干货：基于Spark Mllib的SparkNLP库。

引言

这是来自John Snow Labs工程团队的社区博客和工作，解释了他们对开源Apache Spark自然语言处理（NLP）库的贡献。

Apache Spark是一个通用的集群计算框架，它支持分布式SQL，流式处理，图处理和机器学习。现在，Spark生态系统还有一个Spark Natural Language Processing库。

John Snow Labs NLP库是在Scala编写的Apache 2.0以上，不依赖于其他NLP或ML库。它本地扩展了Spark ML管道API。该框架提供了注释器的概念，并带出了以下内容：

• 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

另外，由于与Spark ML的紧密集成，在构建NLP管道时，您可以直接使用Spark的更多功能。这包括词语嵌入，主题建模，停用词移除，各种特征工程功能（tf-idf，n-gram，相似性度量等）以及在机器学习工作流中使用NLP注释作为特征。如果您不熟悉这些术语，那么理解NLP任务的指南是一个好的开始。

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。 管道是允许单个工作流程中包含多个估计器和变换器的机制，允许沿机器学习任务进行多个链接转换。

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。

注解器(Annotators)

注解器是SparkNLP中NLP功能的先锋。有两种形式的注释器：

• 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。

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。

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 加载数据并测试,

我们这里是先把数据赋值为名为data的变量

val data = spark.read.parquet("file:///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。

importcom.johnsnowlabs.nlp._

importcom.johnsnowlabs.nlp.annotators._

importorg.apache.spark.ml.Pipeline

valdocumentAssembler = newDocumentAssembler()

   .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。

importcom.johnsnowlabs.nlp.annotators.sbd.pragmatic.SentenceDetectorModel

valsentenceDetector= newSentenceDetectorModel()

   .setInputCols(Array("document"))

   .setOutputCol("sentence")

valregexTokenizer= newRegexTokenizer()

   .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= newFinisher()

   .setInputCols("token")

   .setCleanAnnotations(false)

val pipeline= newPipeline()

   .setStages(Array(

       documentAssembler,

       sentenceDetector,

       regexTokenizer,

       finisher

   ))

pipeline

   .fit(data)

   .transform(data)

   .show()

也可以按照spark的输出文件的格式保存结果，比如：

pipeline.fit(data).transform(data).toJSON.write.text("file:///opt/output")

7 输出为

推荐阅读：

1，Spark部署模式另类详解

2，金融反欺诈场景下的Spark实践

3，论Spark Streaming的数据可靠性和一致性

4，Spark源码系列之foreach和foreachPartition的区别

关注公众号。输入：nlp，即可获得本文设计的项目工程和jar及本文中的案例代码。

关于Spark高级玩法

kafka，hbase，spark，Flink等入门到深入源码，spark机器学习，大数据安全，大数据运维，请关注浪尖公众号，看高质量文章。

更多文章，敬请期待