最最最简单的URL聚类

我们要发现一个富文本中的http链接,发现一些群体行为,获取URL 

第一步:提取http链接  

使用 Jsoup 来做 
Java代码   收藏代码
  1. Document doc = Jsoup.parse(stream.getText())  
  2. Elements links = doc.select("a[href]")  
  3. for (Element element: links) {  
  4.     link = element.attributes().iterator().next().getValue()  
  5.     // link 就是链接  
  6.     println(link)  
  7. }  



第二步:提取向量  
比方说 https://cwiki.apache.org/confluence/display/MAHOUT/Downloads 

cwiki,apache,org,confluence,display,mahout 


第三步:聚类
 
参考 一个基于Mahout与hadoop的聚类搭建  

不要分词了,因为你已经分好词了。 
上面的cwiki, apache, org,confluence,display,mahout都作为filed添加到document里面,就可以了 

聚类是帮你发现群体行为,以及为了后续的文本挖掘做准备工作的 

不要期望太多
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值