Ich versuche, Topic-Modellierung auf den Wikipedia-Daten mit dem Funken LDA-Algorithmus: Die Eingabedatei ist im Grunde eine große bz2-Datei mit vielen XML-Dateien. ich auf der Funke Webseite des Grundfunken scala Code verwenden:Spark Scala nicht in der Lage, Wikipedia-Daten zu analysieren: enwiki_latest_articles xml bz2
val sc:SparkContext = new SparkContext(conf);
val ssqlc:SQLContext = new org.apache.spark.sql.SQLContext(sc);
val shsqlc:HiveContext = new org.apache.spark.sql.hive.HiveContext(sc);
// Load and parse the data
val data = sc.textFile("/user/enwiki-latest-pages-articles.xml.bz2")
//val datanew = data.mapPartitionsWithIndex { (idx, iter) => if (idx == 0) iter.drop(1) else iter }
val parsedData = data.map(s => Vectors.dense(s.trim.split(' ').map(_.toDouble)))
// Index documents with unique IDs
val corpus = parsedData.zipWithIndex.map(_.swap).cache()
// Cluster the documents into three topics using LDA
val ldaModel = new LDA().setK(25).run(corpus)
// Output topics. Each is a distribution over words (matching word count vectors)
println("Learned topics (as distributions over vocab of " + ldaModel.vocabSize + " words):")
val topics = ldaModel.topicsMatrix
for (topic <- Range(0, 25)) {
print("Topic " + topic + ":")
for (word <- Range(0, ldaModel.vocabSize)) { print(" " + topics(word, topic)); }
println()
// val newtopics = ldaModel.describeTopics(5).foreach(println)
}
es die Daten und Fehler wie wirft verarbeiten tut:
ERROR executor.Executor: 0.0 Exception in Aufgabe 5.0 in Stufe (TID 2) java.lang.NumberFormatException: leer String 16/07/28 09:24:35 ERROR executor.Executor: Ausnahme in Aufgabe 10.0 in Stufe 0.0 (TID 5) java.lang.NumberFormatException: Für Eingabezeichenfolge : "|" 16/07/28 09.24.35 ERROR executor.Executor: Ausnahme in Aufgabe 7.0 in der Stufe 0.0 (TID 3) java.lang.NumberFormatException: Für die Eingabe-Stichwort: "|}"
Kann jemand Bitte hilf mir dabei? Ein kurzer Code, um dies zu verbessern, wird helfen. Vielen Dank im Voraus.
Sie sind eine Reihe von XML-Dateien, und ich bin ziemlich neu in scala zu sein. in der Lage, eine Reihe von XML-Datei zu ändern, die in einer bz2-Datei zu einem Wort zählen Vektoren, die ein Korpus von Dokumenten, Haben Sie irgendwelche Eingaben dazu ?? – user2122466
@ user2122466 Zeigen Sie einige Bemühungen. Neu sein ist keine Entschuldigung dafür, es nicht zu versuchen. – Dikei