1:下载路透社数据
数据集下载地址:http://www.daviddlewis.com/resources/testcollections/reuters21578/
2:提取文本内容
下载的文件数据格式是SGML格式,这种格式和XML格式很类似。我们需要将这种格式的数据转化为SequenceFile格式,首先就要提取出txt格式。使用的是Mahout中自带的工具类:org.apache.lucene.benchmark.utils.ExtractReuters。编写以下代码实现文本抽取:
import org.apache.lucene.benchmark.utils.ExtractReuters;
public class TestExtractReuters {
public static void main(String[] args) {
// TODO Auto-generated method stub
File inputFolder = new File("/home/cdw/reuters");
File outputFolder = new File("/home/cdw/extracted");
ExtractReuters extractor = new ExtractReuters(inputFolder, outputFolder);
extractor.extract();
}
}
程序运行后extracted目录下的文件格式为reut2-***.sgm-*txt格式
3:将txt格式转化为sequenceFile
运行命令如下:
mahout seqdirectory -c UTF-8 -i extracted/ -o reuters-seqfiles
可以用seqdumper查看生成的内容
命令: mahout seqdumper -s reuters-seqfiles/chunk-0 -o txt.txt。生成的内容在txt.txt中。
4:将SequenceFile格式转化为向量格式
mahout seq2sparse -i reuters-seqfiles/ -o reuters-vectors -ow
在HDFS中生成reuters-vectors目录,该目录下文件结构如下:
- df-count 目录:保存着文本的频率信息
- tf-vectors 目录:保存着以 TF 作为权值的文本向量
- tfidf-vectors 目录:保存着以 TFIDF 作为权值的文本向量
- tokenized-documents 目录:保存着分词过后的文本信息
- wordcount 目录:保存着全局的词汇出现的次数
- dictionary.file-0 目录:保存着这些文本的词汇表
- frequcency-file-0 目录 : 保存着词汇表对应的频率信息。
命令如下:
mahout canopy -i reuters-vectors/tfidf-vectors -o reuters-canopy-centroids -dm org.apache.mahout.common.distance.EuclideanDistanceMeasure -t1 1500 -t2 2000
在HDFS中生成reuters-canopy-centroids目录
6:使用Kmeans聚类
命令如下:
mahout kmeans -i reuters-vectors/tfidf-vectors -o reuters-kmeans-clusters -dm org.apache.mahout.common.distance.TanimotoDistanceMeasure -c reuters-canopy-centroids/clusters-0 -cd 0.1 -ow -x 20 -cl
在HDFS中生成 reuters-kmeans-clusters目录
7:使用ClusterDumper工具查看聚类结果
命令如下:
mahout clusterdump -dt sequencefile -d reuters-vectors/dictionary.file-* -s reuters-kmeans-clusters-14 -b 10 -n 10