Spark中分散式使用HanLP（1.7.0)分詞

HanLP分詞（https://github.com/hankcs/HanLP），如README中所說，如果沒有特殊需求，可以通過maven配置，如果要新增自定義詞典，需要下載“依賴jar包和使用者字典".

本人一些經驗:

1. 是直接"java xf hanlp-1.6.8-sources.jar" 解壓原始碼，把原始碼加入工程（依賴本地jar包，有些麻煩，有時候到伺服器有找不到jar包的情況)
2. 按照文件操作，在Spark中分詞，預設找的是本地目錄，所以如果是在driver中分詞是沒有問題的。但是如果要分散式分詞，是要把詞典目錄放在HDFS上面，因為這樣每臺機器才可以訪問到 【參考程式碼】
3. 最好把新增詞典放在首位（我沒有放在首位好像沒有生效).第一次使用時,HanLP會把新增txt檔案，生成bin檔案，這個過程比較慢。但是隻需要跑一次，它會把bin檔案寫到HDFS路徑上面，第二次以後速度就快一些了。

注意到issue中說，只可以在mapPartition中使用（https://github.com/hankcs/HanLP/issues/588）

參考scala程式碼

class HadoopFileIoAdapter extends IIOAdapter {

  override def create(path: String): java.io.OutputStream = {
    val conf: Configuration = new Configuration()
    val fs: FileSystem = FileSystem.get(URI.create(path), conf)
    fs.create(new Path(path))
  }

  override def open(path: String): java.io.InputStream = {
    val conf: Configuration = new Configuration()
    val fs: FileSystem = FileSystem.get(URI.create(path), conf)
    fs.open(new Path(path))
  }
}

def myfuncPerPartition_ ( iter : Iterator [String] ) : Iterator[(Int, mutable.Buffer[String])]  = {
      println("run in partition")
      val keyWordNum = 6
      HanLP.Config.IOAdapter = new HadoopFileIoAdapter
      val ret = iter.filter(_.split(",",2).length==2)
        .map(line=>(line.split(",",2)(1).trim.hashCode, HanLP.extractKeyword(line.split(",",2)(0),keyWordNum)
          .map(str=>str.filterNot(stopChar.contains(_))).filter(w=>(w.length>1 || ( w.length==1 && white_single_word.contains(w(0))) ))
          .filterNot(stopWords.contains(_)).take(keyWordNum).distinct))
      ret
    }

//呼叫
raw_data.repartition(100).mapPartitions(myfuncPerPartition_)