关于Spark NLP学习，你需要掌握的 LightPipeline（附代码&链接）
作者：Veysel Kocaman, Data Scientist & ML Researcher ANKIT CHOUDHARY
翻译：赵春光
校对：申利彬
本文约2800字，建议阅读9分钟
本文介绍Spark NLP中是如何使用Annotator和Transformer的。
[ 导读 ]Pipeline具体来说是一个多阶段的序列，每个阶段由一个Transformer或者Estimator组成。各个阶段按顺序执行，并将输入的DataFrame转换和传递给下一个阶段。数据如此按序的在pipeline中传递。我们现在再来看看Spark NLP是如何使用Annotator和Transformer的。
内容
本文是Spark NLP Library中各annotator系列中的第2篇文章。如果你想更多的学习Spark NLP及对应的概念，请先阅读下述文章：
Introduction to Spark NLP: Foundations and Basic Components (Part-I)
https://medium.com/spark-nlp/introduction-to-spark-nlp-foundations-and-basic-components-part-i-c83b7629ed59
本文主要是作为上篇文章的延续。
在机器学习中，常见的一种做法是运行一系列的算法来处理和学习数据。这种算法序列常被称作做Pipeline。
Pipeline具体来说是一个多阶段的序列，每个阶段由一个Transformer或者Estimator组成。各个阶段按顺序执行，并将输入的DataFrame转换和传递给下一个阶段，数据如此按序的在pipeline中传递。每个阶段的transform()方法函数更新这组数据集并传递到下一阶段。因为有了pipeline，训练数据和测试数据会通过确保一致的特征处理环节。
每个使用的annotator 会在pipeline中的这个data frame新添一列
我们现在来看一下Spark NLP是如果使用Annotator和Transformer完成上述过程。假如我们需要将如下几个环节逐一施加在data frame上：
- 文本分离成语句
- 分词
- 正交化
- 得到词嵌入向量
下面是通过Spark NLP实现这个pipeline的代码：
from pyspark.ml import Pipelinedocument_assembler = DocumentAssembler()\ .setInputCol(“text”)\ .setOutputCol(“document”)sentenceDetector = SentenceDetector()\ .setInputCols([“document”])\ .setOutputCol(“sentences”)tokenizer = Tokenizer() \ .setInputCols([“sentences”]) \ .setOutputCol(“token”)normalizer = Normalizer()\ .setInputCols([“token”])\ .setOutputCol(“normal”)word_embeddings=WordEmbeddingsModel.pretrained()\ .setInputCols([“document”,”normal”])\ .setOutputCol(“embeddings”)nlpPipeline = Pipeline(stages=[ document_assembler, sentenceDetector, tokenizer, normalizer, word_embeddings ])pipelineModel = nlpPipeline.fit(df)
接下来我们加载了一组数据到这个pipeline中，看一下模型如何工作。
Dataframe样本（5452行）
然后运行上述pipeline，我们会得到一个训练好的模型。之后我们用它转换整个DataFrame。
result = pipelineModel.transform(df)result.show()
转换前20行数据用了501毫秒；转换整个data frame共用了11秒。
%%timeresult = pipelineModel.transform(df).collect()>>>CPU times: user 2.01 s, sys: 425 ms, total: 2.43 sWall time: 11 s
如果我们想把这个pipeline保存到硬盘，然后调用它转换一行文字，在线转换时间会多长呢？
from pyspark.sql import Rowtext = "How did serfdom develop in and then leave Russia ?"line_df = spark.createDataFrame(list(map(lambda x: Row(text=x), [text])), ["text"])%time result = pipelineModel.transform(line_df).collect()>>>CPU times: user 31.1 ms, sys: 7.73 ms, total: 38.9 msWall time: 515 ms
转换一行短文字的时间也是515毫秒！几乎是和之前转换20行的时间一致。所以说，效果太好。实际上，类似的情况也发生在使用分布式处理小数据的时候。分布式处理和云计算主要是用来处理大数据，而使用Spark来处理小型数据其实是杀鸡用牛刀。
实际上，由于它内部的机制和优化后的构架，Spark仍适用于中等大小单机可处理的数据。但不建议使用Spark来处理仅仅是几行的数据, 除非使用Spark NLP。
打个比方，Spark 好像一个火车和一个自行车赛跑。自行车会在轻载的时候占上风，因为它更敏捷、提速更快，而重载的火车可能需要一段时间提速，但最终还是会速度更快。
所以，如果我们想要预测的时间更快该怎么办呢？使用LightPipeline。
LightPipeline
LightPipelines 是Spark NLP对应的Pipeline, 等同于Spark ML Pipeline, 但是用于处理更小的数据。它们适用于小数据集、调试结果，或者是对一次性服务API请求的训练或预测。
Spark NLP LightPipelines 是将Spark ML Pipelines 转换成了一个单机但多线程的任务，对于小型数据（不大于5万个句子）速度会提升10倍。
这些Pipeline的使用方法是插入已训练（已拟合）的模型，然后会标注纯文本。我们都不需要把输入文字转换成Dataframe就可以输入pipeline，虽然pipeline当初是使用Dataframe作为输入。这个便捷的功能适用于使用已训练的模型对少数几行文字进行预测。
from sparknlp.base import LightPipelineLightPipeline(someTrainedPipeline).annotate(someStringOrArray)
下面是一些LightPipelines可用的方法函数。我们还可以用字符列表作为输入文字。
https://nlp.johnsnowlabs.com/api/#com.johnsnowlabs.nlp.LightPipeline
我们可以很方便的创建LightPipelines，也不需要处理Spark Datasets。LightPipelines运行的也很快，而且在驱动节点工作时可执行并行运算。下面是一个应用的例子：
from sparknlp.base import LightPipelinelightModel = LightPipeline(pipelineModel, parse_embeddings=True)%time lightModel.annotate("How did serfdom develop in and then leave Russia ?")>>>CPU times: user 12.4 ms, sys: 3.81 ms, total: 16.3 msWall time: 28.3 ms{'sentences': ['How did serfdom develop in and then leave Russia ?'], 'document': ['How did serfdom develop in and then leave Russia ?'], 'normal': ['How', 'did', 'serfdom', 'develop', 'in', 'and', 'then', 'leave', 'Russia'], 'token': ['How', 'did', 'serfdom', 'develop', 'in', 'and', 'then', 'leave', 'Russia', '?'], 'embeddings': ['-0.23769 0.59392 0.58697 -0.041788 -0.86803 -0.0051122 -0.4493 -0.027985, ...]}这个代码用了28毫秒！几乎是使用Spark ML Pipeline时的20倍速度。
上面可以看出，annotate只返回了result的属性。既然这个嵌入向量数组储存在embedding属性的WordEmbeddingModel标注器下，我们可以设置parse_embedding = True 来分析嵌入向量数据。否则，我们可能在输出中只能获得嵌入向量的分词属性。关于上述属性的更多信息见以下连接：
https://medium.com/spark-nlp/spark-nlp-101-document-assembler-500018f5f6b5
如果我们想获取标注的全部信息，我们还可以使用fullAnnotate（）来返回整个标注内容的字典列表。
result = lightModel.fullAnnotate("How did serfdom develop in and then leave Russia ?")>>>[{'sentences': [<sparknlp.base.Annotation at 0x139d685c0>], 'document': [<sparknlp.base.Annotation at 0x149b5a320>], 'normal': [<sparknlp.base.Annotation at 0x139d9e940>, <sparknlp.base.Annotation at 0x139d64860>, <sparknlp.base.Annotation at 0x139d689b0>, <sparknlp.base.Annotation at 0x139dd16d8>, <sparknlp.base.Annotation at 0x139dd1c88>, <sparknlp.base.Annotation at 0x139d681d0>, <sparknlp.base.Annotation at 0x139d89128>, <sparknlp.base.Annotation at 0x139da44a8>, <sparknlp.base.Annotation at 0x139da4f98>], 'token': [<sparknlp.base.Annotation at 0x149b55400>, <sparknlp.base.Annotation at 0x139dd1668>, <sparknlp.base.Annotation at 0x139dad358>, <sparknlp.base.Annotation at 0x139d8dba8>, <sparknlp.base.Annotation at 0x139d89710>, <sparknlp.base.Annotation at 0x139da4208>, <sparknlp.base.Annotation at 0x139db2f98>, <sparknlp.base.Annotation at 0x139da4240>, <sparknlp.base.Annotation at 0x149b55470>, <sparknlp.base.Annotation at 0x139dad198>], 'embeddings': [<sparknlp.base.Annotation at 0x139dad208>, <sparknlp.base.Annotation at 0x139d89898>, <sparknlp.base.Annotation at 0x139db2860>, <sparknlp.base.Annotation at 0x139dbbf28>, <sparknlp.base.Annotation at 0x139dbb3c8>, <sparknlp.base.Annotation at 0x139db2208>, <sparknlp.base.Annotation at 0x139da4668>, <sparknlp.base.Annotation at 0x139dd1ba8>, <sparknlp.base.Annotation at 0x139d9e400>]}]fullAnnotate()返回标注类型中的内容和元数据。根据参考文档，这个标定类型有如下属性：
参考文档：
https://nlp.johnsnowlabs.com/api/#com.johnsnowlabs.nlp.Annotation
annotatorType: String,begin: Int,end: Int,result: String, (this is what annotate returns)metadata: Map[String, String],embeddings: Array[Float]
所以，下面的代码可以返回一个句子的起始或者结束：
result[0]['sentences'][0].begin>> 0result[0]['sentences'][0].end>> 49result[0]['sentences'][0].result>> 'How did serfdom develop in and then leave Russia ?'
嵌入向量每个分词的的元数据也可以得到：
result[0]['embeddings'][2].metadata>> {'isOOV': 'false', 'pieceId': '-1', 'isWordStart': 'true', 'token': 'serfdom', 'sentence': '0'}不过我们还没能从LightPipeline得到non-Spark NLP标注器的信息。例如当需要在pipeline中同时使用Spark ML 的功能（如work2vec）和Spark NLP时， LightPipeline只返回Spark NLP annotations 的结果，但不会有没有任何Spark ML models的域输出。所以可以说LightPipeline不会返回Spark NLP标注器以外的任何结果，至少当前如此。
我们计划近期给Spark NLP写一个wrapper，用于兼容的 Spark ML 的所有ML模型。此后大家就可以使用LightPipeline来完成机器学习的案例，来在Spark NLP中训练模型，然后部署实现更快的在线预测。
结语
Spark NLP LightPipelines 是把 Spark ML pipelines转换成了一个单机但多线程的任务，在少量的数据上速度提升可达到10倍。本文讨论了如何将Spark Pipelines转换成Spark NLP Light Pipelines，以便在小数据上获得更快的响应。这也是Spark NLP的最酷的特征之一。我们可以享受Spark强大的数据处理和训练功能，然而在单机运行时使用Light Pipelines来获得更快的预测速度。
希望大家已经渡过上一篇关于official Medium page的文章了，并开始用到Spark NLP。下面是一些相关文章的连接，不要忘记关注我们的主页！
Introduction to Spark NLP: Foundations and Basic Components (Part-I)
https://medium.com/spark-nlp/introduction-to-spark-nlp-foundations-and-basic-components-part-i-c83b7629ed59
Introduction to: Spark NLP: Installation and Getting Started (Part-II)
https://medium.com/spark-nlp/introduction-to-spark-nlp-installation-and-getting-started-part-ii-d009f7a177f3?source=collection_home---6------0-----------------------
Spark NLP 101 : Document Assembler
https://medium.com/spark-nlp/spark-nlp-101-document-assembler-500018f5f6b5
原文标题：
Spark NLP 101: LightPipeline
原文链接：
https://www.kdnuggets.com/2019/11/spark-nlp-101-lightpipeline.html
编辑：黄继彦
校对：林亦霖
译者简介
赵春光，硕士毕业于宾夕法尼亚州立大学，现从事汽车控制系统及软件的开发。致力于将机器学习的学术研究应该用到产业落地项目上。
— 完 —
关注清华-青岛数据科学研究院官方微信公众平台“THU数据派”及姊妹号“数据派THU”获取更多讲座福利及优质内容。