摘要： 1、去除网页的标签，如<br/> 2、将标点符号等去掉，用正则表达式。 去除特殊符号： 3、将文本中的单词小写化，并将data用空格分开 4、去掉停用词 5、将所有的词连接成一个句子 6、把空格前缀去除 7、删除短词，删除句子中词语长度小于3的词，如haa，hi等无意义的词 8、分词 9、提取词干 阅读全文