朱家麒 徐亞軍

摘要：政府網(wǎng)站中的政府公文數(shù)目巨大，對政府公文進行快速有效的分類，可以提供更好的用戶體驗。本文提出基于spark分布式計算框架采用K-means算法對政府公文進行分類的方法。首先從政府網(wǎng)站爬取足量的政府公文數(shù)據(jù)，對其進行數(shù)據(jù)預處理，再通過TF-IDF將處理后的政府文本信息轉(zhuǎn)換成二維矩陣，然后在spark計算框架中使用K-means算計進行聚類。最后分別在單機和使用spark框架的分布式計算環(huán)境下進行測試，三組實驗結果表明，使用spark分布式計算框架進行聚類有著更高的計算效率。

關鍵詞：Spark;公文聚類;TF-IDF;K-means

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2020）01-0210-03

隨著大數(shù)據(jù)、云計算之類的信息技術的發(fā)展，面對大數(shù)據(jù)帶來的數(shù)據(jù)采集、數(shù)據(jù)融合、數(shù)據(jù)傳輸、數(shù)據(jù)處理、數(shù)據(jù)計算、數(shù)據(jù)存儲等一系列問題，許多新的大數(shù)據(jù)計算框架和模型值得我們開發(fā)應用。同時隨著大數(shù)據(jù)的深入應用，國家已發(fā)布多個文件要求強化數(shù)據(jù)資源規(guī)劃，強化數(shù)據(jù)資源管理，推進數(shù)據(jù)資源應用。要求在2020年底前，建成覆蓋全國的“互聯(lián)網(wǎng)+政務服務”技術和服務體系。在“互聯(lián)網(wǎng)+”的背景下，針對政府要業(yè)務數(shù)據(jù)等各類數(shù)據(jù)的管理需求，走向“數(shù)據(jù)治理”成為實現(xiàn)治理體系和治理能力現(xiàn)代化的必然要求。信息渠道的變革，數(shù)據(jù)匯集管理也需要吸收新的技術。政府公文作為政府數(shù)據(jù)的一部分，需要對其進行分類處理。正對著一部分本文考慮用spark計算框架下的聚類技術，實行大數(shù)據(jù)技術下政府公文的分類，提高政府公文的分類效率。

1相關理論以及技術

1.1Spark并行計算框架

Apache spark是一種快速的集群計算技術，專為快速計算而設計。它基于HadoopMapReduce，在MapReduce計算框架基礎上進一步實現(xiàn)了分布式計算，以有效地將其應用于更多類型的計算，包括交互式查詢和流處理。MapReduce是基于磁盤的運行模式，運算結果會暫存于磁盤上，增加內(nèi)存消耗和數(shù)據(jù)傳輸所占用的磁盤I/O的成本，極大的影響總體計算效率。而Spark將中間處理數(shù)據(jù)存儲在內(nèi)存中，數(shù)據(jù)在內(nèi)存中的處理速度至少是在磁盤中的10倍，通過這樣的方式減少對磁盤讀寫操作的數(shù)量，增加總體計算效率。

Spark是Hadoop在2009年加州大學伯克利分校的MateiZa-haria的AMPLab開發(fā)的子項目之一。它是在2010年根據(jù)BSD許可開放。

與Hadoop不同的是，Spark采用彈性分布數(shù)據(jù)集（ResilientDisTributedDataset，RDD）實現(xiàn)了以操作本地集合的方式來操作分布式數(shù)據(jù)集，對集群上并行處理數(shù)據(jù)在內(nèi)存上進行分布式抽象，并基于RDD迭代式計算。RDD是spark最核心的部分，RDD必須是可序列化的。RDD可以緩存到內(nèi)存中，迭代計算的結果都可以放到內(nèi)存中，下一個操作可以直接從緩存中輸入，省去了MapReduce大量的磁盤I/O操作這對于迭代運算比較常見的機器學習算法來說效率提升較大。Spark并行計算框架如圖1所示。

Spark的工作流程為：

（1）構建spark應用程序的運行環(huán)境（啟動Spark Context），SparkContext向Yarn資源管理器注冊并申請執(zhí)行器資源;

（2）資源管理器分配執(zhí)行器資源，執(zhí)行器運行情況將隨著心跳發(fā)送到資源管理器上;

（3）SparkContext構建成DAG圖，將DAG圖分解成階，并將任務發(fā)送給任務分時管理器。執(zhí)行器向Spark Context申請任務，任務分時管理器將任務發(fā)送給執(zhí)行器的同時Spark Context將應用代碼發(fā)送給執(zhí)行器;

（4）任務在執(zhí)行器上運行，運行完畢釋放資源。

1.2聚類算法

聚類算法是把距離作為特征，通過自下而上的迭代方式，快速的將一群樣本分成幾各類別的算法。聚類算法大致分為基于層次和基于劃分的兩種聚類，本文用到的K-means算法則是基于劃分的聚類算法。

K-means算法的步驟包括：

（1）數(shù)據(jù)集隨機選取k個數(shù)據(jù)作為初始的聚類質(zhì)心;

（2）計算剩余的樣本到聚類質(zhì)心的距離，并將其分配到距離最近的簇內(nèi);

（3）將每個簇的樣本平均值作為簇的新聚類質(zhì)心;

（4）判斷樣本的簇是否改變，若改變則返回（2）。

K-means算法的優(yōu)點有：

（1）算法快速簡單;

（2）對大數(shù)據(jù)集有著較高的效率并且可伸縮;

（3）時間復雜度呈線性，適合挖掘大規(guī)模數(shù)據(jù)集。

K-means算法的缺點有：

（1）在K-means算法中的K需要事先確定，K的確定非常難判斷，需要用不同的方法找出合適的K值;

（2）K的選取極大地影響了聚類結果，如果初始值選取的不好，可能無法得到有效的聚類結果。

1.3文本表示

文本是一種無結構的數(shù)據(jù)，想要進行聚類，首先必須把文本表示成計算機能夠識別和處理的形式。本文采用最常用的向量空間模型（vSM），向量的每一維都由特征項及其權重組成，特征項的權重用TF-IDF的方法來計算。

其中tfik表示項tk在文本Di中出現(xiàn)的次數(shù)，N表示全部訓練集的文本數(shù)，nk表示訓練文本中出現(xiàn)tk。的文本頻率數(shù)。Z的取值要根據(jù)實際來確定，一般取0.01。

根據(jù)香農(nóng)信息學理論，如果項在文本中出現(xiàn)的頻率越高，則它包含的信息熵越少;如果項表現(xiàn)較為集中，只在少量文中中有著較高的出現(xiàn)頻率，那它則有著更高的信息熵。

考慮到文本長度也對權重有影響，還應該將權重公式做歸一化處理，將各權重規(guī)范到[0，1]之間：

TF-IDF公式雖然不是一個嚴謹?shù)挠嬎愎?，它只是根?jù)以往經(jīng)驗獲得的一個經(jīng)驗公式，但是其在文本聚類處理方面的有效性值得我們拿來應用。

2實驗及數(shù)據(jù)分析

2.1實驗環(huán)境

實驗平臺配置為4個服務器節(jié)點，每個節(jié)點均為雙核、4GB內(nèi)存的PC;其中一臺作為master，其他臺作為slaves;每個節(jié)點操作系統(tǒng)均為CentOs;Hadoop版本為3.2.0，Java開發(fā)包為JDK1.8.0版本，Hadoop程序使用java編寫;spark版本為2.4.4，scala版本為2.11.12，spark程序由scala編寫。

政府公文數(shù)據(jù)采集自北京市政府網(wǎng)站。實驗分別在單機和spark集群上分別測試。

2.2數(shù)據(jù)預處理

為了將待聚類文本成功輸入到spark的文本聚類程序，常規(guī)的去停用詞操作還不夠，還需要編寫格式處理程序，將待轉(zhuǎn)換的文本集合所有內(nèi)容寫入一個忪t文件，每一行存儲一篇公文的id，標題和正文內(nèi)容。其中正文內(nèi)容是經(jīng)過分詞和去停用詞的詞序列，詞和詞之間使用空格隔開。如圖2所示：

2.3基于Spark的數(shù)據(jù)處理

基于sDark的K-means聚類實現(xiàn)步驟有：

（1）提交聚類任務給Master節(jié)點;

（2）Master用手肘法確定合適的K值，用作初始的聚類質(zhì)心;

（3）Master計算數(shù)據(jù)節(jié)點到質(zhì)心的距離，將數(shù)據(jù)節(jié)點劃分到相應的質(zhì)心;

（4）Master根據(jù)聚類質(zhì)心個數(shù)將任務劃分，并分配到每個slave節(jié)點;

（5）Slave計算節(jié)點到聚類質(zhì)心的距離，將節(jié)點劃分到相應的質(zhì)心;

（6）Slave計算新質(zhì)心的平均值，更行聚類質(zhì)心;

（7）計算準則函數(shù);

（8）判斷聚類是否收斂，是則聚類成功，否則轉(zhuǎn)到（5）繼續(xù)執(zhí)行。

2.4實驗結果對比

本文爬取了三個政府網(wǎng)站的公文，并對這三組公文分別做了聚類實驗，可以發(fā)現(xiàn)單機環(huán)境下聚類的耗時都遠遠大于在spark平臺上聚類的耗時。由此可以看出spark平臺上處理相同數(shù)量的文本比單機效率有著顯著提高。

3結論

本文在spark平臺上，通過實驗驗證了基于spark平臺的K_means公文聚類，發(fā)現(xiàn)聚類算法在處理大量公文時效率相比單機有著較為顯著的提升。