使用Hanlp加载大字典-低调大师

使用Hanlp加载大字典

2018-11-15 480

　问题
因为需要加载一个近 1G 的字典到Hanlp中，一开始使用了CustomDictionay.add() 方法来一条条的加载，果然到了中间，维护DoubleArraTre 的成本太高，添加一个节点，都会很长时间，本来时间长一点没有关系，只要训练出.bin 的文件，第二次加载就会很快，然而作为以空间换时间的DAT结构，内存消耗很大，预料之内的出现了

out of memory: heap size

的问题。　后来尝试直接加载了1G 的字典，显然更不行。

思路
阅读了Hanlp的　部分源码，也请教了原作者一部分问题，　就打算从源码入手。初步想法大概是将原始字典
split 成多份，然后分别将多份的小字典训练成多个小的.bin 文件，再完整的加载到内存中，基于的原则则是：加载两个10M的字典的消耗比一个20M的要小。
然后又优化了一部分，现在加载一个大概1G的字典，占内存约3g+ ，已经可以使用了。

大概流程
修改　CustomDictionary.java　设置一个 hashmap　或者一个 list 来存储所有的小Dat
将所有的dat加载完，这里就不再区分主副字典了。
修改Segment.java里面的combineByCustomDictionary 函数，源码中只有一个dat，这里我们需要选择我们容器中其中某一个dat作为要匹配使用，之前使用的方案是，遍历所有的dat，知道有了匹配，但是这样缺陷很明显，解决不了多个字典匹配同一个词的字串的情况，这里我的考察方案是，字典中的同一个字开始的词条映射到同一个文件，这样不会出现字串问题了。
上面是个大概的修改，可以参考。

文章来源于ShomyLiu的博客

微信关注我们

原文链接：https://yq.aliyun.com/articles/670087

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

这 10 个 MySQL 经典错误，遇到过才是老司机！

今天就给大家列举 MySQL 数据库中，最经典的十大错误案例，并附有处理问题的解决思路和方法，希望能给刚入行，或数据库爱好者一些帮助。今后再遇到任何报错，我们都可以很淡定地去处理。学习任何一门技术的同时，其实就是自我修炼的过程。沉下心，尝试去拥抱数据的世界！ Top 1：Too many connections（连接数过多，导致连接不上数据库，业务无法正常进行）问题还原 mysql> show variables like '%max_connection%'; | Variable_name | Value | mysql> set global max_connections=1;Query OK, 0 rows affected (0.00 sec) max_connections | 151 | [root@node

2018-11-16

504

NewLife.Redis 100亿数据使用经验技巧分享本文包括Redis入门，基础知识，NewLife.Redis使用，Redis使用技巧，100亿小数据使用经验技巧分享介绍 NewLife.Redis主要作者及经验介绍来源：大石头源码： https://github.com/NewLifeX/NewLife.Redis Nuget：NewLife.Redis NewLife.Redis是一个Redis客户端组件，以高性能处理大数据实时计算为目标。 Redis协议基础实现Redis/RedisClient位于X组件，包含基础字符串操作。完整实现由独立开源项目NewLife.Redis提供。NewLife.Redis为扩展实现，主要增加列表结构、哈希结构、队列等高级功能。采取连接池加同步阻塞架构，具有超低延迟（200~600us）以及超高吞吐量的特点。在物流行业大数据实时计算中广泛应有，经过日均100亿次调用量验证。特性在ZTO大数据实时计算广泛应用，200多个Redis实例稳定工作一年多，每天处理近1亿包裹数据，日均调用量80亿次低延迟，Get/Set操作平均耗时200...

2018-11-16

596

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。