Я пытаюсь провести анализ настроений с помощью твитов с Spark MLlib. После предварительной обработки данных и преобразования ее в соответствующий формат, я вызываю метод поезда NoviveBayes для получения модели, но с ошибкой это исключение. Вот StackTrace:Spark + Scala: NaiveBayes.train - exception is java.util.NoSuchElementException: next on empty iterator
java.util.NoSuchElementException: next on empty iterator
at scala.collection.Iterator$$anon$2.next(Iterator.scala:39)
at scala.collection.Iterator$$anon$2.next(Iterator.scala:37)
at scala.collection.IndexedSeqLike$Elements.next(IndexedSeqLike.scala:64)
at scala.collection.IterableLike$class.head(IterableLike.scala:91)
at scala.collection.mutable.ArrayOps$ofRef.scala$collection$IndexedSeqOptimized$$super$head(ArrayOps.scala:108)
at scala.collection.IndexedSeqOptimized$class.head(IndexedSeqOptimized.scala:120)
at scala.collection.mutable.ArrayOps$ofRef.head(ArrayOps.scala:108)
at org.apache.spark.mllib.classification.NaiveBayes.run(NaiveBayes.scala:408)
at org.apache.spark.mllib.classification.NaiveBayes$.train(NaiveBayes.scala:467)
at org.jc.sparknaivebayes.main.NaiveBayesTrain$delayedInit$body.apply(NaiveBayesTrain.scala:53)
at scala.Function0$class.apply$mcV$sp(Function0.scala:40)
at scala.runtime.AbstractFunction0.apply$mcV$sp(AbstractFunction0.scala:12)
at scala.App$$anonfun$main$1.apply(App.scala:71)
at scala.App$$anonfun$main$1.apply(App.scala:71)
at scala.collection.immutable.List.foreach(List.scala:318)
at scala.collection.generic.TraversableForwarder$class.foreach(TraversableForwarder.scala:32)
at scala.App$class.main(App.scala:71)
at org.jc.sparknaivebayes.main.NaiveBayesTrain$.main(NaiveBayesTrain.scala:12)
at org.jc.sparknaivebayes.main.NaiveBayesTrain.main(NaiveBayesTrain.scala)
at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
at java.lang.reflect.Method.invoke(Method.java:606)
at org.apache.spark.deploy.yarn.ApplicationMaster$$anon$2.run(ApplicationMaster.scala:542)
Это мой основной метод:
val csvFiles = args(0).split(",")
val modelStore = args(1)
val docs = TweetParser.parseAll(csvFiles, sc)
val termDocs = Tokenizer.tokenizeAll(docs)
val termDocsRdd = sc.parallelize[TermDoc](termDocs.toSeq)
val numDocs = termDocsRdd.count()
//val terms = termDocsRdd.flatMap(_.terms).distinct().collect().sortBy(identity)
val terms = termDocsRdd.flatMap(_.terms).distinct().sortBy(identity)
val termDict = new Dictionary(terms)
//val labels = termDocsRdd.flatMap(_.labels).distinct().collect()
val labels = termDocsRdd.flatMap(_.labels).distinct()
val labelDict = new Dictionary(labels)
val idfs = (termDocsRdd.flatMap(termDoc => termDoc.terms.map((termDoc.doc, _))).distinct().groupBy(_._2) collect {
case (term, docs) if docs.size > 3 =>
term -> (numDocs.toDouble/docs.size.toDouble)
}).collect.toMap
val tfidfs = termDocsRdd flatMap {
termDoc =>
val termPairs: Seq[(Int, Double)] = termDict.tfIdfs(termDoc.terms, idfs)
termDoc.labels.headOption.map {
label =>
val labelId = labelDict.indexOf(label).toDouble
val vector = Vectors.sparse(termDict.count.toInt, termPairs)
LabeledPoint(labelId, vector)
}
}
val model = NaiveBayes.train(tfidfs)
словарь класс здесь:
class Dictionary(dict: RDD[String]) extends Serializable {
//val builder = ImmutableBiMap.builder[String, Long]()
//dict.zipWithIndex.foreach(e => builder.put(e._1, e._2))
//val termToIndex = builder.build()
val termToIndex = dict.zipWithIndex()
//@transient
//lazy val indexToTerm = termToIndex.inverse()
lazy val indexToTerm = dict.zipWithIndex().map{
case (k, v) => (v, k)
} //converts from (a, 0),(b, 1),(c, 2) to (0, a),(1, b),(2, c)
val count = termToIndex.count().toInt
def indexOf(term: String): Int = termToIndex.lookup(term).headOption.getOrElse[Long](-1).toInt
def valueOf(index: Int): String = indexToTerm.lookup(index).headOption.getOrElse("")
def tfIdfs (terms: Seq[String], idfs: Map[String, Double]): Seq[(Int, Double)] = {
val filteredTerms = terms.filter(idfs contains)
(filteredTerms.groupBy(identity).map {
case (term, instances) => {
val indexOfTerm: Int = indexOf(term)
if (indexOfTerm < 0) (-1, 0.0) else (indexOf(term), (instances.size.toDouble/filteredTerms.size.toDouble) * idfs(term))
}
}).filter(p => p._1.toInt >= 0).toSeq.sortBy(_._1)
}
def vectorize(tfIdfs: Iterable[(Int, Double)]) = {
Vectors.sparse(dict.count().toInt, tfIdfs.toSeq)
}
}
Класс документа выглядит следующим образом:
case class Document(docId: String, body: String = "", labels: Set[String] = Set.empty)
Класс TermDoc:
case class TermDoc(doc: String, labels: Set[String], terms: Seq[String])
Я застрял на этом этапе, мне действительно нужно выполнить эту работу, но у меня возникли проблемы с поиском полезной информации об этом. Заранее спасибо.
P.S: Это основано на блоге chimpler в: https://github.com/chimpler/blog-spark-naive-bayes-reuters/blob/master/src/main/scala/com/chimpler/sparknaivebayesreuters/NaiveBayes.scala
UPDATE: Новый код для CSV парсер и строителем документов.
import org.apache.spark.SparkContext
import scala.io.Source
/**
* Created by cespedjo on 14/02/2017.
*/
object TweetParser extends Serializable{
val headerPart = "polarity"
val mentionRegex = """@(.)+?\s""".r
val fullRegex = """(\d+),(.+?),(N|P|NEU|NONE)(,\w+|;\w+)*""".r
def parseAll(csvFiles: Iterable[String], sc: SparkContext) = csvFiles flatMap(csv => parse(csv, sc))
def parse(csvFile: String, sc: SparkContext) = {
val csv = sc.textFile(csvFile)
val docs = scala.collection.mutable.ArrayBuffer.empty[Document]
csv.foreach(
line => if (!line.contains(headerPart)) docs += buildDocument(line)
)
docs
//docs.filter(!_.docId.equals("INVALID"))
}
def buildDocument(line: String): Document = {
val fullRegex(id, txt, snt, opt) = line
if (id != null && txt != null && snt != null)
new Document(id, mentionRegex.replaceAllIn(txt, ""), Set(snt))
else
new Document("INVALID")
}
}
case class Document(docId: String, body: String = "", labels: Set[String] = Set.empty)
Я думаю, ваша ошибка возникает из пустого вектора 'валь вектор = Vectors.sparse', вам нужно найти/пост все сообщение об ошибке, которое указывает на код в приложении, который сломал так что вы можете быть уверены, у меня была аналогичная проблема и решена путем нажатия большего количества данных на вектор, btw может найти класс 'редкого вектора' и операцию, которую вы применяете для него для более подробной информации. –
Спасибо за ваш комментарий. Karol, я новичок. чтобы искра и скала, не могли бы вы немного рассказать о том, что вы предложили? Я не могу понять, что «толкает больше данных в векторную» часть, поскольку я считаю, что она заполнена данными, уже содержащимися в RDD, поэтому сколько данных отсутствует? –
BTW, я пошел в документацию Vector, и он говорит ЛОКАЛЬНЫЙ вектор ... означает ли это, что он не может использоваться в распределенном режиме? Что мне нужно использовать для контролируемого обучения при работе в распределенном режиме? –