從事SEO優(yōu)化的都會了解在(2011)之前一般是通過比較兩個頁面的內(nèi)容和節(jié)點,來確認兩個頁面的相似度。這種方法能夠計算得比較準確,可時間復雜度太高,計算很費時間。通過對一個頁面中的某些重要信息進行簽名,然后比較兩個頁面的簽名,來計算相似度,這種方式比較簡單 高效,計算速度比較快,比較適合互聯(lián)網(wǎng)這種海量信息的應用場景!

在百度專利《一種網(wǎng)頁重復的判斷系統(tǒng)及其判斷方法 》(申請?zhí)?201110031636.9 )中使用了新的方法對網(wǎng)頁庫中的網(wǎng)頁進行重復檢測.

首先是對待檢測的網(wǎng)頁進行正文提取,正文提取的方法就是對網(wǎng)頁進行分塊,然后獲取正文塊,然后提取正文塊中的文章.

提取到文章內(nèi)容后,對正文進行分句,然后對每一個句子進行轉(zhuǎn)換和過濾(特殊字符),對較長的一個或幾個句子進行Hash簽名,以獲得網(wǎng)頁正文句子簽名.

接著把正文句子簽名相同的文章分為一個類,我們稱之為網(wǎng)頁集,對該網(wǎng)頁集下的文章再進行下一步的判斷,這里還得再計算一些簽名

1.網(wǎng)頁正文的simhash簽名

2.真實標題的hash簽名

3.標簽標題的hash簽名

4.網(wǎng)頁摘要的hash簽名

5.網(wǎng)頁內(nèi)容的hash簽名

6.位置簽名的hash簽名

7.評論信息的hash簽名

8.資源簽名(資源簽名是通 過對網(wǎng)頁中的圖片資源、聲音資源、視頻資源或下載鏈接資源的 url 進行 hash 簽名運算獲得)

9.URL文件名的hash簽名(url文件名簽名是通過對網(wǎng)頁的 url 中的文件名進行 hash 簽名運算獲得)

這些計算完了,就可以進行下一步的判斷了,真重復的網(wǎng)頁舉例:

1、兩個網(wǎng)頁的真實標題簽名相同。

2、兩個網(wǎng)頁的網(wǎng)頁內(nèi)容簽名相同。

3、兩個網(wǎng)頁的網(wǎng)頁正文簽名(simhash)的不同位數(shù)小于 6。

4、兩個網(wǎng)頁的網(wǎng)頁位置簽名相同,并且 url 文件名簽名相同。

5、評論塊簽名、資源簽名、標簽標題簽名、摘要簽名、url 文件名簽名中有三個簽名相同。

通過兩兩頁面比較,可以得到真重復 url 的集合。一般來說,如果這個真重復 url 集合中的網(wǎng)頁的數(shù)量 / 整個網(wǎng)頁集中網(wǎng)頁的數(shù)量> 30%,則認為整個網(wǎng)頁集都是真重復, 否則就是假重復。