spark高级文本处理技术--spark-Machine Learning With Spark

数据下载地址

http://kdd.ics.uci.edu/
databases/20newsgroups/20newsgroups.data.html.
20news-bydate.tar.gz
解压这个文件

里面有很多文件夹

加载数据

  val path="/zhouxiaoke/20news-bydate-train/*"
  val rdd =sc.wholeTextFiles(path)
  rdd.take(1)
  val newsgroups = rdd.map { case (file, text) => file.split("/").takeRight(2).head }
<pre name="code" class="java">newsgroups提取的是文本文件的名字


 
 

val text = rdd.map { case (file, text) => text }

println(text.count)// 11314

 val countByGroup=newsgroups.map(n=>(n,1)).reduceByKey(_+_).collect().sortBy(_._2).mkString(",")
  val text=rdd.map{case(file,text)=>
  text
  }
输出的结果 下面代表 各个主体下的文件的数量
(rec.sport.hockey,600)
(soc.religion.christian,599)
(rec.motorcycles,598)
(rec.sport.baseball,597)
(sci.crypt,595)
(rec.autos,594)
(sci.med,594)
(comp.windows.x,593

现在开始对文本进行分词

val whiteSpaceSplit = text.flatMap(t => t.split(" ").map(_.toLowerCase))

现在取出的数据里面是有很多杂乱数据,现在去掉一些数字,标点,以及文字包含数字文字出现比较少的数据

val regex="[^0-9]*".r


val stopwords = Set(
  "the","a","an","of","or","in","for","by","on","but", "is", "not", "with", "as", "was", "if",
  "they", "are", "this", "and", "it", "have", "from", "at", "my", "be", "that", "to"
)
val rareTokens=tokenCounts.filter{case(k,v)=>
    v<2
}.map(_._1).collect().toSet
val tokenCountsFilteredAll=tokenCountsFilteredSize.filter{case (k,v)=>
!rareTokens.contains(k)
}
def tokenize(line: String): Seq[String] = {
  line.split("""\W+""")
    .map(_.toLowerCase)
    .filter(token => regex.pattern.matcher(token).matches)
    .filterNot(token => stopwords.contains(token))
    .filterNot(token => rareTokens.contains(token))
    .filter(token => token.size >= 2)
    .toSeq
}

val text=rdd.map{case(file,text)=>
text
}
下面的tokens就是处理好后的文本数据了

val tokens = text.map(doc => tokenize(doc))
处理后怎么做。。。 下次再分享吧。。 吃饭去了。。。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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