倒序索引

注意点：

1. StringTokenizer(String str) ：构造一个用来解析 str 的 StringTokenizer 对象。java 默认的分隔符是空格("")、制表符(\t)、换行符(\n)、回车符(\r)。
2. nextToken()是 StringTokenizer 类下的一个方法
3. while (st.hasMoreTokens()) // 判断是否已经到结尾

TopN和倒排索引

成绩排序

Configuration config=new Configuration();
//这句话要早点写，否则没用
config.set(KeyValueLineRecordReader.KEY_VALUE_SEPERATOR,",");

// 设置输入格式，一共有三种格式
job.setInputFormatClass(KeyValueTextInputFormat.class);

// 输出结果保留一位小数
String.format("%.1f", key.getChinese())

Hadoop—MapReduce练习（数据去重、数据排序、平均成绩、倒排索引）

HanLP

HanLP Java 配置和初步使用

properties的路径要配置好，我把data的文件方resource就没报jdk的错了，奇怪！！

官网
github

『NLP自然语言处理』中文文本的分词、去标点符号、去停用词、词性标注
java_利用hanlp对文件“三国演义(罗贯中).txt”进行分词，去掉标点符号和停用词， 最后统计词频，排序输出到文件“三国演义词频.txt“

最后成功的配置如下：

HanLP-JAVA的Demoi

• 分词以后的结果类似这种

[3823890201582094/m, 	/w, 今天/t, 我/rr, 约/d, 了/ule, 豆浆/nf, ，/w, 油条/nf, 。/w, 约/d, 了/ule, 电饭煲/n, 几/d, 小时/n, 后/f, 饭/n, 就/d, 自动/d, 煮/v, 好/a, ，/w, 还/d, 想/v, 约/d, 豆浆机/nz, ，/w, 让/v, 我/rr, 早晨/t, 多/a, 睡/v, 一/m, 小时/n, ，/w, 豆浆/nf, 就/d, 自然/n, 好/a, 。/w, 起床/vi, 就/d, 可以/v, 喝/vg, 上/f, 香喷喷/z, 的/ude1, 豆浆/nf, 了/ule, 。/w, 
/w, 3823890210294392/m, 	/w, 今天/t, 我/rr, 约/d, 了/ule, 豆浆/nf, ，/w, 油条/nf, 
/w, 3823890235477306/m, 	/w, 一会儿/mq, 带/v, 儿子/n, 去/vf, 动物园/n, 约/d, 起/vf, ～/w, 
/w, 3823890239358658/m, 	/w, 继续/v, 支持/v]

这个/w是标注的词性：
分词结果包含词性，每个词性的意思请查阅《HanLP词性标注集》。

TF:
词频（term frequency，TF），表示词在一篇文档中出现的频率=词在该文档中出现的次数 / 该文档中单词的总数—TF越大，表示该词对文档越重要

DF：
文档频率 （document frequency），一个词在多少篇文章中出现过

HanLP Demo(学习笔记)

最全中文停用词表整理（1893个）

主要实现参考这个：
MapReduce使用TF-IDF模拟实现微博热点词汇抓取