Hive基于UDF進(jìn)行文本分詞
本文大綱
UDF 簡介
Hive作為一個(gè)sql查詢引擎，自帶了一些基本的函數(shù)，比如count(計(jì)數(shù))，sum(求和)，有時(shí)候這些基本函數(shù)滿足不了我們的需求，這時(shí)候就要寫hive hdf(user defined funation)，又叫用戶自定義函數(shù)。編寫Hive UDF的步驟：
添加相關(guān)依賴，創(chuàng)建項(xiàng)目，這里我用的管理工具是maven，所以我創(chuàng)建的也是一個(gè)maven 項(xiàng)目(這個(gè)時(shí)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(shí)現(xiàn)evaluate方法，然后打包；使用
add方法添加jar 包到分布式緩存，如果jar包是上傳到$HIVE_HOME/lib/目錄以下，就不需要執(zhí)行add命令了；通過
create temporary function創(chuàng)建臨時(shí)函數(shù)，不加temporary就創(chuàng)建了一個(gè)永久函數(shù)；在SQL 中使用你創(chuàng)建的UDF；
UDF分詞
這個(gè)是一個(gè)比較常見的場景，例如公司的產(chǎn)品有每天都會產(chǎn)生大量的彈幕或者評論，這個(gè)時(shí)候我們可能會想去分析一下大家最關(guān)心的熱點(diǎn)話題是什么，或者是我們會分析最近一段時(shí)間的網(wǎng)絡(luò)趨勢是什么，但是這里有一個(gè)問題就是你的詞庫建設(shè)的問題，因?yàn)槟闶褂猛ㄓ玫脑~庫可能不能達(dá)到很好的分詞效果，尤其有很多網(wǎng)絡(luò)流行用語它是不在詞庫里的，還有一個(gè)就是停用詞的問題了，因?yàn)楹芏鄷r(shí)候停用詞是沒有意義的，所以這里我們需要將其過濾，而過濾的方式就是通過停用詞詞表進(jìn)行過濾。
這個(gè)時(shí)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，然后有專人去維護(hù)，這個(gè)也是比較常見的一種情況。
最后一個(gè)就是我們使用的分詞工具，因?yàn)槟壳爸髁鞯姆衷~器很多，選擇不同的分詞工具可能對我們的分詞結(jié)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(tǒng)中讀取詞典，es-ik本身可擴(kuò)展成從不同的源讀取詞典。目前提供從sqlite3數(shù)據(jù)庫中讀取。es-ik-plugin-sqlite3使用方法：1. 在elasticsearch.yml中設(shè)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(gè)開源的，基于java語言開發(fā)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(jīng)推出了4個(gè)大版本。最初，它是以開源項(xiàng)目Luence為應(yīng)用主體的，結(jié)合詞典分詞和文法分析算法的中文分詞組件。從3.0版本開始，IK發(fā)展為面向Java的公用分詞組件，獨(dú)立于Lucene項(xiàng)目
3：java開源中文分詞 Ansj(Star:3019)
Ansj中文分詞 這是一個(gè)ictclas的java實(shí)現(xiàn).基本上重寫了所有的數(shù)據(jù)結(jié)構(gòu)和算法.詞典是用的開源版的ictclas所提供的.并且進(jìn)行了部分的人工優(yōu)化 分詞速度達(dá)到每秒鐘大約200萬字左右，準(zhǔn)確率能達(dá)到96%以上。
目前實(shí)現(xiàn)了.中文分詞. 中文姓名識別 . 詞性標(biāo)注、用戶自定義詞典,關(guān)鍵字提取，自動(dòng)摘要，關(guān)鍵字標(biāo)記等功能。
可以應(yīng)用到自然語言處理等方面,適用于對分詞效果要求高的各種項(xiàng)目.
4：結(jié)巴分詞 ElasticSearch 插件(Star:188)
elasticsearch官方只提供smartcn這個(gè)中文分詞插件，效果不是很好，好在國內(nèi)有medcl大神（國內(nèi)最早研究es的人之一）寫的兩個(gè)中文分詞插件，一個(gè)是ik的，一個(gè)是mmseg的
5：Java分布式中文分詞組件 - word分詞(Star:672)
word分詞是一個(gè)Java實(shí)現(xiàn)的分布式的中文分詞組件，提供了多種基于詞典的分詞算法，并利用ngram模型來消除歧義。能準(zhǔn)確識別英文、數(shù)字，以及日期、時(shí)間等數(shù)量詞，能識別人名、地名、組織機(jī)構(gòu)名等未登錄詞
6：Java開源中文分詞器jcseg(Star:400)
Jcseg是什么？Jcseg是基于mmseg算法的一個(gè)輕量級開源中文分詞器，同時(shí)集成了關(guān)鍵字提取，關(guān)鍵短語提取，關(guān)鍵句子提取和文章自動(dòng)摘要等功能，并且提供了最新版本的lucene, solr, elasticsearch的分詞接口， Jcseg自帶了一個(gè) jcseg.properties文件…
7：中文分詞庫Paoding
庖丁中文分詞庫是一個(gè)使用Java開發(fā)的，可結(jié)合到Lucene應(yīng)用中的，為互聯(lián)網(wǎng)、企業(yè)內(nèi)部網(wǎng)使用的中文搜索引擎分詞組件。Paoding填補(bǔ)了國內(nèi)中文分詞方面開源組件的空白，致力于此并希翼成為互聯(lián)網(wǎng)網(wǎng)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(yàn)。
8：中文分詞器mmseg4j
mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/ )實(shí)現(xiàn)的中文分詞器，并實(shí)現(xiàn) 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(gè)ictclas的java實(shí)現(xiàn).基本上重寫了所有的數(shù)據(jù)結(jié)構(gòu)和算法.詞典是用的開源版的ictclas所提供的.并且進(jìn)行了部分的人工優(yōu)化 內(nèi)存中中文分詞每秒鐘大約100萬字(速度上已經(jīng)超越ictclas) 文件讀取分詞每秒鐘大約30萬字 準(zhǔn)確率能達(dá)到96%以上 目前實(shí)現(xiàn)了….
10：Lucene中文分詞庫ICTCLAS4J
ictclas4j中文分詞系統(tǒng)是sinboy在中科院張華平和劉群老師的研制的FreeICTCLAS的基礎(chǔ)上完成的一個(gè)java開源分詞項(xiàng)目，簡化了原分詞程序的復(fù)雜度，旨在為廣大的中文分詞愛好者一個(gè)更好的學(xué)習(xí)機(jī)會。
代碼實(shí)現(xiàn)
第一步：引入依賴
這里我們引入了兩個(gè)依賴，其實(shí)是兩個(gè)不同分詞工具
??org.ansj
??ansj_seg
??5.1.6
??compile
??com.janeluo
??ikanalyzer
??2012_u6
在開始之前我們先寫一個(gè)demo 玩玩，讓大家有個(gè)基本的認(rèn)識
@Test
public??void?testAnsjSeg()?{
????String?str?=?"我叫李太白，我是一個(gè)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?keywords?=?kwc.computeArticleTfidf(str);
????System.out.println(keywords);
}
輸出結(jié)果
我/r,叫/v,李太白/nr,，/w,我/r,是/v,一個(gè)/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?yàn)槭峭Ｓ迷~詞庫，本身也不是很大，所以我直接放在項(xiàng)目里了，當(dāng)然你也可以放在其他地方，例如HDFS 上
第三步：編寫UDF
代碼很簡單我就不不做詳細(xì)解釋了，需要注意的是GenericUDF 里面的一些方法的使用規(guī)則，至于代碼設(shè)計(jì)的好壞以及還有什么改進(jìn)的方案我們后面再說，下面兩套實(shí)現(xiàn)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(shí)現(xiàn)
/**
?*?Chinese?words?segmentation?with?user-dict?in?com.kingcall.dic
?*?use?Ansj(a?java?open?source?analyzer)
?*/
//?這個(gè)信息就是你每次使用desc?進(jìn)行獲取函數(shù)信息的時(shí)候返回的
@Description(name?=?"ansj_seg",?value?=?"_FUNC_(str)?-?chinese?words?segment?using?ansj.?Return?list?of?words.",
????????extended?=?"Example:?select?_FUNC_('我是測試字符串')?from?src?limit?1;\n"
????????????????+?"[\"我\",?\"是\",?\"測試\",?\"字符串\"]")
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?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(shí)現(xiàn)
@Description(name?=?"ansj_seg",?value?=?"_FUNC_(str)?-?chinese?words?segment?using?Iknalyzer.?Return?list?of?words.",
????????extended?=?"Example:?select?_FUNC_('我是測試字符串')?from?src?limit?1;\n"
????????????????+?"[\"我\",?\"是\",?\"測試\",?\"字符串\"]")
public?class?IknalyzerSeg?extends?GenericUDF?{
????private?transient?ObjectInspectorConverters.Converter[]?converters;
????//用來存放停用詞的集合
????Set?stopWordSet?=?new?HashSet();
????@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?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(gòu)建測試需要的環(huán)境和參數(shù)，這樣我們就可以測試這些代碼了
@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("我是測試字符串");
????GenericUDF.DeferredObject?valueObj0?=?new?GenericUDF.DeferredJavaObject(str);
????GenericUDF.DeferredObject?valueObj1?=?new?GenericUDF.DeferredJavaObject(0);
????GenericUDF.DeferredObject[]?args?=?{valueObj0,?valueObj1};
????ArrayList我們看到加載停用詞沒有找到，但是整體還是跑起來了，因?yàn)樽x取不到HDFS 上的文件
但是我們第二個(gè)樣例是不需要從HDFS 上加載停用詞信息，所以可以完美的測試運(yùn)行
注 后來為了能在外部更新文件，我將其放在了HDFS 上，和AnsjSeg 中的代碼一樣
第五步：創(chuàng)建UDF 并使用
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("我是字符串，你是啥");
--?開啟停用詞過濾
select?ansjSeg("我是字符串，你是啥",1);
create?temporary?function?ikSeg?as?'com.kingcall.bigdata.HiveUDF.IknalyzerSeg';
select?ikSeg("我是字符串，你是啥");
select?ikSeg("我是字符串，你是啥",1);
上面方法的第二個(gè)參數(shù)，就是是否開啟停用詞過濾,我們使用ikSeg函數(shù)演示一下
下面我們嘗試獲取一下函數(shù)的描述信息
如果沒有寫的話，就是下面的這樣的
其它應(yīng)用場景
通過編寫Hive UDF可以輕松幫我們實(shí)現(xiàn)大量常見需求，其它應(yīng)該場景還有：
ip地址轉(zhuǎn)地區(qū)：將上報(bào)的用戶日志中的ip字段轉(zhuǎn)化為國家-省-市格式，便于做地域分布統(tǒng)計(jì)分析；使用
Hive SQL計(jì)算的標(biāo)簽數(shù)據(jù)，不想編寫Spark程序，可以通過UDF在靜態(tài)代碼塊中初始化連接池，利用Hive啟動(dòng)的并行MR任務(wù)，并行快速導(dǎo)入大量數(shù)據(jù)到codis中，應(yīng)用于一些推薦業(yè)務(wù)；還有其它
sql實(shí)現(xiàn)相對復(fù)雜的任務(wù)，都可以編寫永久Hive UDF進(jìn)行轉(zhuǎn)化；
總結(jié)
這一節(jié)我們學(xué)習(xí)了一個(gè)比較常見的UDF，通過實(shí)現(xiàn)
GenericUDF抽象類來實(shí)現(xiàn)，這一節(jié)的重點(diǎn)在于代碼的實(shí)現(xiàn)以及對GenericUDF類中方法的理解上面的代碼實(shí)現(xiàn)上有一個(gè)問題，那就是關(guān)于停用詞的加載，就是我們能不能動(dòng)態(tài)加載停用詞呢？