java - 使用 MapReduce 作业调用斯坦福CoreNLP API

Question

我正在尝试使用MapReduce处理大量文档，其想法是将文件拆分为mapper中的文档，并在reducer阶段应用stanford coreNLP注释器。

我有一个相当简单的(标准)管道“tokenize，ssplit，pos，lemma，ner”，并且reducer只是调用一个函数，该函数将这些注释器应用于reducer传递的值并返回注释(如List字符串)，但是生成的输出是垃圾。

我观察到，如果我从映射器内调用注释函数，作业会返回预期的输出，但这会击败整个并行性。当我忽略在 reducer 中获得的值并仅将注释器应用于虚拟字符串时，作业也会返回预期的输出。

这可能表明该过程中存在一些线程安全问题，但我无法弄清楚我的注释函数是同步的并且管道是私有(private)最终的。

有人可以提供一些关于如何解决此问题的指示吗？

-昂舒

编辑:

这就是我的 reducer 的样子，希望这能增加清晰度

public static class Reduce extends MapReduceBase implements Reducer<Text, Text, Text, Text> {
    public void reduce(Text key, Iterator<Text> values, OutputCollector<Text, Text> output, Reporter reporter) throws IOException {
        while (values.hasNext()) {
            output.collect(key, new Text(se.getExtracts(values.next().toString()).toString()));             
        }
    }
}

这是获取摘录的代码:

final StanfordCoreNLP pipeline; 
public instantiatePipeline(){
    Properties props = new Properties();
    props.put("annotators", "tokenize, ssplit, pos, lemma, ner");

}


synchronized List<String> getExtracts(String l){
    Annotation document = new Annotation(l);

    ArrayList<String> ret = new ArrayList<String>();

    pipeline.annotate(document);

    List<CoreMap> sentences = document.get(SentencesAnnotation.class);
    int sid = 0;
    for(CoreMap sentence:sentences){
        sid++;
        for(CoreLabel token: sentence.get(TokensAnnotation.class)){
            String word = token.get(TextAnnotation.class);
            String pos = token.get(PartOfSpeechAnnotation.class);
            String ner = token.get(NamedEntityTagAnnotation.class);
            String lemma = token.get(LemmaAnnotation.class);

            Timex timex = token.get(TimeAnnotations.TimexAnnotation.class);

            String ex = word+","+pos+","+ner+","+lemma;
            if(timex!=null){
                ex = ex+","+timex.tid();
            }
            else{
                ex = ex+",";
            }
            ex = ex+","+sid;
            ret.add(ex);
        }
    }

Answer 1

我解决了这个问题，实际上问题出在我正在读取的文件中的文本编码(我猜将其转换为文本会导致进一步的损坏)，这导致了标记化和溢出垃圾的问题。我正在清理输入字符串并应用严格的 UTF-8 编码，现在一切正常。