使用PySpark进行高效的文本预处理（清除，标记化，停用词，词干，过滤器）

Question

最近，我开始在《学习火花》一书中学习火花。从理论上讲，一切都是清楚的，在实践中，我面对的事实是，我首先需要对文本进行预处理，但是没有关于此主题的实际提示。

我考虑到的第一件事是，现在最好使用数据框而不是RDD，因此我对数据框进行了预处理。

所需的操作：

1. 清除标点符号中的文本（regexp_replace）
2. 令牌化（令牌生成器）
3. 删除停用词（StopWordsRemover）
4. 灭菌（SnowballStemmer）
5. 过滤短词（udf）

我的代码是：

from pyspark.sql import SparkSession
from pyspark.sql.functions import udf, col, lower, regexp_replace
from pyspark.ml.feature import Tokenizer, StopWordsRemover
from nltk.stem.snowball import SnowballStemmer

spark = SparkSession.builder \
    .config("spark.executor.memory", "3g") \
    .config("spark.driver.cores", "4") \
    .getOrCreate()
df = spark.read.json('datasets/entitiesFull/full').select('id', 'text')

# Clean text
df_clean = df.select('id', (lower(regexp_replace('text', "[^a-zA-Z\\s]", "")).alias('text')))

# Tokenize text
tokenizer = Tokenizer(inputCol='text', outputCol='words_token')
df_words_token = tokenizer.transform(df_clean).select('id', 'words_token')

# Remove stop words
remover = StopWordsRemover(inputCol='words_token', outputCol='words_clean')
df_words_no_stopw = remover.transform(df_words_token).select('id', 'words_clean')

# Stem text
stemmer = SnowballStemmer(language='english')
stemmer_udf = udf(lambda tokens: [stemmer.stem(token) for token in tokens], ArrayType(StringType()))
df_stemmed = df_words_no_stopw.withColumn("words_stemmed", stemmer_udf("words_clean")).select('id', 'words_stemmed')

# Filter length word > 3
filter_length_udf = udf(lambda row: [x for x in row if len(x) >= 3], ArrayType(StringType()))
df_final_words = df_stemmed.withColumn('words', filter_length_udf(col('words_stemmed')))

处理需要很长时间，整个文档的大小为60 GB。使用RDD是否有意义？缓存会有所帮助吗？如何优化预处理？

首先，我在本地计算机上测试了实现，然后将在集群上进行尝试。本地计算机-Ubuntu RAM 6Gb，4个CPU。也欢迎任何替代解决方案。谢谢！

Answer 1

JSON 通常是 Spark 分析中最差的文件格式，尤其是单个 60GB JSON 文件时。Spark 可以很好地处理 1GB Parquet 文件。一些预处理会有很大帮助：

temp_df = spark.read.json('datasets/entitiesFull/full').select('id', 'text').repartition(60)
temp_df.write.parquet('some/other/path')
df = spark.read.parquet('some/other/path')
# ... continue the rest of the analysis

从性能的角度来看，将其包装SnowballStemmer在 UDF 中并不是最好的，但是是最现实的，除非您习惯用低级 Java 字节码编写算法。我还使用 UDF在ceja中创建了一个 Porter Stemming 算法。

以下是Spark 函数的本机实现示例。实施是可能的，但并不容易。