MeCabで日本語WordCount on Hadoop

HadoopにはWordCountのサンプルがついてきますが、英語テキスト用です。日本語を対象にする場合、MeCabを使って単語分割を行いたいところです。

MeCabにはSWIGのJavaバインディングが用意されていて、JNI経由でMeCabの機能を使えるようになります。このときのMeCabのエンコーディングはUTF-8が前提となります。
http://mecab.sourceforge.net/bindings.html

このmecab-javaのMacPortsを現在登録申請中です。これを使うと、/opt/local/lib/libmecab-java.dylib と /opt/local/share/java/mecab.jar がインストールされることになります。

$ sudo port selfupdate
$ sudo port install mecab +utf8
$ sudo port install mecab-java

さて、HadoopのWordCount.javaは、${HADOOP_HOME}/src/examples/org/apache/hadoop/examples/にありますが、その中でStringTokenizerを呼び出している部分をMeCabのTaggerに置き換えます。ただし、Taggerインスタンスは、map関数の中で毎回生成するのではなく、TokenizerMapperのインスタンス変数としてあります。このクラスのpackageはorg.myorgとしてあります。

package org.myorg;

import java.io.IOException;
import java.util.StringTokenizer;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.hadoop.util.GenericOptionsParser;

import org.chasen.mecab.MeCab;
import org.chasen.mecab.Tagger;
import org.chasen.mecab.Node;

public class WordCount {

  public static class TokenizerMapper 
       extends Mapper<Object, Text, Text, IntWritable>{
    
    private final static IntWritable one = new IntWritable(1);
    private Text word = new Text();

    static {
      try {
        System.loadLibrary("mecab-java");
      } catch (UnsatisfiedLinkError e) {
        System.err.println("ERROR: Failed to load mecab-java native code.");
        System.err.println(e);
        System.exit(1);
      }
    }

    private Tagger tagger = new Tagger();

    public void map(Object key, Text value, Context context
                    ) throws IOException, InterruptedException {
      Node node = tagger.parseToNode(value.toString());
      for (;node != null; node = node.getNext()) {
        word.set(node.getSurface());
        context.write(word, one);
      }
    }
  }
  
  public static class IntSumReducer 
       extends Reducer<Text,IntWritable,Text,IntWritable> {
    private IntWritable result = new IntWritable();

    public void reduce(Text key, Iterable<IntWritable> values, 
                       Context context
                       ) throws IOException, InterruptedException {
      int sum = 0;
      for (IntWritable val : values) {
        sum += val.get();
      }
      result.set(sum);
      context.write(key, result);
    }
  }

  public static void main(String[] args) throws Exception {
    Configuration conf = new Configuration();
    String[] otherArgs = new GenericOptionsParser(conf, args).getRemainingArgs();
    if (otherArgs.length != 2) {
      System.err.println("Usage: wordcount <in> <out>");
      System.exit(2);
    }
    Job job = new Job(conf, "word count");
    job.setJarByClass(WordCount.class);
    job.setMapperClass(TokenizerMapper.class);
    job.setCombinerClass(IntSumReducer.class);
    job.setReducerClass(IntSumReducer.class);
    job.setOutputKeyClass(Text.class);
    job.setOutputValueClass(IntWritable.class);
    FileInputFormat.addInputPath(job, new Path(otherArgs[0]));
    FileOutputFormat.setOutputPath(job, new Path(otherArgs[1]));
    System.exit(job.waitForCompletion(true) ? 0 : 1);
  }
}

Jarファイルを作成します。ちなみに以下ではHadoopをMacPortsでインストールしているという想定です。

$ mkdir -p classes
$ javac -cp /opt/local/share/java/hadoop-0.20.203.0/hadoop-core-0.20.203.0.jar:/opt/local/share/java/hadoop-0.20.203.0/lib/commons-cli-1.2.jar:/opt/local/share/java/mecab.jar \
-d classes WordCount.java
$ jar cvf wordcount.jar -C classes .

疑似分散モードでHadoopのサービスを開始して、解析対象のUTF-8日本語ファイルをHDFSに格納しておきます。

WordCountを実行するとき、mapperを起動するJavaVMにmecab-javaのjarとdylibライブラリを参照できるようにする必要があります。java.library.pathの設定は ${HADOOP_HOME}/conf/mapred-site.xml の mapred.child.java.opts に記述できますが、クラスパスの設定はどうすればよいでしょうか? 幸い、より簡単な方法として、hadoop jarコマンドの-libjarsと-filesオプションに設定を指定することができます。

下の例では、ja_inputディレクトリに置いてある日本語ファイルが解析されて、ja_outputに結果が格納されます。

$ hadoop-bin start-all.sh
$ hadoop-bin hadoop fs -put ja_input ja_input
$ hadoop-bin hadoop jar wordcount.jar org.myorg.WordCount \
-libjars /opt/local/share/java/mecab.jar \
-files /opt/local/lib/libmecab-java.dylib ja_input ja_output
$ hadoop-bin hadoop fs -cat ja_output/part-*
$ hadoop-bin stop-all.sh