Spark特征提取---TF-IDF
词频（Term Frequency，缩写为TF）在一篇文档中出现次数最多的词是----"的"、"是"、"在"----这一类最常用的词。它们叫做"停用词"（stop words），表示对找到结果毫无帮助、必须过滤掉的词。还有长度小于2大于10的，数字也过滤掉，根据词性过滤，留下有实际意义的词。假设我们把它们都过滤掉了，只考虑剩下的有实际意义的词。这样又会遇到了另一个问题，我们可能
