搜索引擎网页去重算法和指纹算法的详细介绍

想做好网站收录，一定要了解去重算法和指纹算法，只有这样才能更好地做好原创网页，帮助网站促进收录，提升排名。对一个新的网页，爬虫程序通过网页去重算法，最终决定是否对其索引。

近似重复网页类型，根据文章内容和网页布局格式的组合分为4种形式：

一：两篇文档在内容和布局格式上毫无区别，则这种重复称为完全重复页面。

二：两篇文档内容相同，但布局格式不同，则这种重复称为内容重复页面。

三：两篇文档有部分重要的内容相同，并且布局格式相同，则这种重复称为布局重复页面。

四：两篇文档有部分重要内容相同，但布局格式不同，则这种重复称为部分重复页面。

重复网页对搜索引擎的不利影响：

正常情况下，非常相似的网页内容不能或只能给用户提供少量的新信息，但在对爬虫进行抓取、索引和用户搜索会消耗大量的服务器资源。

重复网页对搜索引擎的好处：

如果某个网页重复性很高，往往是其内容比较比较受欢迎的一种体现，也预示着该网页相对比较重要。应予以优先收录。当用户搜索时，在输出结果排序时，也应给与较高的权重。

重复文档的处理方式：

1.删除

2.将重复文档分组

SimHash文档指纹计算方法

1）从文档中提取具有权值的特征集合来表示文档。如：假设特征都是由词组成的，词的权值由词频TF来确定。

2）对每一个词，通过哈希算法生成N位（通常情况是64位或更多）的二进制数值，如上图，以生成8位的二进制值为例。每个词都对应各自不同的二进制值。

3）在N维（上图为8维）的向量V中，分别对每维向量进行计算。如果词相应的比特位的二进制数值为1，则对其特征权值进行加法运算；如果比特位数值为0，则进行减法运算，通过这种方式对向量进行更新。

4）当所有的词都按照上述处理完毕后，如果向量V中第i维是正数，则将N位的指纹中第i位设置为1，否则为0。

👋 感谢您的观看！