Hive基于UDF進行文本分詞
Hive系列文章
- Hive表的基本操作
- Hive中的集合數(shù)據(jù)類型
- Hive動態(tài)分區(qū)詳解
- hive中orc格式表的數(shù)據(jù)導入
- Java通過jdbc連接hive
- 通過HiveServer2訪問Hive
- SpringBoot連接Hive實現(xiàn)自助取數(shù)
- hive關聯(lián)hbase表
- Hive udf 使用方法
- Hive基于UDF進行文本分詞
- Hive窗口函數(shù)row number的用法
- 數(shù)據(jù)倉庫之拉鏈表
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(shù),比如count(計數(shù))
,sum(求和)
,有時候這些基本函數(shù)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(shù)。編寫Hive UDF
的步驟:
- 添加相關依賴,創(chuàng)建項目,這里我用的管理工具是maven,所以我創(chuàng)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(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)建臨時函數(shù),不加temporary
就創(chuàng)建了一個永久函數(shù); - 在SQL 中使用你創(chuàng)建的UDF;
UDF分詞
這個是一個比較常見的場景,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么,或者是我們會分析最近一段時間的網(wǎng)絡趨勢是什么,但是這里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(wǎng)絡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,然后有專人去維護,這個也是比較常見的一種情況。
最后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(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個大版本。最初,它是以開源項目Luence為應用主體的,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,獨立于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(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.并且進行了部分的人工優(yōu)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(xiàn)了.中文分詞. 中文姓名識別 . 詞性標注、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,適用于對分詞效果要求高的各種項目.
4:結(jié)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,好在國內(nèi)有medcl大神(國內(nèi)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分布式中文分詞組件 - word分詞(Star:672)
word分詞是一個Java實現(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。能準確識別英文、數(shù)字,以及日期、時間等數(shù)量詞,能識別人名、地名、組織機構(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,并且提供了最新版本的lucene, solr, elasticsearch的分詞接口, 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(fā)的,可結(jié)合到Lucene應用中的,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。
mmseg4j 用 Chih-Hao Tsai 的 MMSeg 算法(http://technology.chtsai.org/mmseg/ )實現(xiàn)的中文分詞器,并實現(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ictclas的java實現(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 準確率能達到96%以上 目前實現(xiàn)了....
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的基礎上完成的一個java開源分詞項目,簡化了原分詞程序的復雜度,旨在為廣大的中文分詞愛好者一個更好的學習機會。
代碼實現(xiàn)
第一步:引入依賴
這里我們引入了兩個依賴,其實是兩個不同分詞工具
在開始之前我們先寫一個demo 玩玩,讓大家有個基本的認識
輸出結(jié)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
代碼很簡單我就不不做詳細解釋了,需要注意的是GenericUDF
里面的一些方法的使用規(guī)則,至于代碼設計的好壞以及還有什么改進的方案我們后面再說,下面兩套實現(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的實現(xiàn)
ikanalyzer的實現(xiàn)
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
我們看到加載停用詞沒有找到,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 上加載停用詞信息,所以可以完美的測試運行
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
其它應用場景
通過編寫Hive UDF
可以輕松幫我們實現(xiàn)大量常見需求,其它應該場景還有:
ip
地址轉(zhuǎn)地區(qū)
:將上報的用戶日志中的ip
字段轉(zhuǎn)化為國家-省-市
格式,便于做地域分布統(tǒng)計分析;- 使用
Hive SQL
計算的標簽數(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
啟動的并行MR
任務,并行快速導入大量數(shù)據(jù)到codis
中,應用于一些推薦業(yè)務; - 還有其它
sql
實現(xiàn)相對復雜的任務,都可以編寫永久Hive UDF
進行轉(zhuǎn)化;
總結(jié)
- 這一節(jié)我們學習了一個比較常見的UDF,通過實現(xiàn)
GenericUDF
抽象類來實現(xiàn),這一節(jié)的重點在于代碼的實現(xiàn)以及對GenericUDF
類中方法的理解 - 上面的代碼實現(xiàn)上有一個問題,那就是關于停用詞的加載,就是我們能不能動態(tài)加載停用詞呢?
作者:柯廣的網(wǎng)絡日志
微信公眾號:Java大數(shù)據(jù)與數(shù)據(jù)倉庫