关于NLPIR应用在KETTLE中的探索

一：什么是NLPIR？

NLPIR汉语分词系统(自然语言处理与信息检索共享平台),主要功能包括中文分词；词性标注；命名实体识别；用户词典功能；支持GBK编码、UTF8编码、BIG5编码。新增微博分词、新词发现与关键词提取；张华平博士先后倾力打造十余年，内核升级10次。

全球用户突破20万，先后获得了2010年钱伟长中文信息处理科学技术奖一等奖，2003年国际SIGHAN分词大赛综合第一名，2002年国内973评测综合第一名。

二：我们使用NLPIR可以做什么？

三：如何把分词算法用到我们的ETL工作中？

下面我们以KETTLE为例来说明

3.1：利用NLPIR接口开发Java Project

首先使用NLPIR提供的demo开发一个java project,通过在main函数中测试可以完成简单的分词功能，如下图所示

3.2：导出Java Project为jar包

把开发的java project导出为 fenci.jar放入到......\pdi-ce-6.0.1.0-386\data-integration\lib下面

3.3：kettle中引用nlpir分词算法

在kettle的ktr中拖入一个Java 代码的控件，代码如下图所示

具体代码为：

import test.TestFunction;

import nlpir.NlpirTest;

public boolean processRow(StepMetaInterface smi, StepDataInterface sdi) throws KettleException

{

    Object[] r = getRow();

    TestFunction tf=new TestFunction();

    NlpirTest    nt=new  NlpirTest();

    if (r == null) {

        setOutputDone();

        return false;

    }

    if (first){

        first = false;

    }

    r = createOutputRow(r, data.outputRowMeta.size());

    // Get the value from an input field

    String test_value2 = get(Fields.In, "zd").getString(r);

    // play around with it

    String s_value =nt.FenCi(test_value2);

    // Set a value in a new output field

   get(Fields.Out, "splitword_value").setValue(r,s_value);

   // Send the row on to the next step.

    putRow(data.outputRowMeta, r);

    return true;

}

这样输出中就会新增加一列字段名为 "splitword_value"的输出，如下图所示，左侧和下面显示正常则说明类书写正常

3.4：测试效果

3.5:难点解析

从下载的官方文件中得知：

1.分词和提取关键词在一起jnaTest是新词发现和关键词提取在一起。
2.如果加载项目后无法运行请配置classpath中的lib路径为jna包的路径。
3.loadlibrary中的dll路径为你项目中dll的路径,该路径可以是绝对路径或者相对路径。
4.如果出现未提示错误，可以F5刷新项目查看日志文件。
5.建议jdk使用32，因为jna在32jdk上更稳定。

所以本人在64bit jdk下面没有成功，在kettle环境引用32bit的jdk后一切都可以跑起来了

另：由于是32bit的jdk，需要修改kettle的启动文件 spoon.bat中的默认设置修改如下

原来的值：if "%PENTAHO_DI_JAVA_OPTIONS%"=="" set PENTAHO_DI_JAVA_OPTIONS="-Xms1024m" "-Xmx2048m" "-XX:MaxPermSize=256m"

修改后为：if "%PENTAHO_DI_JAVA_OPTIONS%"=="" set PENTAHO_DI_JAVA_OPTIONS="-Xms512m" "-Xmx1024m" "-XX:MaxPermSize=256m"

保存spoon.bat再次启动一切正常