使用 Python NLTK 的 AWS lambda 中的路径

问题描述 投票：0回答：4

我在 AWS Lambda 中遇到 NLTK 包的问题。不过我认为这个问题更多地与 Lambda 中的路径配置不正确有关。 NLTK 无法找到本地存储且不属于模块安装一部分的数据库。 SO 上列出的许多解决方案都是简单的路径配置，可以在此处找到，但我认为这个问题与 Lambda 中的路径相关：

如何从代码中配置nltk数据目录？

要下载什么才能使 nltk.tokenize.word_tokenize 工作？

还应该提到这也与我在这里发布的先前问题有关 在 Python 中将 NLTK 语料库与 AWS Lambda 函数结合使用

但这个问题似乎更普遍，所以我选择重新定义这个问题，因为它涉及如何在 Lambda 中正确配置路径环境以使用需要 NLTK 等外部库的模块。 NLTK 将大量数据存储在本地的 nltk_data 文件夹中，但是将该文件夹包含在 lambda zip 中进行上传，但似乎找不到它。

Lambda func zip 文件中还包含以下文件和目录：

\nltk_data\taggers\averaged_perceptron_tagger\averaged_perceptron_tagger.pickle
\nltk_data\tokenizers\punkt\english.pickle
\nltk_data\tokenizers\punkt\PY3\english.pickle

从以下站点来看，var/task/ 似乎是 lambda 函数执行的文件夹，我尝试包含此路径但无济于事。 https://alestic.com/2014/11/aws-lambda-environment/

从文档来看，似乎还有许多可以使用的环境变量，但是我不确定如何将它们包含在 python 脚本中（来自 Windows，而不是 Linux）http://docs.aws。 amazon.com/lambda/latest/dg/current-supported-versions.html

希望在这里提出这个，以防有人有配置 Lambda 路径的经验。尽管进行了搜索，但我还没有看到很多与此特定问题相关的问题，因此希望它对解决此问题有用

代码在这里

import nltk
import pymysql.cursors
import re
import rds_config
import logging
from boto_conn import botoConn
from warnings import filterwarnings
from nltk import word_tokenize

nltk.data.path.append("/nltk_data/tokenizers/punkt")
nltk.data.path.append("/nltk_data/taggers/averaged_perceptron_tagger")

logger = logging.getLogger()

logger.setLevel(logging.INFO)

rds_host = "nodexrd2.cw7jbiq3uokf.ap-southeast-2.rds.amazonaws.com"
name = rds_config.db_username
password = rds_config.db_password
db_name = rds_config.db_name

filterwarnings("ignore", category=pymysql.Warning)


def parse():

    tknzr = word_tokenize

    stopwords = ['i', 'me', 'my', 'myself', 'we', 'our', 'ours', 'ourselves', 'you', 'your', 'yours', 'yourself','yourselves', 'he', 'him', 'his', 'himself', 'she', 'her', 'hers', 'herself', 'it', 'its', 'itself',
                 'they', 'them', 'their', 'theirs', 'themselves', 'what', 'which', 'who', 'whom', 'this', 'that','these','those', 'am', 'is', 'are', 'was', 'were', 'be', 'been', 'being', 'have', 'has', 'had', 'having', 'do',
                 'does', 'did', 'doing', 'a', 'an', 'the', 'and', 'but', 'if', 'or', 'because', 'as', 'until', 'while', 'of','at', 'by', 'for', 'with', 'about', 'against', 'between', 'into', 'through', 'during', 'before', 'after', 'above',
                 'below','to', 'from', 'up', 'down', 'in', 'out', 'on', 'off', 'over', 'under', 'again', 'further', 'then','once', 'here','there', 'when', 'where', 'why', 'how', 'all', 'any', 'both', 'each', 'few', 'more', 'most', 'other',
                 'some', 'such','no', 'nor', 'not', 'only', 'own', 'same', 'so', 'than', 'too', 'very', 's', 't', 'can', 'will','just', 'don', 'should','now', 'd', 'll', 'm', 'o', 're', 've', 'y', 'ain', 'aren', 'couldn', 'didn', 'doesn', 'hadn', 'hasn',
                 'haven', 'isn', 'ma','mightn', 'mustn', 'needn', 'shan', 'shouldn', 'wasn', 'weren', 'won', 'wouldn']

    s3file = botoConn(None, 1).getvalue()
    db = pymysql.connect(rds_host, user=name, passwd=password, db=db_name, connect_timeout=5, charset='utf8mb4', cursorclass=pymysql.cursors.DictCursor)
    lines = s3file.split('\n')

    for line in lines:

        tkn = tknzr(line)
        tagged = nltk.pos_tag(tkn)

        excl = ['the', 'and', 'of', 'at', 'what', 'to', 'it', 'a', 'of', 'i', 's', 't', 'is', 'I\'m', 'Im', 'U', 'RT', 'RTs', 'its']  # Arg

        x = [i for i in tagged if i[0] not in stopwords]
        x = [i for i in x if i[0] not in excl]
        x = [i for i in x if len(i[0]) > 1]
        x = [i for i in x if 'https' not in i[0]]
        x = [i for i in x if i[1] == 'NNP' or i[1] == 'VB' or i[1] == 'NN']
        x = [(re.sub(r'[^A-Za-z0-9]+' + '()', r'', i[0])) for i in x]
        sql_dat_a, sql_dat = [], []

输出日志在这里：

   **********************************************************************
  Resource u'tokenizers/punkt/english.pickle' not found.  Please
  use the NLTK Downloader to obtain the resource:  >>>
  nltk.download()
  Searched in:
    - '/home/sbx_user1067/nltk_data'
    - '/usr/share/nltk_data'
    - '/usr/local/share/nltk_data'
    - '/usr/lib/nltk_data'
    - '/usr/local/lib/nltk_data'
    - '/nltk_data/tokenizers/punkt'
    - '/nltk_data/taggers/averaged_perceptron_tagger'
    - u''
**********************************************************************: LookupError
Traceback (most recent call last):
  File "/var/task/Tweetscrape_Timer.py", line 27, in schedule
    server()
  File "/var/task/Tweetscrape_Timer.py", line 14, in server
    parse()
  File "/var/task/parse_to_SQL.py", line 91, in parse
    tkn = tknzr(line)
  File "/var/task/nltk/tokenize/__init__.py", line 109, in word_tokenize
    return [token for sent in sent_tokenize(text, language)
  File "/var/task/nltk/tokenize/__init__.py", line 93, in sent_tokenize
    tokenizer = load('tokenizers/punkt/{0}.pickle'.format(language))
  File "/var/task/nltk/data.py", line 808, in load
    opened_resource = _open(resource_url)
  File "/var/task/nltk/data.py", line 926, in _open
    return find(path_, path + ['']).open()
  File "/var/task/nltk/data.py", line 648, in find
    raise LookupError(resource_not_found)
LookupError: 
**********************************************************************
  Resource u'tokenizers/punkt/english.pickle' not found.  Please
  use the NLTK Downloader to obtain the resource:  >>>
  nltk.download()
  Searched in:
    - '/home/sbx_user1067/nltk_data'
    - '/usr/share/nltk_data'
    - '/usr/local/share/nltk_data'
    - '/usr/lib/nltk_data'
    - '/usr/local/lib/nltk_data'
    - '/nltk_data/tokenizers/punkt'
    - '/nltk_data/taggers/averaged_perceptron_tagger'
    - u''
**********************************************************************
python nltk aws-lambda
4个回答
5
投票

看来您当前的 Python 代码是从 

/var/task
运行的。我建议尝试一下（我自己没有尝试过）：

nltk.data.path.append("/var/task/nltk_data")
2
投票

所以我找到了这个问题的答案。经过几天的折腾，我终于弄清楚了。 nltk文件夹下的data.py文件需要修改如下。基本上删除 /usr/... 路径并添加 Lambda 从 /var/task/ 执行的文件夹，并确保您的 nltk_data 文件夹位于执行 zip 的根目录中。

不知道为什么，但使用内联 nltk.data.path.append() 方法不适用于 AWS Lambda，需要直接修改 data.py 文件。

else:
    # Common locations on UNIX & OS X:
    path += [
        str('/var/task/nltk_data')
        #str('/usr/share/nltk_data'),
        #str('/usr/local/share/nltk_data'),
        #str('/usr/lib/nltk_data'),
        #str('/usr/local/lib/nltk_data')
    ]
0
投票

参加这个聚会有点晚了，但是如果您查看粘贴的代码片段上方，NLTK 库（v.3.2.2）使您能够将自己的自定义路径添加到搜索的路径数组中。

# User-specified locations:
_paths_from_env = os.environ.get('NLTK_DATA', str('')).split(os.pathsep)
path += [d for d in _paths_from_env if d]

因此，现在 Lambda 允许您添加自己的环境变量，您可以在部署函数时将 NLTK_DATA 环境变量设置为 

/var/task/nltk_data
，它应该可以工作。不过我还没有在 Lambda 上测试过。

当您发布此问题时，我不确定 Lambda 是否允许环境变量，但现在应该是可行的。

编辑1 使用我部署到 Lambda 的一些 Python 应用程序重新审视这一点，我使用了上面 Matt 提供的解决方案，它对我有用。

nltk.data.path.append("/var/task/nltk_data")

在调用任何需要 NLTK 语料库的函数之前，您需要记住 

import nltk

此外，需要下载语料库并将其安装在项目中的 nltk_data 子目录中（按照上述 .append 方法）。

如果在 AWS Codebuild 中使用 virtualenv，则 buildspec.yml 片段将如下所示：

pre_build:
  commands:
    ...
    - export HOME_DIR=`pwd`
    - mkdir $HOME_DIR/nltk_data/
    - export NLTK_DATA=$HOME_DIR/nltk_data
    - $VIRTUAL_ENV/bin/python2.7 -m nltk.downloader -d $NLTK_DATA punkt
    ...
0
投票

看起来

nltk
源代码正在检查是否存在并且可从
nltk.data.path
写入的目录，否则它默认为用户主目录的子目录。

在 lambda 中，虽然您可以写入 

/tmp
，但子目录最初不会存在（与 /var/task 相同）。因此，即使它可以正常工作，检查也会失败并绕过目录。

您可以更改

nltk
源代码，正如@Praxis提到的那样，还有另一种解决方案不需要这个。

nltk.download
采用可选的命名参数 
download_dir
，只需将其设置为 
/tmp/nltk_data
，下载就可以正常工作。

示例：

nltk.download('stopwords', download_dir='/tmp/nltk_data')
最新问题
© www.soinside.com 2019 - 2024. All rights reserved.