PyODPS节点实现结巴中文分词

本文为您介绍如何使用DataWorks的PyODPS类型节点，借助开源结巴中文分词包实现对中文字段的分词并写入新的表。

背景信息

PyODPS集成了Maxcompute的Python SDK。您可以在DataWorks的PyODPS节点上直接编辑Python代码并使用Maxcompute的Python SDK。关于PyODPS节点的详情请参见PyODPS节点。

1. 创建业务流程。
   1. 右键单击业务流程，选择新建业务流程。
   2. 输入您的业务流程名称后，单击新建。
2. 上传jieba-master.zip包。
   1. 右键单击业务流程，选择新建 > MaxCompute > 资源 > Archive。
   2. 上传您已下载到本地的jieba-master.zip，勾选上传为ODPS资源，单击确定。
   3. 提交资源。
3. 创建测试数据表。
   1. 右键单击业务流程，选择新建 > MaxCompute > 表。输入表名jieba_test。
   2. 单击DDL模式，输入建表DDL语句如下。
      本教程准备了两列测试数据，您在后续开发过程中可以选择一列进行分词。

      CREATE TABLE `jieba_test` (
          `chinese` string,
          `content` string
      );

   3. 单击提交到生产环境。
4. 创建测试结果存放表。
   本例仅对测试数据的chinese列做分词处理，因此结果表仅有一列，创建方法同上。DDL语句如下所示。

   CREATE TABLE `jieba_result` (
       `chinese` string
   ) ;

5. 上传测试数据。
   本例已为您准备好分词测试数据，请点击此处下载。
   1. 单击导入。
   2. 输入测试数据表名jieba_test，单击下一步。
   3. 单击浏览，上传您下载到本地的jieba_test.csv文件，单击下一步。
   4. 勾选按名称匹配，单击导入数据。
6. 创建PyODPS节点。
   1. 右键单击业务流程，选择新建 > MaxCompute > PyODPS。
   2. 输入节点名称word_split。
   3. 输入您的PyODPS代码。
      输入代码如下，释义请见代码注释。

      def test(input_var):
          import jieba
          import sys
          reload(sys)
          sys.setdefaultencoding('utf-8')
          result=jieba.cut(input_var, cut_all=False)
          return "/ ".join(result)
      hints = {
          'odps.isolation.session.enable': True
      }
      libraries =['jieba-master.zip']  #引用您的jieba-master.zip压缩包。
      iris = o.get_table('jieba_test').to_df()  #引用您的jieba_test表中的数据。
      example = iris.chinese.map(test).execute(hints=hints, libraries=libraries)
      print(example)  #查看分词结果，分词结构为MAP类型数据。
      abci=list(example)   #将分词结果转为list类型数据。
      i = 0
      for i in range(i,len(abci)):
          pq=str(abci[i])
          o.write_table('jieba_result',[pq])  #通过循环，将数据逐条写入您的结果表jieba_result中。
          i+=1
      else:
          print("done")

   4. 运行代码进行测试。
   5. 您可以在运行日志查看结巴分词的程序运行结果。
7. 在数据开发创建一个ODPS SQL类型节点，输入select * from jieba_result，单击运行。
8. 查看运行结果，验证数据是否已写入结果表中。