python - 使用 PySpark 进行高效的文本预处理(清理、标记化、停用词、词干提取、过滤)

Question

最近在《Learning Spark》这本书上开始学习spark。理论上，一切都清楚了，在实践中，我面临这样一个事实，即我首先需要对文本进行预处理，但没有关于这个主题的实际提示。

我考虑的第一件事是现在最好使用 Dataframe 而不是 RDD，所以我的预处理尝试是在数据帧上进行的。

所需操作:

清除标点符号中的文本 (regexp_replace)

token 化(Tokenizer)

删除停用词 (StopWordsRemover)

Stematization (SnowballStemmer)

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有意义吗？缓存会有帮助吗？如何优化预处理？

首先我在本地计算机上测试了实现，然后我将在集群上尝试。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 分析中最糟糕的文件格式，尤其是当它是一个 60GB 的 JSON 文件时。 Spark 适用于 1GB Parquet 文件。一些预处理将有很大帮助:

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

包装 SnowballStemmer从性能的角度来看，UDF 并不是最好的，但最现实的是​​，除非您习惯用低级 Java 字节码编写算法。我在 ceja 中创建了 Porter Stemming 算法也使用 UDF。
这是 an example of a native implementation of a Spark function .实现是可能的，但并不容易。