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  

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