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，以及如何通过闭包函数使用自定义词典进行分词。

1. 创建业务流程。
   1. 登录DataWorks控制台。
   2. 在左侧导航栏，单击工作空间列表。
   3. 选择工作空间所在地域后，单击相应工作空间后的进入数据开发。
   4. 鼠标悬停至图标，单击业务流程。
   5. 在新建业务流程对话框中，输入业务名称和描述。
      注意 业务名称必须是大小写字母、中文、数字、下划线（_）以及小数点（.），且不能超过128个字符。
   6. 单击新建。
2. 上传jieba-master.zip包。
   1. 展开新建的业务流程下的MaxCompute，右键单击资源，选择新建 > Archive。
   2. 在新建资源对话框中，配置各项参数。
      

      参数	描述
      资源名称	资源的名称，无需和上传的文件名保持一致，但需要符合以下规范： 资源名称仅包含中文、字母、数字、英文句号（.）、下划线（_）和短划线（-）。 资源类型为Archive时，资源名称和文件名的后缀必须一致，且后缀名包含.zip、.tgz、.tar.gz或.tar。
      目标文件夹	默认当前所在文件夹的路径，您可以进行修改。
      资源类型	此处选择Archive类型。 说明 如果该资源包已经在MaxCompute（ODPS）客户端上传过，请取消勾选上传为ODPS资源，否则上传会报错。
      MaxCompute引擎实例	从下拉列表中选择该资源所在的计算引擎。 如果您所在的工作空间仅绑定一个实例，则不会显示该参数。
      上传文件	单击点击上传，在本地选择已下载的文件jieba-master.zip后，单击打开。

   3. 在新建资源对话框中，单击确定。
   4. 单击工具栏中的图标，在提交新版本对话框中，输入变更描述。
   5. 单击确认。
3. 创建测试数据表。
   1. 展开新建的业务流程下的MaxCompute，右键单击表，选择新建表。
   2. 在新建表对话框中，输入表名（示例为jieba_test），并选择MaxCompute引擎实例。
   3. 单击提交。
   4. 单击DDL模式，输入以下建表DDL语句。
      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
      );

   5. 单击生成表结构。
   6. 在确认操作对话框中，单击确认。
   7. 在基本属性区域，输入表的中文名。
   8. 单击提交到生产环境。
   9. 在提交生产确认对话框中，选中我已悉知风险，确认提交，单击确认。
4. 以同样的方式创建存放测试结果的数据表。
   本例仅对测试数据的chinese列进行分词处理，因此结果表仅有一列。DDL语句如下所示。

   CREATE TABLE jieba_result (
       `chinese` string
   ) ;

5. 下载分词测试数据。
6. 上传测试数据：
   1. 在数据开发页面，单击图标。
   2. 在数据导入向导对话框中，输入需要导入数据的测试表jieba_test并选中，单击下一步。
   3. 单击浏览，上传您下载至本地的jieba_test.csv文件，单击下一步。
   4. 选中按名称匹配，单击导入数据。
7. 创建PyODPS 2节点。
   1. 展开业务流程中的MaxCompute，右键单击数据开发，选择新建 > PyODPS 2。
   2. 在新建节点对话框中，输入节点名称（示例为word_split），并选择目标文件夹。
      说明 节点名称必须是大小写字母、中文、数字、下划线（_）和小数点（.），且不能超过128个字符。
   3. 单击提交。
   4. 在节点的编辑页面，选中MaxCompute引擎实例，并输入下述PyODPS代码。

      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类型的数据。
      for i in range(i,len(abci)):
          pq=str(abci[i])
          o.write_table('jieba_result',[pq])  #通过循环，逐条写入数据至结果表jieba_result中。
          i+=1
      else:
          print("done")

   5. 单击工具栏中的图标，保存输入的代码。
   6. 单击工具栏中的图标，在参数对话框中，从调度资源组下拉列表选择需要使用的资源组。
   7. 单击确定，测试PyODPS 2节点。
   8. 在页面下方的运行日志区域，查看结巴分词程序的运行结果。
      
8. 创建和运行ODPS SQL节点。
   1. 展开业务流程中的MaxCompute，右键单击数据开发，选择新建 > ODPS SQL。
   2. 在新建节点对话框中，输入节点名称，并选择目标文件夹。
      说明 节点名称必须是大小写字母、中文、数字、下划线（_）和小数点（.），且不能超过128个字符。
   3. 单击提交。
   4. 在节点的编辑页面，输入SQL语句select * from jieba_result;。
   5. 单击工具栏中的图标，保存输入的查询语句。
   6. 单击工具栏中的图标，在参数对话框中，从调度资源组下拉列表选择需要使用的资源组。
   7. 单击确定，运行查询语句。
   8. 在成本估计对话框中，确认预估费用后，单击运行。
   9. 在页面下方的运行日志区域，查看运行结果。
9. 如果开源结巴分词的词库无法满足您的需求，需要使用自定义的词典。
   PyODPS自定义函数可以读取上传至MaxCompute的资源（表资源或文件资源）。此时，自定义函数需要写为闭包函数或Callable类。如果您需要引用复杂的自定义函数，则可以使用DataWorks的注册MaxCompute函数功能，详情请参见注册MaxCompute函数。

   本文以使用闭包函数的方式，引用上传至MaxCompute的资源文件（即自定义词典）key_words.txt：

   1. 展开业务流程中的MaxCompute，右键单击资源，选择新建 > File。
   2. 在新建资源对话框中，配置各项参数。
      

      参数	描述
      资源名称	资源的名称，仅支持中文、字母、数字、英文句号（.）、下划线（_）和短划线（-）。
      目标文件夹	默认当前所在文件夹的路径，您可以进行修改。
      资源类型	此处选择File类型。 本文中的资源文件，在新建时请务必选中上传为ODPS资源。
      MaxCompute引擎实例	从下拉列表中选择该资源所在的引擎实例。

   3. 单击确定。
   4. 在资源的编辑页面，选择MaxCompute引擎实例，并输入自定义词典的内容。
      词典格式：

      • 一个词占一行。
      • 每一行包括词、词频（可省略）和词性（可省略），使用空格分隔，且不可以颠倒顺序。

      如果您从本地上传词典文件至DataWorks，则文件必须为UTF-8编码格式。

   5. 单击工具栏中的图标提交资源。
   6. 创建一个PyODPS 2节点，并输入如下代码。

      def test(resources):
          import jieba
          import sys
          reload(sys)
          sys.setdefaultencoding('utf-8')
          fileobj = resources[0]
      
          def h(input_var):#在嵌套函数h()中，执行词典加载和分词。
              import jieba
              jieba.load_userdict(fileobj)
              result=jieba.cut(input_var, cut_all=False)
              return "/ ".join(result)
          return h
      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。
      
      file_object = o.get_resource('key_words.txt') #get_resource()引用odps资源。
      example = iris.chinese.map(test, resources=[file_object]).execute(hints=hints, libraries=libraries) #map调用函数，并传递resources参数。
      
      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。
      for i in range(i,len(abci)):
          pq=str(abci[i])
          o.write_table('jieba_result',[pq])  #通过循环，逐条写入数据至结果表jieba_result中。
          i+=1
      else:
          print("done")

   7. 运行代码，对比引用自定义词典前后的结果。
      引用自定义词典前结果如下。

      引用自定义词典后结果如下。