)，sum(求和)，有時候這些基本函數滿足不了我們的需求，這時候就要寫hive hdf(user defined funation)，又叫用戶自定義函數。編寫Hive UDF的步驟：
- 添加相關依賴，創建項目，這裡我用的管理工具是maven，所以我創建的也是一個maven 項目(這個時候你需要選擇合適的依賴版本，主要是Hadoop 和 Hive,可以使用
hadoop version和hive --version來分別查看版本) - 繼承
org.apache.hadoop.hive.ql.exec.UDF類，實現evaluate方法，然後打包； - 使用
add方法添加jar 包到分散式快取，如果jar包是上傳到$HIVE_HOME/lib/目錄以下，就不需要執行add命令了； - 通過
create temporary function創建臨時函數，不加temporary就創建了一個永久函數； - 在SQL 中使用你創建的UDF；
UDF分詞
這個是一個比較常見的場景，例如公司的產品有每天都會產生大量的彈幕或者評論，這個時候我們可能會想去分析一下大家最關心的熱點話題是什麼，或者是我們會分析最近一段時間的網路趨勢是什麼，但是這裡有一個問題就是你的詞庫建設的問題，因為你使用通用的詞庫可能不能達到很好的分詞效果，尤其有很多網路流行用語它是不在詞庫里的，還有一個就是停用詞的問題了，因為很多時候停用詞是沒有意義的，所以這裡我們需要將其過濾，而過濾的方式就是通過停用詞詞表進行過濾。
這個時候我們的解決方案主要有兩種，一種是使用第三方提供的一些詞庫，還有一種是自建詞庫，然後有專人去維護，這個也是比較常見的一種情況。
最後一個就是我們使用的分詞工具，因為目前主流的分詞器很多，選擇不同的分詞工具可能對我們的分詞結果有很多影響。
分詞工具
1：Elasticsearch的開源中文分詞器 IK Analysis(Star:2471)
IK中文分詞器在Elasticsearch上的使用。原生IK中文分詞是從文件系統中讀取詞典，es-ik本身可擴展成從不同的源讀取詞典。目前提供從sqlite3資料庫中讀取。es-ik-plugin-sqlite3使用方法： 1. 在elasticsearch.yml中設置你的sqlite3詞典的位置： ik_analysis_db_path: /opt/ik/dictionary.db
2：開源的java中文分詞庫 IKAnalyzer(Star:343)
IK Analyzer 是一個開源的，基於java語言開發的輕量級的中文分詞工具包。從2006年12月推出1.0版開始， IKAnalyzer已經推出了4個大版本。最初，它是以開源項目Luence為應用主體的，結合詞典分詞和文法分析演算法的中文分片語件。從3.0版本開始，IK發展為面向Java的公用分片語件，獨立於Lucene項目
3：java開源中文分詞 Ansj(Star:3019)
Ansj中文分詞 這是一個ictclas的java實現.基本上重寫了所有的數據結構和演算法.詞典是用的開源版的ictclas所提供的.並且進行了部分的人工優化 分詞速度達到每秒鐘大約200萬字左右，準確率能達到96%以上。
目前實現了.中文分詞. 中文姓名識別 . 詞性標註、用戶自定義詞典,關鍵字提取，自動摘要，關鍵字標記等功能。
可以應用到自然語言處理等方面,適用於對分詞效果要求高的各種項目.
4：結巴分詞 ElasticSearch 插件(Star:188)
elasticsearch官方只提供smartcn這個中文分詞插件，效果不是很好，好在中國有medcl大神（中國最早研究es的人之一）寫的兩個中文分詞插件，一個是ik的，一個是mmseg的
5：Java分散式中文分片語件 – word分詞(Star:672)
word分詞是一個Java實現的分散式的中文分片語件，提供了多種基於詞典的分詞演算法，並利用ngram模型來消除歧義。能準確識別英文、數字，以及日期、時間等數量詞，能識別人名、地名、組織機構名等未登錄詞
6：Java開源中文分詞器jcseg(Star:400)
Jcseg是什麼？ Jcseg是基於mmseg演算法的一個輕量級開源中文分詞器，同時集成了關鍵字提取，關鍵短語提取，關鍵句子提取和文章自動摘要等功能，並且提供了最新版本的lucene, solr, elasticsearch的分詞介面， Jcseg自帶了一個 jcseg.properties文件…
庖丁中文分詞庫是一個使用Java開發的，可結合到Lucene應用中的，為互聯網、企業內部網使用的中文搜索引擎分片語件。Paoding填補了中國中文分詞方面開源組件的空白，致力於此並希翼成為互聯網網站首選的中文分詞開源組件。 Paoding中文分詞追求分詞的高效率和用戶良好體驗。
mmseg4j 用 Chih-Hao Tsai 的 MMSeg 演算法(//technology.chtsai.org/mmseg/ )實現的中文分詞器，並實現 lucene 的 analyzer 和 solr 的TokenizerFactory 以方便在Lucene和Solr中使…
9：中文分詞Ansj(Star:3015)
Ansj中文分詞 這是一個ictclas的java實現.基本上重寫了所有的數據結構和演算法.詞典是用的開源版的ictclas所提供的.並且進行了部分的人工優化 記憶體中中文分詞每秒鐘大約100萬字(速度上已經超越ictclas) 文件讀取分詞每秒鐘大約30萬字 準確率能達到96%以上 目前實現了….
ictclas4j中文分詞系統是sinboy在中科院張華平和劉群老師的研製的FreeICTCLAS的基礎上完成的一個java開源分詞項目，簡化了原分詞程式的複雜度，旨在為廣大的中文分詞愛好者一個更好的學習機會。
程式碼實現
第一步：引入依賴
這裡我們引入了兩個依賴，其實是兩個不同分詞工具
<dependency>
<groupId>org.ansj</groupId>
<artifactId>ansj_seg</artifactId>
<version>5.1.6</version>
<scope>compile</scope>
</dependency>
<dependency>
<groupId>com.janeluo</groupId>
<artifactId>ikanalyzer</artifactId>
<version>2012_u6</version>
</dependency>
在開始之前我們先寫一個demo 玩玩，讓大家有個基本的認識
@Test
public void testAnsjSeg() {
String str = "我叫李太白，我是一個詩人，我生活在唐朝" ;
// 選擇使用哪種分詞器 BaseAnalysis ToAnalysis NlpAnalysis IndexAnalysis
Result result = ToAnalysis.parse(str);
System.out.println(result);
KeyWordComputer kwc = new KeyWordComputer(5);
Collection<Keyword> keywords = kwc.computeArticleTfidf(str);
System.out.println(keywords);
}
輸出結果
我/r,叫/v,李太白/nr,，/w,我/r,是/v,一個/m,詩人/n,，/w,我/r,生活/vn,在/p,唐朝/t
[李太白/24.72276098504223, 詩人/3.0502185968368885, 唐朝/0.8965677022546215, 生活/0.6892230219652541]
第二步：引入停用詞詞庫
因為是停用詞詞庫，本身也不是很大，所以我直接放在項目里了，當然你也可以放在其他地方，例如HDFS 上
第三步：編寫UDF
程式碼很簡單我就不不做詳細解釋了，需要注意的是GenericUDF 裡面的一些方法的使用規則，至於程式碼設計的好壞以及還有什麼改進的方案我們後面再說，下面兩套實現的思路幾乎是一致的，不一樣的是在使用的分詞工具上的不一樣
ansj的實現
/**
* Chinese words segmentation with user-dict in com.kingcall.dic
* use Ansj(a java open source analyzer)
*/
// 這個資訊就是你每次使用desc 進行獲取函數資訊的時候返回的
@Description(name = "ansj_seg", value = "_FUNC_(str) - chinese words segment using ansj. Return list of words.",
extended = "Example: select _FUNC_('我是測試字元串') from src limit 1;\n"
+ "[\"我\", \"是\", \"測試\", \"字元串\"]")
public class AnsjSeg extends GenericUDF {
private transient ObjectInspectorConverters.Converter[] converters;
private static final String userDic = "/app/stopwords/com.kingcall.dic";
//load userDic in hdfs
static {
try {
FileSystem fs = FileSystem.get(new Configuration());
FSDataInputStream in = fs.open(new Path(userDic));
BufferedReader br = new BufferedReader(new InputStreamReader(in));
String line = null;
String[] strs = null;
while ((line = br.readLine()) != null) {
line = line.trim();
if (line.length() > 0) {
strs = line.split("\t");
strs[0] = strs[0].toLowerCase();
DicLibrary.insert(DicLibrary.DEFAULT, strs[0]); //ignore nature and freq
}
}
MyStaticValue.isNameRecognition = Boolean.FALSE;
MyStaticValue.isQuantifierRecognition = Boolean.TRUE;
} catch (Exception e) {
System.out.println("Error when load userDic" + e.getMessage());
}
}
@Override
public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
if (arguments.length < 1 || arguments.length > 2) {
throw new UDFArgumentLengthException(
"The function AnsjSeg(str) takes 1 or 2 arguments.");
}
converters = new ObjectInspectorConverters.Converter[arguments.length];
converters[0] = ObjectInspectorConverters.getConverter(arguments[0], PrimitiveObjectInspectorFactory.writableStringObjectInspector);
if (2 == arguments.length) {
converters[1] = ObjectInspectorConverters.getConverter(arguments[1], PrimitiveObjectInspectorFactory.writableIntObjectInspector);
}
return ObjectInspectorFactory.getStandardListObjectInspector(PrimitiveObjectInspectorFactory.writableStringObjectInspector);
}
@Override
public Object evaluate(DeferredObject[] arguments) throws HiveException {
boolean filterStop = false;
if (arguments[0].get() == null) {
return null;
}
if (2 == arguments.length) {
IntWritable filterParam = (IntWritable) converters[1].convert(arguments[1].get());
if (1 == filterParam.get()) filterStop = true;
}
Text s = (Text) converters[0].convert(arguments[0].get());
ArrayList<Text> result = new ArrayList<>();
if (filterStop) {
for (Term words : DicAnalysis.parse(s.toString()).recognition(StopLibrary.get())) {
if (words.getName().trim().length() > 0) {
result.add(new Text(words.getName().trim()));
}
}
} else {
for (Term words : DicAnalysis.parse(s.toString())) {
if (words.getName().trim().length() > 0) {
result.add(new Text(words.getName().trim()));
}
}
}
return result;
}
@Override
public String getDisplayString(String[] children) {
return getStandardDisplayString("ansj_seg", children);
}
}
ikanalyzer的實現
@Description(name = "ansj_seg", value = "_FUNC_(str) - chinese words segment using Iknalyzer. Return list of words.",
extended = "Example: select _FUNC_('我是測試字元串') from src limit 1;\n"
+ "[\"我\", \"是\", \"測試\", \"字元串\"]")
public class IknalyzerSeg extends GenericUDF {
private transient ObjectInspectorConverters.Converter[] converters;
//用來存放停用詞的集合
Set<String> stopWordSet = new HashSet<String>();
@Override
public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
if (arguments.length < 1 || arguments.length > 2) {
throw new UDFArgumentLengthException(
"The function AnsjSeg(str) takes 1 or 2 arguments.");
}
//讀入停用詞文件
BufferedReader StopWordFileBr = null;
try {
StopWordFileBr = new BufferedReader(new InputStreamReader(new FileInputStream(new File("stopwords/baidu_stopwords.txt"))));
//初如化停用詞集
String stopWord = null;
for(; (stopWord = StopWordFileBr.readLine()) != null;){
stopWordSet.add(stopWord);
}
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
converters = new ObjectInspectorConverters.Converter[arguments.length];
converters[0] = ObjectInspectorConverters.getConverter(arguments[0], PrimitiveObjectInspectorFactory.writableStringObjectInspector);
if (2 == arguments.length) {
converters[1] = ObjectInspectorConverters.getConverter(arguments[1], PrimitiveObjectInspectorFactory.writableIntObjectInspector);
}
return ObjectInspectorFactory.getStandardListObjectInspector(PrimitiveObjectInspectorFactory.writableStringObjectInspector);
}
@Override
public Object evaluate(DeferredObject[] arguments) throws HiveException {
boolean filterStop = false;
if (arguments[0].get() == null) {
return null;
}
if (2 == arguments.length) {
IntWritable filterParam = (IntWritable) converters[1].convert(arguments[1].get());
if (1 == filterParam.get()) filterStop = true;
}
Text s = (Text) converters[0].convert(arguments[0].get());
StringReader reader = new StringReader(s.toString());
IKSegmenter iks = new IKSegmenter(reader, true);
List<Text> list = new ArrayList<>();
if (filterStop) {
try {
Lexeme lexeme;
while ((lexeme = iks.next()) != null) {
if (!stopWordSet.contains(lexeme.getLexemeText())) {
list.add(new Text(lexeme.getLexemeText()));
}
}
} catch (IOException e) {
}
} else {
try {
Lexeme lexeme;
while ((lexeme = iks.next()) != null) {
list.add(new Text(lexeme.getLexemeText()));
}
} catch (IOException e) {
}
}
return list;
}
@Override
public String getDisplayString(String[] children) {
return "Usage: evaluate(String str)";
}
}
第四步：編寫測試用例
GenericUDF 給我們提供了一些方法，這些方法可以用來構建測試需要的環境和參數，這樣我們就可以測試這些程式碼了
@Test
public void testAnsjSegFunc() throws HiveException {
AnsjSeg udf = new AnsjSeg();
ObjectInspector valueOI0 = PrimitiveObjectInspectorFactory.javaStringObjectInspector;
ObjectInspector valueOI1 = PrimitiveObjectInspectorFactory.javaIntObjectInspector;
ObjectInspector[] init_args = {valueOI0, valueOI1};
udf.initialize(init_args);
Text str = new Text("我是測試字元串");
GenericUDF.DeferredObject valueObj0 = new GenericUDF.DeferredJavaObject(str);
GenericUDF.DeferredObject valueObj1 = new GenericUDF.DeferredJavaObject(0);
GenericUDF.DeferredObject[] args = {valueObj0, valueObj1};
ArrayList<Object> res = (ArrayList<Object>) udf.evaluate(args);
System.out.println(res);
}
@Test
public void testIkSegFunc() throws HiveException {
IknalyzerSeg udf = new IknalyzerSeg();
ObjectInspector valueOI0 = PrimitiveObjectInspectorFactory.javaStringObjectInspector;
ObjectInspector valueOI1 = PrimitiveObjectInspectorFactory.javaIntObjectInspector;
ObjectInspector[] init_args = {valueOI0, valueOI1};
udf.initialize(init_args);
Text str = new Text("我是測試字元串");
GenericUDF.DeferredObject valueObj0 = new GenericUDF.DeferredJavaObject(str);
GenericUDF.DeferredObject valueObj1 = new GenericUDF.DeferredJavaObject(0);
GenericUDF.DeferredObject[] args = {valueObj0, valueObj1};
ArrayList<Object> res = (ArrayList<Object>) udf.evaluate(args);
System.out.println(res);
}
我們看到載入停用詞沒有找到，但是整體還是跑起來了，因為讀取不到HDFS 上的文件
但是我們第二個樣例是不需要從HDFS 上載入停用詞資訊，所以可以完美的測試運行
注 後來為了能在外部更新文件，我將其放在了HDFS 上，和AnsjSeg 中的程式碼一樣
第五步：創建UDF 並使用
add jar /Users/liuwenqiang/workspace/code/idea/HiveUDF/target/HiveUDF-0.0.4.jar;
create temporary function ansjSeg as 'com.kingcall.bigdata.HiveUDF.AnsjSeg';
select ansjSeg("我是字元串，你是啥");
-- 開啟停用詞過濾
select ansjSeg("我是字元串，你是啥",1);
create temporary function ikSeg as 'com.kingcall.bigdata.HiveUDF.IknalyzerSeg';
select ikSeg("我是字元串，你是啥");
select ikSeg("我是字元串，你是啥",1);
上面方法的第二個參數，就是是否開啟停用詞過濾,我們使用ikSeg函數演示一下
下面我們嘗試獲取一下函數的描述資訊
如果沒有寫的話，就是下面的這樣的
其它應用場景
通過編寫Hive UDF可以輕鬆幫我們實現大量常見需求，其它應該場景還有：
ip地址轉地區：將上報的用戶日誌中的ip欄位轉化為國家-省-市格式，便於做地域分布統計分析；- 使用
Hive SQL計算的標籤數據，不想編寫Spark程式，可以通過UDF在靜態程式碼塊中初始化連接池，利用Hive啟動的並行MR任務，並行快速導入大量數據到codis中，應用於一些推薦業務； - 還有其它
sql實現相對複雜的任務，都可以編寫永久Hive UDF進行轉化；
總結
- 這一節我們學習了一個比較常見的UDF，通過實現
GenericUDF抽象類來實現，這一節的重點在於程式碼的實現以及對GenericUDF類中方法的理解 - 上面的程式碼實現上有一個問題，那就是關於停用詞的載入，就是我們能不能動態載入停用詞呢？
