SEM观点解答
SEM viewpoint answers SEM观点解答

相信大家平时在推广中肯定会有很多问题?看这里!这里有最全的行业问题解决方案

您现在的位置:首页 > 网络推广百科 > 网络爬虫过程中5种网页去重方法简要介绍和指纹算法

网络爬虫过程中5种网页去重方法简要介绍和指纹算法

2020-8-20 17:31:17

返回列表
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。
网页布局格式
    一、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:
    1、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。
    2、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。
    3、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。
    4、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。
    二、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。
搜索引擎整体架构
    三、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。
    四、重复文档的处理方式:
    1、删除
    2、将重复文档分组
网页去重算法
    五、 SimHash文档指纹计算方法 :
文档指纹提取算法
    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。

深圳网站优化www.zg886.cn

服务咨询热线:
13530005572 15112579390
扫描二维码
联系我们

备案号:粤ICP备15007128
公司地址:深圳市龙岗区横岗地铁D出口联旺大厦510-511