使用 Spark Streaming 进行情感分析

这里将使用 Twitter 流式数据，它符合所有所需：持续而且无止境的数据源。

Spark Streaming

Spark Streaming 在电子书《手把手教你学习Spark》第六章有详细介绍，这里略过Streaming API 的详细介绍，直接进行程序开发 。

程序开发设置部分

程序开发起始部分需要做好准备工作。

 val config = new SparkConf().setAppName("twitter-stream-sentiment")
val sc = new SparkContext(config)
sc.setLogLevel("WARN")
 
val ssc = new StreamingContext(sc, Seconds(5))
 
System.setProperty("twitter4j.oauth.consumerKey", "consumerKey")
System.setProperty("twitter4j.oauth.consumerSecret", "consumerSecret")
System.setProperty("twitter4j.oauth.accessToken", accessToken)
System.setProperty("twitter4j.oauth.accessTokenSecret", "accessTokenSecret")
 
val stream = TwitterUtils.createStream(ssc, None)

这里创建一个 Spark Context sc，设置日志级别为 WARN 来消除 Spark 生成的日志。使用sc创建 Streaming Contextssc，然后设置 Twitter 证书来获得 Twitter 网站数据。

Twitter 上现在的趋势是什么？

很容易的能够找到任意给定时刻的 Twitter 趋势，仅仅需要计算数据流每个标签的数目。让我们看下 Spark 如何实现这个操作的。

val tags = stream.flatMap { status =>
   status.getHashtagEntities.map(_.getText)
}
tags.countByValue()
   .foreachRDD { rdd =>
       val now = org.joda.time.DateTime.now()
       rdd
         .sortBy(_._2)
         .map(x => (x, now))
         .saveAsTextFile(s"~/twitter/$now")
     }

首先从 Tweets 获取标记，并计算标记的数量，按数量排序，然后持久化结果。我们基于前面的结果建立一个监控面板来跟踪趋势标签。作者的同事就可以创建一个广告标记（campaigns），并吸引更多的用户。

分析 Tweets

现在我们想增加一个功能来获得用户主要感兴趣的主题集。为了这个目的我们想对 Tweets 的大数据和食物两个不相关的主题进行情感分析。

有几种 API 可以在 Tweets 上做情感分析，但是作者选择斯坦福自然语言处理组开发的库来抽取相关情感。
在build.sbt文件中增加相对应的依赖。

libraryDependencies += "edu.stanford.nlp" % "stanford-corenlp" % "3.5.1"
libraryDependencies += "edu.stanford.nlp" % "stanford-corenlp" % "3.5.1" classifier "models"

现在，我们通过 Streaming 过滤一定的哈希标签，只选择感兴趣的 Tweets，如下所示：

val tweets = stream.filter {t =>
     val tags = t.getText.split(" ").filter(_.startsWith("#")).map(_.toLowerCase)
     tags.contains("#bigdata") && tags.contains("#food")
   }

得到 Tweets 上所有标签，然后标记出#bigdata 和 #food 两个标签。
接下来定一个函数从 Tweets 抽取相关的情感：

def detectSentiment(message: String): SENTIMENT_TYPE然后对 detectSentiment 进行测试以确保其可以工作：

it("should detect not understood sentiment") {
     detectSentiment("") should equal (NOT_UNDERSTOOD)
}
 
it("should detect a negative sentiment") {
     detectSentiment("I am feeling very sad and frustrated.") should equal (NEGATIVE)
}
 
it("should detect a neutral sentiment") {
     detectSentiment("I'm watching a movie") should equal (NEUTRAL)
}
 
it("should detect a positive sentiment") {
     detectSentiment("It was a nice experience.") should equal (POSITIVE)
}
 
it("should detect a very positive sentiment") {
     detectSentiment("It was a very nice experience.") should equal (VERY_POSITIVE)
}

完整列子如下：

val data = tweets.map { status =>
   val sentiment = SentimentAnalysisUtils.detectSentiment(status.getText)
   val tags = status.getHashtagEntities.map(_.getText.toLowerCase)
 
   (status.getText, sentiment.toString, tags)
}

data 中包含相关的情感。

和 SQL 协同进行分析

现在作者想把情感分析的数据存储在外部数据库，为了后续可以使用 SQL 查询。
具体操作如下：

val sqlContext = new SQLContext(sc)
 
import sqlContext.implicits._
 
data.foreachRDD { rdd =>
   rdd.toDF().registerTempTable("sentiments")
}

将 Dstream 转换成 DataFrame，然后注册成一个临时表，其他喜欢使用 SQL 的同事就可以使用不同的数据源啦。

sentiment 表可以被任意查询，也可以使用 Spark SQL 和其他数据源（比如，Cassandra 数据等）进行交叉查询。
查询 DataFrame 的列子：

sqlContext.sql("select * from sentiments").show()## 窗口操作

Spark Streaming 的窗口操作可以进行回溯数据，这在其他流式引擎中并没有。
为了使用窗口函数，你需要 checkpoint 流数据，具体详情见 http://spark.apache.org/docs/latest/streaming-programming-guide.html#checkpointing 。
简单的一个窗口操作：

tags
   .window(Minutes(1))
   . (...)

结论

此列子虽然简单，但是其可以使用 Spark 解决实际问题。我们可以计算 Twitter 上主题趋势。