基于Spark Mllib的Spark NLP库

1>sbt引入:

scala为2.11时   libraryDependencies += "com.johnsnowlabs.nlp" %% "spark-nlp" % "1.4.2"
scala为2.11之上时    libraryDependencies += "com.johnsnowlabs.nlp" % "spark-nlp_2.11" % "1.4.2"

2>maven引入：　

< dependency >
  < groupId > com.johnsnowlabs.nlp </ groupId >
  < artifactId > spark-nlp_2.11 </ artifactId >
  < version > 1.4.2 </ version >
</ dependency >

3>直接下载jar包,然后运行：spark-submit --packages JohnSnowLabs:spark-nlp:1.4.2

或者提交程序时指定它的具体位置：spark-shell --jars spark-nlp.jar

一、该库的主要内容：

标记生成器
规范化
词干提取
Lemmatizer
实体提取器
日期提取器
Part of Speech Tagger
命名实体识别
句子边界检测
情感分析
拼写检查器

Spark ML提供了一套机器学习应用程序，它的逻辑由两个主要组件组成：估计器(Estimators)和变换器（Transformers）。首先，有一个称为fit（）的方法，将一段数据保存并传递给这样的应用程序，Transformer（一般是拟合过程的结果）将更改应用于目标数据集。这些组件已嵌入到适用于Spark NLP。

1.注释(Annotation)

注释是Spark-NLP操作结果的基本形式。它的结构是由：

annotatorType: 哪个注释器生成了这个注释
begin: 匹配的内容相对于原始文本的开始。
end: 匹配的内容相对于原始文本的结尾
metadata: 匹配结果的内容和附加信息

该对象在转换处理结束后由注释器自动生成。不需要手动参与。但为了有效地使用它，必须按照顺序理解。

2.注解器(Annotators)

注释器有两种形式：

注解器方法：代表Spark ML Estimator并需要一个训练stage。他们有一个称为fit（data）的函数，它根据一些数据来训练一个模型。他们生产第二种类型的注释器，它是一个注释器模型或转换器(transformer)。
Annotator模型：它们是spark模型或转换器(transformer)，意味着它们具有一个transform(data)函数，它接受一个数据集并添加一个带有这个标注结果的列。所有转换器(transformer)都是附加的，这意味着它们附加到当前数据，决不会替换或删除以前的信息。

这两种形式的注释器都可以包含在Pipeline中，并且会自动按照提供的顺序遍历所有阶段并相应地转换数据。在fit（）阶段之后，Pipeline变成了PipelineModel。无论是之前还是之后，可以随时保存到磁盘并重新从磁盘加载。

3.公共函数

setInputCols（column_names）：获取此注释器所需的注释列名称

setOutputCol（ column_name）：定义包含此注释器结果的列的名称。使用此名称作为其他注释器的输入，需要注释这个注释器。

二、例子分析

1 注释器类型

每个注释器都有一个类型。这些共享类型的注释器可以互换使用，这意味着您可以在需要时使用它们中的任何一个。例如，当另一个注释器（如情感分析注释器）需要令牌类型注释器时，可以提供标normalized token或lemma，因为两者都是类型标记。

2 使用spark读入数据

我们例子测试采用的是spark-shell的方式，spark-2.1.1版本以上，本文采用的是spark2.1.2，scala版本2.11.8，启动：

spark-shell --jars /opt/jars/spark-nlp-1.2.3.jar

3.我们这里是先把数据赋值为名为data的变量

val data = spark.read.parquet("/opt/datas/*")

4 DocumentAssembler：获取数据

为何贯穿NLP处理过程，我们需要将原始数据进行标注。有一个特殊的transformer为我们做这件事情：DocumentAssembler，它会创建第一个类型为Document的注释，该注释会被以后的注解器使用。

import com.johnsnowlabs.nlp._
import com.johnsnowlabs.nlp.annotators._
import org.apache.spark.ml.Pipeline

val documentAssembler = new DocumentAssembler()
   .setInputCol("text")
   .setOutputCol("document")

5 句子检测及分词

在这个快速的例子中，我们现在开始在每个文档行中标识句子。SentenceDetectorModel需要一个由DocumentAssembler输出提供的Document注释，它本身是一个Document类型标记。RegexTokenizer需要一个Document注释类型，这意味着它与DocumentAssembler或SentenceDetector输出一起工作，在这里，我们使用句子输出。

import com.johnsnowlabs.nlp.annotators.sbd.pragmatic.SentenceDetectorModel

val sentenceDetector = new SentenceDetectorModel()
   .setInputCols(Array("document"))
   .setOutputCol("sentence")

val regexTokenizer = new RegexTokenizer()
   .setInputCols(Array("sentence"))
   .setOutputCol("token")

6 使用管道(pipeline)

现在我们要把所有这些放在一起并检索结果，我们使用Pipeline来做到这一点。我们还包含另一个特殊的变形器，称为“ Finisher”，以人类语言显示标记

val finisher = new Finisher()
   .setInputCols("token")
   .setCleanAnnotations(false)

val pipeline = new Pipeline()
   .setStages(Array(
       documentAssembler,
       sentenceDetector,
       regexTokenizer,
       finisher
   ))

pipeline
   .fit(data)
   .transform(data)
   .show()