如何在映射器中加载hdfs中的SR解析器文件？

Question

我试图在mapreduce程序中使用CoreNLP项目来查找存储在hbase表中的大量文本的情绪。 我正在使用SR解析器进行解析。 模型文件存储在hdfs中的/user/root/englishSR.ser.gz 。 我在mapreduce应用程序代码中添加了以下行

 job.addCacheFile(new URI("/user/root/englishSR.ser.gz#model"));

现在在映射器中

 props.setProperty("parse.model", "./model");

我收到了edu.stanford.nlp.io.RuntimeIOException: java.io.StreamCorruptedException: invalid stream header 。 pom.xml文件包含

<dependency>
        <groupId>edu.stanford.nlp</groupId>
        <artifactId>stanford-corenlp</artifactId>
        <version>3.4.1</version>
</dependency>
<dependency>
    <groupId>edu.stanford.nlp</groupId>
    <artifactId>stanford-corenlp</artifactId>
    <version>3.4.1</version>
    <classifier>models</classifier>
</dependency>

我已经尝试将文件添加到resources并添加到maven ，导致GC overhead limit exceeded或Java堆问题。

Answer 1

我不太了解hadoop，但我怀疑你对CoreNLP关于SR解析器模型的压缩感到困惑。

首先尝试不使用Hadoop：

java -mx4g edu.stanford.nlp.parser.shiftreduce.ShiftReduceParser -serializedPath /user/root/englishSR.ser.gz

看看是否能很好地加载解析器。 如果是这样，它应该打印类似下面的东西并退出（否则，它将抛出异常......）。

Loading parser from serialized file edu/stanford/nlp/models/srparser/englishSR.ser.gz ... done [10.4 sec].

如果加载解析器很好，那么模型文件没有任何问题。 我认为问题是CoreNLP只是使用文件或资源名称是否以“.gz”结尾来决定它是否被gzip压缩，因此错误地解释了该行：

props.setProperty("parse.model", "./model");

如说要加载一个非压缩模型。 所以我希望下面的一个或另一个可以工作：

cd /user/root ; gunzip englishSR.ser.gz

job.addCacheFile(new URI("/user/root/englishSR.ser#model"));

props.setProperty("parse.model", "./model");

要么：

job.addCacheFile(new URI("/user/root/englishSR.ser#model.gz"));

props.setProperty("parse.model", "./model.gz");