搜索引擎判斷復(fù)制網(wǎng)頁一般都基于這么一個(gè)思想：為每個(gè)網(wǎng)頁計(jì)算出一組信息指紋（Fingerprint），若兩個(gè)網(wǎng)頁有一定數(shù)量相同的信息指紋，則認(rèn)為這兩個(gè)網(wǎng)頁的內(nèi)容重疊性很高，也就是說兩個(gè)網(wǎng)頁是內(nèi)容復(fù)制的。

 

很多搜索引擎判斷內(nèi)容復(fù)制的方法都不太一樣，主要是以下兩點(diǎn)的不同：

 

1、計(jì)算信息指紋（Fingerprint）的算法； 

2、判斷信息指紋的相似程度的參數(shù)。

 

在描述具體的算法前，先說清楚兩點(diǎn)： 

1、什么是信息指紋？信息指紋就是把網(wǎng)頁里面正文信息，提取一定的信息，可以是關(guān)鍵字、詞、句子或者段落及其在網(wǎng)頁里面的權(quán)重等，對它進(jìn)行加密，如MD5加密，從而形成的一個(gè)字符串。信息指紋如同人的指紋，只要內(nèi)容不相同，信息指紋就不一樣。

 

2、算法提取的信息不是針對整張網(wǎng)頁，而是把網(wǎng)站里面共同的部分如導(dǎo)航條、logo、版權(quán)等信息（這些稱之為網(wǎng)頁的“噪音”）過濾掉后剩下的文本。

 

分段簽名算法

 

這種算法是按照一定的規(guī)則把網(wǎng)頁切成N段，對每一段進(jìn)行簽名，形成每一段的信息指紋。如果這N個(gè)信息指紋里面有M個(gè)相同時(shí)（m是系統(tǒng)定義的闕值），則認(rèn)為兩者是復(fù)制網(wǎng)頁。

 

這種算法對于小規(guī)模的判斷復(fù)制網(wǎng)頁是很好的一種算法，但是對于像google這樣海量的搜索引擎來說，算法的復(fù)雜度相當(dāng)高。

 

基于關(guān)鍵詞的復(fù)制網(wǎng)頁算法

 

像google這類搜索引擎，他在抓取網(wǎng)頁的時(shí)候都會(huì)記下以下網(wǎng)頁信息：

 

1、網(wǎng)頁中出現(xiàn)的關(guān)鍵詞（中文分詞技術(shù)）以及每個(gè)關(guān)鍵詞的權(quán)重（關(guān)鍵詞密度）； 

2、提取meta descrīption或者每個(gè)網(wǎng)頁的512個(gè)字節(jié)的有效文字。 

關(guān)于第2點(diǎn)，baidu和google有所不同，google是提取你的meta descrīption，如果沒有查詢關(guān)鍵字相關(guān)的512個(gè)字節(jié)，而百度是直接提取后者。這一點(diǎn)大家使用過的都有所體會(huì)。

 

在以下算法描述中，我們約定幾個(gè)信息指紋變量：

 

Pi表示第i個(gè)網(wǎng)頁； 

該網(wǎng)頁權(quán)重最高的N個(gè)關(guān)鍵詞構(gòu)成集合Ti={t1,t2,...tn}，其對應(yīng)的權(quán)重為Wi={w1,w2,...wi} 

摘要信息用Des(Pi)表示，前n個(gè)關(guān)鍵詞拼成的字符串用Con(Ti)表示，對這n個(gè)關(guān)鍵詞排序后形成的字符串用Sort(Ti)表示。

 

以上信息指紋都用MD5函數(shù)進(jìn)行加密。

 

基于關(guān)鍵詞的復(fù)制網(wǎng)頁算法有以下5種： 

1、MD5(Des(Pi))=MD5(Des(Pj)),就是說摘要信息完全一樣，i和j兩個(gè)網(wǎng)頁就認(rèn)為是復(fù)制網(wǎng)頁； 

2、MD5(Con(Ti))=MD5(Con(Tj)),兩個(gè)網(wǎng)頁前n個(gè)關(guān)鍵詞及其權(quán)重的排序一樣，就認(rèn)為是復(fù)制網(wǎng)頁； 

3、MD5(Sort(Ti))=MD5(Sort(Tj)),兩個(gè)網(wǎng)頁前n個(gè)關(guān)鍵詞一樣，權(quán)重可以不一樣，也認(rèn)為是復(fù)制網(wǎng)頁。 

4、MD5(Con(Ti))=MD5(Con(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某個(gè)闕值a，則認(rèn)為兩者是復(fù)制網(wǎng)頁。 

5、MD5(Sort(Ti))=MD5(Sort(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某個(gè)闕值a，則認(rèn)為兩者是復(fù)制網(wǎng)頁。

 

關(guān)于第4和第5的那個(gè)闕值a,主要是因?yàn)榍耙粋�(gè)判斷條件下，還是會(huì)有很多網(wǎng)頁被誤傷，搜索引擎開發(fā)根據(jù)權(quán)重的分布比例進(jìn)行調(diào)節(jié)，防止誤傷。

 

 

這個(gè)是北大天網(wǎng)搜索引擎的去重算法（可以參考：《搜索引擎--原理、技術(shù)與系統(tǒng)》一書），以上5種算法運(yùn)行的時(shí)候，算法的效果取決于N，就是關(guān)鍵詞數(shù)目的選取。當(dāng)然啦，選的數(shù)量越多，判斷就會(huì)越精確，但是誰知而來的計(jì)算速度也會(huì)減慢下來。所以必須考慮一個(gè)計(jì)算速度和去重準(zhǔn)確率的平衡。據(jù)天網(wǎng)試驗(yàn)結(jié)果，10個(gè)左右關(guān)鍵詞最恰當(dāng)。 

 

后記