在這個(gè)科技高度發(fā)達(dá)的時(shí)代，百度已經(jīng)成為人們能獲取消息的主要途徑。但如今的百度，到處充斥著一些重復(fù)的內(nèi)容，對用戶的訪問造成很大的困擾。因此，百度需要對網(wǎng)頁重復(fù)進(jìn)行判斷，對重復(fù)的網(wǎng)頁，只選取一些高質(zhì)量的我那工業(yè)，共用戶瀏覽。然而，現(xiàn)有技術(shù)中一般是通過比較兩個(gè)頁面的內(nèi)容和借點(diǎn)，來確認(rèn)兩個(gè)頁面的相似度。
這種方法能夠計(jì)算的比較準(zhǔn)確，可時(shí)間復(fù)雜度太高，計(jì)算很費(fèi)時(shí)間。通過對一個(gè)頁面中的某些重要信息進(jìn)行簽名，然后比較兩個(gè)頁面的簽名，來計(jì)算相似度，這種方式比較簡單高效，計(jì)算速度比較快，比較適合百度這種海量信息的應(yīng)用場景。
1，網(wǎng)站重復(fù)內(nèi)容的判斷
A，獲取多個(gè)網(wǎng)頁;
B，分別提取網(wǎng)頁的網(wǎng)頁正文;
C，從網(wǎng)頁正文中提取一個(gè)或多個(gè)句子，并根據(jù)一個(gè)或多個(gè)句子計(jì)算網(wǎng)頁正文句子簽名;
D，根據(jù)網(wǎng)頁正文句子簽名對多個(gè)網(wǎng)頁進(jìn)行聚類;
E，針對每一類下的網(wǎng)頁，計(jì)算網(wǎng)頁的附加簽名;
F，根據(jù)附加簽名判斷每一類下的網(wǎng)頁是否重復(fù)。
通過上述方式，網(wǎng)頁重復(fù)的判斷系統(tǒng)及其判斷方法通過包括網(wǎng)頁正文句子簽名在內(nèi)的多維度簽名有效且快速地判斷網(wǎng)頁是否重復(fù)。
網(wǎng)站頁面基本架構(gòu)
提取正文
A，對網(wǎng)頁進(jìn)行分塊;
B，對分塊后的網(wǎng)頁進(jìn)行塊過濾，以獲取包含網(wǎng)頁正文的內(nèi)容快;
C，從內(nèi)容塊中提取網(wǎng)頁正文。
正文分句
A，對網(wǎng)頁正文進(jìn)行分句;
在本步驟中，可利用分號，句號，感嘆號等表示句子完結(jié)的標(biāo)志符號來對網(wǎng)頁正文進(jìn)行分句。此外，還可以通過網(wǎng)頁正文的視覺信息來對網(wǎng)頁正文進(jìn)行分句。
B，對分句后的網(wǎng)頁正文進(jìn)行過濾及轉(zhuǎn)換;
在步驟中，首先過濾掉句子中的數(shù)字信息;版權(quán)信息以及其他對網(wǎng)頁重復(fù)判斷不起決定性作用的信息。隨后，對句子進(jìn)行轉(zhuǎn)換，例如，進(jìn)行全角/半角轉(zhuǎn)換或者繁體/簡體轉(zhuǎn)換，以使得轉(zhuǎn)換后的句子的格式統(tǒng)一。
C，從過濾及轉(zhuǎn)換后的網(wǎng)頁正文中提取最長的一個(gè)或多個(gè)句子;
在本步驟中，過濾及轉(zhuǎn)換后的網(wǎng)頁正文提取出最長的一個(gè)句子或者做場的預(yù)定數(shù)量連續(xù)句子的組合。例如，某個(gè)網(wǎng)頁實(shí)例中，經(jīng)過過濾及轉(zhuǎn)換后的某段最長，遠(yuǎn)超其他句子，因此可選擇該段為網(wǎng)頁正文句子，或者選擇最長的連續(xù)句子組合作為網(wǎng)頁正文句子。
D，對一個(gè)或多個(gè)句子進(jìn)行hash簽名運(yùn)算，以獲取網(wǎng)頁正文句子簽名。
simhash算法就是比較各網(wǎng)頁的附加簽名是否相同或相似來判斷網(wǎng)頁是否重復(fù)。具體來說，在比較利用simhash簽名運(yùn)算獲得的網(wǎng)頁正文簽名時(shí)，比較網(wǎng)頁正文簽名的不同位數(shù)，不同位越少，表示網(wǎng)頁重復(fù)的可能性越高，在比較其他的附加簽名時(shí)，若附加簽名相等，表示網(wǎng)頁在該緯度上重復(fù)。
總結(jié)：
1、兩個(gè)網(wǎng)頁的真實(shí)標(biāo)題簽名相同。
2、兩個(gè)我那工業(yè)的網(wǎng)頁內(nèi)容簽名相同。
3、兩個(gè)網(wǎng)頁的網(wǎng)頁正文簽名的不同位數(shù)小于6.。
4、兩個(gè)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(biāo)簽標(biāo)題簽名、摘要簽名、url文件名簽名中有三個(gè)簽名相同。
附加信息整站判斷重復(fù)標(biāo)準(zhǔn)：
通過兩兩頁面比較，可以得到真重復(fù)url的集合。一般來說，如果這個(gè)真重復(fù)url集合中的網(wǎng)頁的數(shù)量/整個(gè)網(wǎng)頁集中網(wǎng)頁的數(shù)量大于30%，則認(rèn)為整個(gè)網(wǎng)頁集都是真重復(fù)，否則就是假重復(fù)。
