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