搜索引擎判定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目相同的信息指纹，则以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。
6 I/ ^/ {1 v) d; w很多搜索引擎判定内容复制的方法都不太一样，主要是以下两点的不同：
7 H' i1 Y7 T3 q1 ^* e8 X" V1、计算信息指纹（Fingerprint）的算法； ; p: r) |* q* ]* H
2、判定信息指纹的相似程度的参数。+ q! |# @* g' Z
在描述具体的算法前，先说清楚两点： / s3 L( O& } E; [9 u+ G
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。, _/ x- q3 f' Y% B
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。9 U1 j3 ]" @9 y$ w
分段签名算法+ R, s+ O) Y" ] K
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。假如这N个信息指纹里面有M个相同时（m是系统定义的阙值），则以为两者是复制网页。8 w c R8 o0 ?* s! F* j4 f
这种算法对于小规模的判定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，算法的复杂度相当高。
# q% r7 E2 ^; B" v8 i! r基于关键词的复制网页算法- k5 I+ e" M5 k0 E% ^
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：
: J; J2 P& z$ i0 D; ^/ g3 e, f1、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）； 9 V# | d6 e: b' A% e
2、提取meta descrīption或者每个网页的512个字节的有效文字。
1 c$ I. {( u/ o g3 D关于第2点，baidu和google有所不同，google是提取你的meta descrīption，假如没有查询关键字相关的512个字节，而百度是直接提取后者。这一点大家使用过的都有所体会。: M' m# C# B; \- K2 k% H
在以下算法描述中，我们约定几个信息指纹变量：9 u: W, \, ^/ i5 K: i
Pi表示第i个网页；
! ^' L! A- c5 n. t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} & v* {9 \, ?' T% f. m) r
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。
$ W. |- M( ^, m C以上信息指纹都用MD5函数进行加密。' \' _4 T9 Q, W* [+ l3 [
基于关键词的复制网页算法有以下5种： 3 s9 x+ O0 q3 `* m, J
1、MD5(Des(Pi))=MD5(Des(Pj)),就是说摘要信息完全一样，i和j两个网页就以为是复制网页；
9 }: Y2 e5 F; d6 `' _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，就以为是复制网页； " a; R8 g" ?; x) z
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，也以为是复制网页。 & m% o! _; h2 v; O5 W
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，则以为两者是复制网页。 6 R- c7 k3 v. [# i1 ~
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，则以为两者是复制网页。$ B# w. o/ `2 q _
关于第4和第5的那个阙值a,主要是由于前一个判定条件下，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，防止误伤。这个是北大天网搜索引擎的往重算法（可以参考：《搜索引擎--原理、技术与系统》一书），以上5种算法运行的时候，算法的效果取决于N，就是关键词数目的选取。当然啦，选的数目越多，判定就会越精确，但是谁知而来的计算速度也会减慢下来。所以必须考虑一个计算速度和往重正确率的平衡。据天网试验结果，10个左右关键词最恰当。后记 ; \1 v, z7 @0 ~7 U6 N
以上肯定无法覆盖一个大型搜索引擎复制网页的所有方面，他们必定还有一些辅助的信息指纹判定，本文作为一个思路，给做搜索引擎优化的一个思路。
/ m: K% Q8 _" Z2 L/ u5 c淮安无痛人流：www.0517hym.com
# a9 h) |2 `; @! [( T8 w
9 f1 H4 ~ E, r' C s+ p1 S1 W# I8 F* H! X
|
