1

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) 
+0

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. –

+0

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? –

+0

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? –

ответ

1

Я думаю, проблема в том, что в некоторых документах нет терминов. Вы не можете тренироваться на пустых точках данных. Попробуйте изменить код:

val tfidfs = termDocsRdd flatMap { 
    termDoc => 
    val termPairs: Seq[(Int, Double)] = termDict.tfIdfs(termDoc.terms, idfs) 
    if (termPairs.nonEmpty) { 
     termDoc.labels.headOption.map { 
     label => 
      val labelId = labelDict.indexOf(label).toDouble 
      val vector = Vectors.sparse(termDict.count.toInt, termPairs) 
      LabeledPoint(labelId, vector) 
    } else { 
     None 
    } 
} 
+0

Спасибо за ваш ответ Паскаль, любые идеи, почему обновление кода в вопросе может порождать пустой RDD? Я тестировал код на нескольких строках из CSV-файла, он распознает указанный шаблон, однако никакие документы не добавляются к изменяемому массиву. –

+0

Вы, кажется, изменили код (что-то прокомментировано) в некоторых местах. Вы выполняете поиск по словарю, который является неотъемлемым RDD, что неверно, поскольку на данный момент в коде вам нужно иметь «большую картинку», (т. е. вы не хотите выполнять поиск в словарях частичного рабочего словаря, но в глобальном словаре. Поэтому прежний код с .collect() кажется мне прав, но не новый код –

+0

Я понимаю ...но я бы хотел найти правильный способ достичь этого, не используя коллекцию, поскольку я где-то читал, что это не очень хороший выбор, потому что он заставляет собирать данные в программе драйверов и может вызвать ошибки при работе с огромными объемами данных ... Любой совет? BTW, поведение, о котором я упоминал, происходит при выполнении этой единственной строки кода: val docs = TweetParser.parseAll (csvFiles, sc). Я тестировал один файл, а docs.size - 0. Я не знаю, почему это происходит даже тогда, когда шаблон работает при тестировании на отдельных линиях. –

Смежные вопросы