第二篇: 词向量之Spark word2vector实战

Posted

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了第二篇: 词向量之Spark word2vector实战相关的知识，希望对你有一定的参考价值。

参考技术A word2vector 是google开源的一个生成词向量的工具，以语言模型为优化目标，迭代更新训练文本中的词向量，最终收敛获得词向量。词向量可以作为文本分析中重要的特征，在分类问题、标注问题等场景都有着重要的应用价值。本文总结下了spark word2vector使用过程中遇到的问题，以及给出word2vector使用所需的参数配置，希望能够减少新手在使用过程中遇到的坑，希望有所帮助。

from pyspark.ml.feature import Word2Vec
from pyspark.sql import SQLContext
from pyspark import SparkConf, SparkContext
from pyspark.sql import Row
conf = (SparkConf().set("spark.driver.maxResultSize","2g"))
sc = SparkContext(conf=conf)
sqlContext = SQLContext(sc)
text = sc.textFile("yourfilepath")
documentDF = text.map(lambda x : Row(text=x.split(" "))).toDF()
word2Vec = Word2Vec(vectorSize=200, minCount=5, numPartitions=100,inputCol="text", outputCol="result")
model = word2Vec.fit(documentDF)
vector_model = model.getVectors()
vector_model.saveAsParquetFile("modelpath")

spark-submit
--master yarn-client
--executor-cores 2
--executor-memory 14g
--queue your-queue
--num-executors 100
--driver-memory 10g
--conf spark.ui.port=$RANDOM
--conf spark.shuffle.manager=SORT
--conf spark.shuffle.memoryFraction=0.2
--conf spark.yarn.executor.memoryOverhead=2048
--conf spark.core.connection.ack.wait.timeout=300
--conf spark.akka.frameSize=600 ./word2vector_training.py

第二篇：Spark SQL Catalyst源码分析之SqlParser

  /** Spark SQL源码分析系列文章*/

    Spark SQL的核心执行流程我们已经分析完毕，可以参见Spark SQL核心执行流程，下面我们来分析执行流程中各个核心组件的工作职责。

    本文先从入口开始分析，即如何解析SQL文本生成逻辑计划的，主要设计的核心组件式SqlParser是一个SQL语言的解析器，用scala实现的Parser将解析的结果封装为Catalyst TreeNode ，关于Catalyst这个框架后续文章会介绍。

一、SQL Parser入口

    Sql Parser 其实是封装了scala.util.parsing.combinator下的诸多Parser，并结合Parser下的一些解析方法，构成了Catalyst的组件UnResolved Logical Plan。

    先来看流程图：

     技术分享

     一段SQL会经过SQL Parser解析生成UnResolved Logical Plan(包含UnresolvedRelation、 UnresolvedFunction、 UnresolvedAttribute)。

    在源代码里是：  

 

[java] view plain copy
 
  1. def sql(sqlText: String): SchemaRDD = new SchemaRDD(this, parseSql(sqlText))//sql("select name,value from temp_shengli") 实例化一个SchemaRDD  
  2.   
  3. protected[sql] def parseSql(sql: String): LogicalPlan = parser(sql) //实例化SqlParser  
  4.   
  5. class SqlParser extends StandardTokenParsers with PackratParsers {  
  6.   
  7.   def apply(input: String): LogicalPlan = {  //传入sql语句调用apply方法，input参数即sql语句  
  8.     // Special-case out set commands since the value fields can be  
  9.     // complex to handle without RegexParsers. Also this approach  
  10.     // is clearer for the several possible cases of set commands.  
  11.     if (input.trim.toLowerCase.startsWith("set")) {  
  12.       input.trim.drop(3).split("=", 2).map(_.trim) match {  
  13.         case Array("") => // "set"  
  14.           SetCommand(None, None)  
  15.         case Array(key) => // "set key"  
  16.           SetCommand(Some(key), None)  
  17.         case Array(key, value) => // "set key=value"  
  18.           SetCommand(Some(key), Some(value))  
  19.       }  
  20.     } else {  
  21.       phrase(query)(new lexical.Scanner(input)) match {  
  22.         case Success(r, x) => r  
  23.         case x => sys.error(x.toString)  
  24.       }  
  25.     }  
  26.   }  

 

    1.  当我们调用sql("select name,value from temp_shengli")时，实际上是new了一个SchemaRDD

    2. new SchemaRDD时，构造方法调用parseSql方法，parseSql方法实例化了一个SqlParser，这个Parser初始化调用其apply方法。

    3. apply方法分支：

         3.1 如果sql命令是set开头的就调用SetCommand，这个类似Hive里的参数设定，SetCommand其实是一个Catalyst里TreeNode之LeafNode，也是继承自LogicalPlan，关于Catalyst的TreeNode库这个暂不详细介绍，后面会有文章来详细讲解。

         3.2 关键是else语句块里，才是SqlParser解析SQL的核心代码：

[java] view plain copy
 
  1. phrase(query)(new lexical.Scanner(input)) match {  
  2.        case Success(r, x) => r  
  3.        case x => sys.error(x.toString)  
  4.      }  

        可能 phrase方法大家很陌生，不知道是干什么的，那么我们首先看一下SqlParser的类图：技术分享

 

      

      SqlParser类继承了scala内置集合Parsers,这个Parsers。我们可以看到SqlParser现在是具有了分词的功能，也能解析combiner的语句（类似p ~> q，后面会介绍）。

     Phrase方法：

 

[java] view plain copy
 
  1. /** A parser generator delimiting whole phrases (i.e. programs). 
  2.  * 
  3.  *  `phrase(p)` succeeds if `p` succeeds and no input is left over after `p`. 
  4.  * 
  5.  *  @param p the parser that must consume all input for the resulting parser 
  6.  *           to succeed. 
  7.  *  @return  a parser that has the same result as `p`, but that only succeeds 
  8.  *           if `p` consumed all the input. 
  9.  */  
  10. def phrase[T](p: Parser[T]) = new Parser[T] {  
  11.   def apply(in: Input) = lastNoSuccessVar.withValue(None) {  
  12.     p(in) match {  
  13.     case s @ Success(out, in1) =>  
  14.       if (in1.atEnd)  
  15.         s  
  16.       else  
  17.           lastNoSuccessVar.value filterNot { _.next.pos < in1.pos } getOrElse Failure("end of input expected", in1)  
  18.       case ns => lastNoSuccessVar.value.getOrElse(ns)  
  19.     }  
  20.   }  
  21. }  


     Phrase是一个循环读取输入字符的方法，如果输入in没有到达最后一个字符，就继续对parser进行解析，直到最后一个输入字符。

 

     我们注意到Success这个类，出现在Parser里, 在else块里最终返回的也有Success:

 

[java] view plain copy
 
  1. /** The success case of `ParseResult`: contains the result and the remaining input. 
  2.   * 
  3.   *  @param result The parser‘s output 
  4.   *  @param next   The parser‘s remaining input 
  5.   */  
  6.  case class Success[+T](result: T, override val next: Input) extends ParseResult[T] {  

    通过源码可知，Success封装了当前解析器的解析结果result， 和还没有解析的语句。

 

   所以上面判断了Success的解析结果中in1.atEnd？ 如果输入流结束了，就返回s，即Success对象，这个Success包含了SqlParser解析的输出。

 

二、Sql Parser核心

在SqlParser里phrase接受2个参数：

第一个是query，一种带模式的解析规则，返回的是LogicalPlan。

第二个是lexical词汇扫描输入。

SqlParser parse的流程是，用lexical词汇扫描接受SQL关键字，使用query模式来解析符合规则的SQL。

 

2.1 lexical keyword

在SqlParser里定义了KeyWord这个类：
[java] view plain copy
 
  1. protected case class Keyword(str: String)  
在我使用的spark1.0.0版本里目前只支持了一下SQL保留字：
[java] view plain copy
 
  1. protected val ALL = Keyword("ALL")  
  2.  protected val AND = Keyword("AND")  
  3.  protected val AS = Keyword("AS")  
  4.  protected val ASC = Keyword("ASC")  
  5.  protected val APPROXIMATE = Keyword("APPROXIMATE")  
  6.  protected val AVG = Keyword("AVG")  
  7.  protected val BY = Keyword("BY")  
  8.  protected val CACHE = Keyword("CACHE")  
  9.  protected val CAST = Keyword("CAST")  
  10.  protected val COUNT = Keyword("COUNT")  
  11.  protected val DESC = Keyword("DESC")  
  12.  protected val DISTINCT = Keyword("DISTINCT")  
  13.  protected val FALSE = Keyword("FALSE")  
  14.  protected val FIRST = Keyword("FIRST")  
  15.  protected val FROM = Keyword("FROM")  
  16.  protected val FULL = Keyword("FULL")  
  17.  protected val GROUP = Keyword("GROUP")  
  18.  protected val HAVING = Keyword("HAVING")  
  19.  protected val IF = Keyword("IF")  
  20.  protected val IN = Keyword("IN")  
  21.  protected val INNER = Keyword("INNER")  
  22.  protected val INSERT = Keyword("INSERT")  
  23.  protected val INTO = Keyword("INTO")  
  24.  protected val IS = Keyword("IS")  
  25.  protected val JOIN = Keyword("JOIN")  
  26.  protected val LEFT = Keyword("LEFT")  
  27.  protected val LIMIT = Keyword("LIMIT")  
  28.  protected val MAX = Keyword("MAX")  
  29.  protected val MIN = Keyword("MIN")  
  30.  protected val NOT = Keyword("NOT")  
  31.  protected val NULL = Keyword("NULL")  
  32.  protected val ON = Keyword("ON")  
  33.  protected val OR = Keyword("OR")  
  34.  protected val OVERWRITE = Keyword("OVERWRITE")  
  35.  protected val LIKE = Keyword("LIKE")  
  36.  protected val RLIKE = Keyword("RLIKE")  
  37.  protected val UPPER = Keyword("UPPER")  
  38.  protected val LOWER = Keyword("LOWER")  
  39.  protected val REGEXP = Keyword("REGEXP")  
  40.  protected val ORDER = Keyword("ORDER")  
  41.  protected val OUTER = Keyword("OUTER")  
  42.  protected val RIGHT = Keyword("RIGHT")  
  43.  protected val SELECT = Keyword("SELECT")  
  44.  protected val SEMI = Keyword("SEMI")  
  45.  protected val STRING = Keyword("STRING")  
  46.  protected val SUM = Keyword("SUM")  
  47.  protected val TABLE = Keyword("TABLE")  
  48.  protected val TRUE = Keyword("TRUE")  
  49.  protected val UNCACHE = Keyword("UNCACHE")  
  50.  protected val UNION = Keyword("UNION")  
  51.  protected val WHERE = Keyword("WHERE")  
这里根据这些保留字，反射，生成了一个SqlLexical
[java] view plain copy
 
  1. override val lexical = new SqlLexical(reservedWords)  
SqlLexical利用它的Scanner这个Parser来读取输入，传递给query。

2.2 query

query的定义是Parser[LogicalPlan]  和 一堆奇怪的连接符（其实都是Parser的方法啦，看上图），*，~，^^^，看起来很让人费解。通过查阅读源码，以下列出几个常用的：
 
|  is the alternation combinator. It says “succeed if either the left or right operand parse successfully” 
左边算子和右边的算子只要有一个成功了，就返回succeed，类似or

~ is the sequential combinator. It says “succeed if the left operand parses successfully, and then the right parses successfully on the remaining input”
左边的算子成功后，右边的算子对后续的输入也计算成功，就返回succeed

opt  `opt(p)` is a parser that returns `Some(x)` if `p` returns `x` and `None` if `p` fails.
如果p算子成功则返回则返回Some（x） 如果p算子失败，返回fails

^^^ `p ^^^ v` succeeds if `p` succeeds; discards its result, and returns `v` instead.
如果左边的算子成功，取消左边算子的结果，返回右边算子。

~> says “succeed if the left operand parses successfully followed by the right, but do not include the left content in the result”
如果左边的算子和右边的算子都成功了，返回的结果中不包含左边的返回值。
  protected lazy val limit: Parser[Expression] =
    LIMIT ~> expression

<~ is the reverse, “succeed if the left operand is parsed successfully followed by the right, but do not include the right content in the result”
这个和~>操作符的意思相反，如果左边的算子和右边的算子都成功了，返回的结果中不包含右边的
    termExpression <~ IS ~ NOT ~ NULL ^^ { case e => IsNotNull(e) } |

^^{} 或者 ^^=> is the transformation combinator. It says “if the left operand parses successfully, transform the result using the function on the right”
rep => simply says “expect N-many repetitions of parser X” where X is the parser passed as an argument to rep
变形连接符，意思是如果左边的算子成功了，用^^右边的算子函数作用于返回的结果
 
接下来看query的定义：
[java] view plain copy
 
  1. protected lazy val query: Parser[LogicalPlan] = (  
  2.    select * (  
  3.        UNION ~ ALL ^^^ { (q1: LogicalPlan, q2: LogicalPlan) => Union(q1, q2) } |  
  4.        UNION ~ opt(DISTINCT) ^^^ { (q1: LogicalPlan, q2: LogicalPlan) => Distinct(Union(q1, q2)) }  
  5.      )  
  6.    | insert | cache  
  7.  )  
没错，返回的是一个Parser，里面的类型是LogicalPlan。
query的定义其实是一种模式，用到了上述的诸多操作符，如|， ^^, ~> 等等
给定一种sql模式，如select，select xxx from yyy where ccc =ddd  如果匹配这种写法，则返回Success，否则返回Failure.
 
这里的模式是select 模式后面可以接union all 或者 union distinct。
即如下书写式合法的，否则出错。  
[java] view plain copy
 
  1. select a,b from c   
  2. union all  
  3. select e,f from g  
这个 *号是一个repeat符号，即可以支持多个union all 子句。
 
看来目前spark1.0.0只支持这三种模式，即select, insert, cache。

那到底是怎么生成LogicalPlan的呢？ 我们再看一个详细的：
[java] view plain copy
 
  1. protected lazy val select: Parser[LogicalPlan] =  
  2.     SELECT ~> opt(DISTINCT) ~ projections ~  
  3.     opt(from) ~ opt(filter) ~  
  4.     opt(grouping) ~  
  5.     opt(having) ~  
  6.     opt(orderBy) ~  
  7.     opt(limit) <~ opt(";") ^^ {  
  8.       case d ~ p ~ r ~ f ~ g ~ h ~ o ~ l  =>  
  9.         val base = r.getOrElse(NoRelation)  
  10.         val withFilter = f.map(f => Filter(f, base)).getOrElse(base)  
  11.         val withProjection =  
  12.           g.map {g =>  
  13.             Aggregate(assignAliases(g), assignAliases(p), withFilter)  
  14.           }.getOrElse(Project(assignAliases(p), withFilter))  
  15.         val withDistinct = d.map(_ => Distinct(withProjection)).getOrElse(withProjection)  
  16.         val withHaving = h.map(h => Filter(h, withDistinct)).getOrElse(withDistinct)  
  17.         val withOrder = o.map(o => Sort(o, withHaving)).getOrElse(withHaving)  
  18.         val withLimit = l.map { l => Limit(l, withOrder) }.getOrElse(withOrder)  
  19.         withLimit  
  20.   }  
这里我给称它为select模式。
看这个select语句支持什么模式的写法：
select  distinct  projections from filter grouping having orderBy limit. 
 
给出一个符合的该select 模式的sql, 注意到 带opt连接符的是可选的，可以写distinct也可以不写。
[java] view plain copy
 
  1. select  game_id, user_name from game_log where date<=‘2014-07-19‘ and user_name=‘shengli‘ group by game_id having game_id > 1 orderBy game_id limit 50.  

projections是什么呢？
其实是一个表达式，是一个Seq类型，一连串的表达式可以使 game_id也可以是 game_id AS gmid 。
返回的确实是一个Expression，是Catalyst里TreeNode。
[java] view plain copy
 
  1. protected lazy val projections: Parser[Seq[Expression]] = repsep(projection, ",")  
  2.   
  3.   protected lazy val projection: Parser[Expression] =  
  4.     expression ~ (opt(AS) ~> opt(ident)) ^^ {  
  5.       case e ~ None => e  
  6.       case e ~ Some(a) => Alias(e, a)()  
  7.     }  

模式里from是什么的？
其实是一个relations，就是一个关系，在SQL里可以是表，表join表
[java] view plain copy
 
  1. protected lazy val from: Parser[LogicalPlan] = FROM ~> relations  
[java] view plain copy
 
  1. protected lazy val relation: Parser[LogicalPlan] =  
  2.   joinedRelation |  
  3.   relationFactor  
  4.   
  5. protected lazy val relationFactor: Parser[LogicalPlan] =  
  6.   ident ~ (opt(AS) ~> opt(ident)) ^^ {  
  7.     case tableName ~ alias => UnresolvedRelation(None, tableName, alias)  
  8.   } |  
  9.   "(" ~> query ~ ")" ~ opt(AS) ~ ident ^^ { case s ~ _ ~ _ ~ a => Subquery(a, s) }  
  10.   
  11.  protected lazy val joinedRelation: Parser[LogicalPlan] =  
  12.    relationFactor ~ opt(joinType) ~ JOIN ~ relationFactor ~ opt(joinConditions) ^^ {  
  13.     case r1 ~ jt ~ _ ~ r2 ~ cond =>  
  14.       Join(r1, r2, joinType = jt.getOrElse(Inner), cond)  
  15.    }  

这里看出来，其实就是table之间的操作，但是返回的Subquery确实是一个LogicalPlan
[java] view plain copy
 
  1. case class Subquery(alias: String, child: LogicalPlan) extends UnaryNode {  
  2.   override def output = child.output.map(_.withQualifiers(alias :: Nil))  
  3.   override def references = Set.empty  
  4. }  

scala里的语法糖很多，这样写的确比较方便，但是对初学者可能有点晦涩了。
 
至此我们知道，SqlParser是怎么生成LogicalPlan的了。
 
 

三、总结

    本文从源代码剖析了Spark Catalyst 是如何将Sql解析成Unresolved逻辑计划（包含UnresolvedRelation、 UnresolvedFunction、 UnresolvedAttribute）的。
    sql文本作为输入，实例化了SqlParser，SqlParser的apply方法被调用，分别处理2种输入，一种是命令参数，一种是sql。对应命令参数的会生成一个叶子节点，SetCommand，对于sql语句，会调用Parser的phrase方法，由lexical的Scanner来扫描输入，分词，最后由query这个由我们定义好的sql模式利用parser的连接符来验证是否符合sql标准，如果符合则随即生成LogicalPlan语法树，不符合则会提示解析失败。
    通过对spark catalyst sql parser的解析，使我理解了，sql语言的语法标准是如何实现的和如何解析sql生成逻辑计划语法树。
 
——EOF——
 

原创文章，转载请注明：

转载自：OopsOutOfMemory盛利的Blog，作者： OopsOutOfMemory

本文链接地址：http://blog.csdn.net/oopsoom/article/details/37943507

注：本文基于署名-非商业性使用-禁止演绎 2.5 中国大陆(CC BY-NC-ND 2.5 CN)协议，欢迎转载、转发和评论，但是请保留本文作者署名和文章链接。如若需要用于商业目的或者与授权方面的协商，请联系我。

技术分享

 转自：http://blog.csdn.net/oopsoom/article/details/37943507
































以上是关于第二篇: 词向量之Spark word2vector实战的主要内容，如果未能解决你的问题，请参考以下文章

点云处理技术之open3d第二篇：点云的基本操作篇——可视化降采样法向量裁剪和绘制点云

第二篇：使用Spark对MovieLens的特征进行提取

第二节 获取词向量的工具——Word2Vec

自然语言处理之词向量技术

Python之酒店评论词向量训练 gensim

Spark SQL 源码分析系列文章