文本分类(Text Classification或Text Categorization，TC)，或者称为自动文本分类(Automatic Text Categorization)，是指计算机将载有信息的一篇文本映射到预先给定的某一类别或某几类别主题的过程。文本分类另外也属于自然语言处理领域。文本分类的应用场景有：
1. 新闻主题分类（文章分类）：根据文章内容（或者结合标题）给新闻等其他文章一个类别，比如财经、体育、军事、明星等等。一般在新闻资讯方面使用比较多。
2. 情感分析：两类（正面、负面）或者多类（例如，生气、高兴、悲伤等等），其实还是有三类（正、负、中性），不过和两类的处理方法会有些许区别。一般在影评（比如豆瓣、淘票票）、商品评价（比如淘宝、京东的商品评价）等对商品和服务的评价方面应用比较多。
3. 舆情分析：和情感分类类似，更多的是两分类，政府或者金融机构用的比较多。
4. 邮件过滤：比如鉴定一封邮件是否是骚扰或者广告营销等垃圾邮件。
5. 作为其他自然语言处理系统的一部分，比如问答系统中对问句进行主题分类。
文本分类系统如下图所示：
数据采集是文本挖掘的基础，主要包括爬虫技术和页面处理。
2.1 爬虫技术
Web信息检索的第一步就是要抓取网络文档，爬虫就承担了解决这一问题的主要责任。爬虫有很多种类型，但最典型的就是网络爬虫。网络爬虫通过跟踪网页上的超链接来搜寻并下载新的页面。似乎听起来该过程比较简单，但是如何能够高效处理Web上出现的大量新页面，如何处理已抓取页面的更新页面，如何保持页面的最新性，这些问题都成为网络爬虫设计富有挑战的难题。网络爬虫抓取任务可以限定在一个比较小的范围内，例如一个公司，一个网站，或者一所大学的站点。主题网络爬虫与话题网络爬虫要采用分类技术来限制所搜寻页面属于同一主题类别。
2.2 页面处理
通过网络爬虫抓取的页面是最原始的Web页面，它们的格式多种多样，如HTML、XML、Adobe PDF、Microsoft Word等等。这些web页面含有大量的噪声数据，包括导航栏、广告信息、Web标签、超链接或者其他非内容格式数据等，这些数据几乎都成是阻碍文本下一步处理的因素。因此需要经过预处理去除上述噪音数据，将Web页面转化成为纯净统一的文本格式和元数据格式。Web关注内容过滤也是Web信息处理领域的一项热门研究课题。
另外一个普遍存在的页面处理问题是编码不一致。由于计算机发展、民族语言、国家地域的不同造成现在计算机存储数据采用许多种编码格式，例如ASCII、UTF-8、GBK、BIG5等等。在实际应用过程中，在对不同编码格式的文档进行深入处理之前，必须要保证对它们编码格式进行统一转换。
文本要转化成计算机可以处理的数据结构，就需要将文本切分成构成文本的语义单元。这些语义单元可以使句子、短语、词语或单个的字。本文无论对于中文还是英文文本，统一将最小语义单元称为“词组”。对于不同的语言来说处理有所区别，下面简述最常见的中文和英文文本的处理方式。
3.1 英文处理
英文文本的处理相对简单，每一个单词之间有空格或标点符号隔开。如果不考虑短语，仅以单词作为唯一的语义单元的话，处理英文单词切分相对简单，只需要分割单词，去除标点符号。英文还需要考虑的一个问题是大小写转换，一般认为大小写不具有不同的意义，这就要求将所有单词的字幕都转换成小写或大写。另外，英文文本预处理更为重要的问题是词根的还原，或称词干提取。词根还原的任务就是将属于同一个词干(Stem)的派生词进行归类转化为统一形式。例如，把“computed”， “computer”， “computing”可以转化为“compute”。通过使用一个给定的词来代替一类中每一个元素，可以进一步增加类别与文档中的词之间匹配度。词根还原可以针对所有词进行，也可以针对少部分词进行或者不采用词根还原。针对所有词的词根还原可能导致分类结果的下降，这主要的原因或许是删除了不同形式单词所含有的形式意义。哪些词在哪些应用中应该词根还原尚不清楚。McCallum等人研究工作显示，词根还原可能有损于分类性能。
3.2 中文分词技术