Mahout文本聚類實例

1：下載路透社數據

   數據集下載地址：http://www.daviddlewis.com/resources/testcollections/reuters21578/

2：提取文本內容

  下載的文件數據格式是SGML格式，這種格式和XML格式很類似。我們需要將這種格式的數據轉化爲SequenceFile格式，首先就要提取出txt格式。使用的是Mahout中自帶的工具類：org.apache.lucene.benchmark.utils.ExtractReuters。編寫以下代碼實現文本抽取：

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();
	}

}

程序運行後extracted目錄下的文件格式爲reut2-***.sgm-*txt格式

3：將txt格式轉化爲sequenceFile

運行命令如下：

mahout seqdirectory -c UTF-8 -i extracted/ -o reuters-seqfiles

可以用seqdumper查看生成的內容

命令： mahout seqdumper -s reuters-seqfiles/chunk-0 -o txt.txt。生成的內容在txt.txt中。

4：將SequenceFile格式轉化爲向量格式

mahout seq2sparse -i reuters-seqfiles/ -o reuters-vectors -ow

在HDFS中生成reuters-vectors目錄，該目錄下文件結構如下：

• df-count 目錄：保存着文本的頻率信息
• tf-vectors 目錄：保存着以 TF 作爲權值的文本向量
• tfidf-vectors 目錄：保存着以 TFIDF 作爲權值的文本向量
• tokenized-documents 目錄：保存着分詞過後的文本信息
• wordcount 目錄：保存着全局的詞彙出現的次數
• dictionary.file-0 目錄：保存着這些文本的詞彙表
• frequcency-file-0 目錄 : 保存着詞彙表對應的頻率信息。

5：使用Canopy聚類爲Kmeans聚類提供初始類

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目錄
6：使用Kmeans聚類

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目錄

7：使用ClusterDumper工具查看聚類結果

命令如下：

mahout clusterdump -dt sequencefile -d reuters-vectors/dictionary.file-* -s reuters-kmeans-clusters-14 -b 10 -n 10