使用Spark MLlib 完成新闻自动分类

写在前面

最近学习了一点文本挖掘相关知道，刚刚接触到一点皮毛，刚好学了点Spark，所有就找个了小例子玩了一下，算法和实现都不太难，比较适合看公式一脸蒙逼，无聊想来点实际性Demo玩一下

基本流程

如图所示为新闻自己分类的基本流程，其中主要包含以下几点

语料

分类语料库用搜狗实验室http://www.sogou.com/labs/的数据，语料库中共10个分类，总计50多万条记录，每条记录由对应的分类编号加对应关键词组成，语料库中格式如下

0,苹果 官网 苹果 宣布 ...1,苹果 梨 香蕉 ...其中0 汽车1 财经2 IT3 健康4 体育5 旅游6 教育7 招聘8 文化9 军事

TF-IDF

TF-IDF这个特征算法是比较简单的，用来简单提取特征值学习一下还是可以的，具体算法可以百度一下，Spark 官网也有介绍：中文，英文，博客

朴素贝叶斯分类器

朴素贝叶斯分类器主要根据贝叶斯概率公式计算事件之间的概率，基本算法原理可以参考博客
Spark 教程 英文 ，中文

新闻数据

这里的新闻数据是用来分类的，可以从互联网上爬取，我里我自己准备了点数据，数据以JSON格式存储,格式如下

{"topicurl":"http://zzhz.zjol.com.cn/system/2017/06/08/021530999.shtml","is_topic":"0","newsid":"021530999","sub_title":"http://xinpan.zzhz.zjol.com.cn/zhhq/20170604/","pub_time":"2017-06-08 14:53","source":"","title":"点评：6月4日，杭州主城区商品房共成交69套。截至4日22:00，主城区可售房源为40325套。"}{"topicurl":"http://zzhz.zjol.com.cn/system/2017/06/08/021530997.shtml","is_topic":"0","newsid":"021530997","sub_title":"http://xinpan.zzhz.zjol.com.cn/zhhq/20170607/","pub_time":"2017-06-08 14:49","source":"","title":"7日：主城区成交200套 余杭萧山富阳315套"}{"topicurl":"http://zzhz.zjol.com.cn/system/2017/06/08/021530996.shtml","is_topic":"0","newsid":"021530996","sub_title":"http://xinpan.zzhz.zjol.com.cn/zhhq/20170606/","pub_time":"2017-06-08 14:49","source":"","title":"6日：主城区成交208套 余杭萧山富阳243套"}

文章预处理

这里主要是针对从网上爬过来的新闻数据进行格式转换和分词操作，分词器使用ansj_seg GitHub地址 https://github.com/NLPchina/ansj_seg
经过预处理后，新闻数据就成了一个由关键词组成的文档

主要代码

主流程代码

  def main(args: Array[String]): Unit = {    //创建sparkSession    val sparkSession = SparkSession.builder      .config("spark.sql.warehouse.dir", "D:\\WorkSpace\\spark\\spark-learning\\spark-warehouse")      .master("local")      .appName("spark session example")      .getOrCreate()    val trainRdd = sparkSession.sparkContext.textFile("E:\\file\\res\\allType.txt").map(x => {      val data = x.split(",")      (data(0), data(1))    })    //IT-IDF    val trainTFDF = toTFIDF(sparkSession, trainRdd)    //标示点    var trainPoint = trainTFDF.map {      x =>        LabeledPoint(x._1.toDouble, Vectors.dense(x._3.toArray))    }    //训练模型    val model = NaiveBayes.train(trainPoint)    //保存模型数据    // model.save(sparkSession.sparkContext,"E:\\model")    // val model=NaiveBayesModel.load(sparkSession.sparkContext,"E:\\model")    //加载新闻数据    val testData = loadTestData(sparkSession, "E:\\zjol\\21531000.json")    //TF-IDF    val testDataTFIDF = toTFIDF(sparkSession, testData)    //测试分类    val res = testDataTFIDF.map({      x => {        (x._1, model.predict(Vectors.dense(x._3.toArray)))      }    })    //新闻ID,分类    res.foreach(x => println(x._1 + " " + x._2))  }

特征提取

  /**    * 对RDD新闻进行TF-IDF特征计算    * @param rdd    * @return    */  def toTFIDF(sparkSession: SparkSession, rdd: RDD[Tuple2[String, String]]) = {    val df = rdd.map(x => {      Row(x._1, x._2)    })    val schema = StructType(      Seq(        StructField("category", StringType, true)        , StructField("text", StringType, true)      )    )    //将dataRdd转成DataFrame    val srcDF = sparkSession.createDataFrame(df, schema)    srcDF.createOrReplaceTempView("news")    srcDF.select("category", "text").take(2).foreach(println)    //将分好的词按空格拆分转换为DataFrame    var tokenizer = new Tokenizer().setInputCol("text").setOutputCol("words")    var wordsData = tokenizer.transform(srcDF)    wordsData.select("category", "text", "words").take(2).foreach(println)    val hashingTF = new HashingTF(Math.pow(2, 18).toInt)    val tfDF1 = wordsData.rdd.map(row => {      val words = row.getSeq(2)      (row.getString(0), row.getString(1), hashingTF.transform(words))    })    val tfDF = wordsData.rdd.map(row => {      val words = row.getSeq(2)      hashingTF.transform(words)    })    val idf = new IDF().fit(tfDF)    val num_idf_pairs = tfDF1.map(x => {      (x._1, x._2, idf.transform(x._3))    })    num_idf_pairs.take(10).foreach(println)    num_idf_pairs  }

数据预处理

/**    * 加载测试json新闻数据    * @param sparkSession    * @param path    * @return    */  def loadTestData(sparkSession: SparkSession, path: String) = {    val df = sparkSession.read.json(path)    df.printSchema()    df.createOrReplaceTempView("news")    val sql = "select author,body,is_topic,keywords,newsid,pub_time,source,sub_title,title,top_title,topicurl from news"    val rdd = sparkSession.sql(sql).rdd.map(row =>      (        row.getString(4).substring(1).toLong,        row.getString(8),        getTextFromTHML(row.getString(6))      )    ).filter(x => (!x._2.equals("") && !x._3.equals("") && x._3.length>200 ))    val newsRdd = rdd.map(x => {      val words = ToAnalysis.parse(x._3).getTerms      var string = ""      val size = words.size()      for (i <- 0 until size) {        string += words.get(i.toInt).getName + " "      }      (x._1.toString, string)    })    newsRdd  }  /**    * 抽取HTML中文字    * @param htmlStr    * @return    */  def getTextFromTHML(htmlStr: String): String = {    val doc = Jsoup.parse(htmlStr)    var text1 = doc.text()    // remove extra white space    val builder = new StringBuilder(text1)    var index = 0    while ( {      builder.length > index    }) {      val tmp = builder.charAt(index)      if (Character.isSpaceChar(tmp) || Character.isWhitespace(tmp)) builder.setCharAt(index, ' ')      index += 1    }    text1 = builder.toString.replaceAll(" +", " ").trim    text1  }

结果

结果数据以文章ID加分类编号组成

21530024 7.021530023 6.021530022 7.021530021 3.021530019 7.021530018 8.021530017 5.021530016 3.021530015 3.0

21530021 这篇新闻分类为3.0(健康)，新闻如下 ：

计算正确率

    val testRdd = sparkSession.sparkContext.textFile("E:\\file\\res\\test.txt").map(x => {      val data = x.split(",")      (data(0), data(1))    })    //IT-IDF    val testrainTFDF = toTFIDF(sparkSession, testRdd)    //测试分类    val res = testrainTFDF.map({      x => {        (x._1, model.predict(Vectors.dense(x._3.toArray)))      }    })    //新闻ID,分类    res.foreach(x => println(x._1 + " " + x._2))    //新闻总数    val allCount=res.count()    //分类正确数量    val find=res.filter(x=>x._1.toDouble.equals(x._2));    find.foreach(x=>println(x._1+" "+x._2))    //8856 11533    println(find.count()+" "+allCount)

正确率为 76.9%

训练数据及测试数据 链接：http://pan.baidu.com/s/1skKR1GL 密码：qgn2