请 登录 后使用快捷导航
没有帐号？普通注册

落伍者(四季发财)

　　搜索引擎判断复制网页一般都基于这么一个思想：为每个网页计算出一组信息指纹(Fingerprint)，若两个网页有一定数量相同的信息指纹，则认为这两个网页的内容重叠性很高，也就是说两个网页是内容复制的,传奇私服发布网。

　　很多搜索引擎判断内容复制的方法都不太一样，主要是以下两点的不同：

　　1、计算信息指纹(Fingerprint)的算法;

　　2、判断信息指纹的相似程度的参数。

　　在描述具体的算法前，先说清楚两点：

　　1、什么是信息指纹?信息指纹就是把网页里面正文信息，提取一定的信息，可以是关键字、词、句子或者段落及其在网页里面的权重等，对它进行加密，如MD5加密，从而形成的一个字符串。信息指纹如同人的指纹，只要内容不相同，信息指纹就不一样。

　　2、算法提取的信息不是针对整张网页，而是把网站里面共同的部分如导航条、logo、版权等信息(这些称之为网页的“噪音”)过滤掉后剩下的文本。

　　分段签名算法

　　这种算法是按照一定的规则把网页切成N段，对每一段进行签名，形成每一段的信息指纹。如果这N个信息指纹里面有M个相同时(m是系统定义的阙值)，则认为两者是复制网页。

　　这种算法对于小规模的判断复制网页是很好的一种算法，但是对于像google这样海量的搜索引擎来说,热血传奇私服，算法的复杂度相当高,sf传奇。

　　基于关键词的复制网页算法

　　像google这类搜索引擎，他在抓取网页的时候都会记下以下网页信息：

　　1、网页中出现的关键词(中文分词技术)以及每个关键词的权重(关键词密度);

　　2、提取meta descrīption或者每个网页的512个字节的有效文字。

　　关于第2点，baidu和google有所不同，google是提取你的meta descrīption，如果没有查询关键字相关的512个字节，而传奇私服是直接提取后者。这一点大家使用过的都有所体会。

　　在以下算法描述中，我们约定几个信息指纹变量：

　　Pi表示第i个网页;

　　该网页权重最高的N个关键词构成集合Ti={t1,t2,...tn}，其对应的权重为Wi={w1,w2,...wi}

　　摘要信息用Des(Pi)表示，前n个关键词拼成的字符串用Con(Ti)表示，对这n个关键词排序后形成的字符串用Sort(Ti)表示。

　　以上信息指纹都用MD5函数进行加密。

　　基于关键词的复制网页算法有以下5种：

　　1、MD5(Des(Pi))=MD5(Des(Pj)),就是说摘要信息完全一样，i和j两个网页就认为是复制网页;

　　2、MD5(Con(Ti))=MD5(Con(Tj)),两个网页前n个关键词及其权重的排序一样,蜀门私服，就认为是复制网页;

　　3、MD5(Sort(Ti))=MD5(Sort(Tj)),两个网页前n个关键词一样，权重可以不一样，也认为是复制网页。

　　4、MD5(Con(Ti))=MD5(Con(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则认为两者是复制网页。

　　5、MD5(Sort(Ti))=MD5(Sort(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则认为两者是复制网页。

　　关于第4和第5的那个阙值a,主要是因为前一个判断条件下，还是会有很多网页被误伤，搜索引擎开发根据权重的分布比例进行调节,天龙sf，防止误伤。