时间戳

首页 > 解决方案 > 如何检查一个短语是否是英文的

pyspark - 如何检查一个短语是否是英文的

问题描述

我需要在 PySpark-Sql 中使用语言属性丰富我的数据框，该属性基本上告诉每一行论文标题的语言。我只需要过滤掉英文论文。我有几千万篇论文，所以我需要并行进行。

在集群上安装库之后，我使用名为langdetect( https://pypi.org/project/langdetect/ ) 的 Python 库注册了一个 UDF。我正在使用以下代码：

from langdetect import detect

def lang_detector(_s):
  try:
    lan = detect(_s)
  except:
    lan = 'null'
  return lan

detect2 = udf(lang_detector, StringType())

papers_abs_fos_en = papers_abs \
.join(papersFos_L1, "PaperId") \
.withColumn("Lang", detect2(col("PaperTitle"))) \
.filter("Lang =='en'") \
.select("PaperId", "Rank", "PaperTitle", "RefCount", "CitCount", "FoSList")

它有效，但即使在 ca 10M 标题上也需要很长时间。我不确定这是由于langdetectUDF 还是我做错了什么，但我将不胜感激任何建议！

非常感谢！保罗

标签： pysparkazure-databricks

解决方案

感谢 cronoik 确认这一点。我最终得到了一个不同的解决方案，该解决方案需要 6 分钟以上才能处理 9,500 万份文档。基本上，我在 NLTK 中制作了一组 Brown 数据集中的所有单词，并将其作为广播变量分发给节点。然后我为数据框中的每个文档计算了该集合中出现的单词的比例。如果它> 75％，那么我试探性地得出结论它一定是英语。这是嵌入到 UDF 中的代码。

from nltk.corpus import brown
import re

bwn = set([x.lower() for x in brown.words()])
bc_brown = sc.broadcast(bwn)

def is_en(_s):
  tok = set(re.findall(r"\w+", _s.lower()))
  return len(tok & bc_brown.value) / len(tok)

isEn = udf(is_en)

papers_abs_fos_en = papers_abs \
.join(papersFos_L1, "PaperId") \
.filter(isEn(col("PaperTitle")) > 0.75) \
.select("PaperId", "Rank", "PaperTitle", "RefCount", "CitCount", "FoSList")

推荐阅读