1,網(wǎng)站重復內容的判斷
A,獲取多個(gè)網(wǎng)頁(yè);
B,分別提取網(wǎng)頁(yè)的網(wǎng)頁(yè)正文;
C,從網(wǎng)頁(yè)正文中提取一個(gè)或多個(gè)句子,并根據一個(gè)或多個(gè)句子計算網(wǎng)頁(yè)正文句子簽名;
D,根據網(wǎng)頁(yè)正文句子簽名對多個(gè)網(wǎng)頁(yè)進(jìn)行聚類(lèi);
E,針對每一類(lèi)下的網(wǎng)頁(yè),計算網(wǎng)頁(yè)的附加簽名;
F,根據附加簽名判斷每一類(lèi)下的網(wǎng)頁(yè)是否重復。
通過(guò)上述方式,網(wǎng)頁(yè)重復的判斷系統及其判斷方法通過(guò)包括網(wǎng)頁(yè)正文句子簽名在內的多維度簽名有效且快速地判斷網(wǎng)頁(yè)是否重復。
網(wǎng)站頁(yè)面基本架構
提取正文
A,對網(wǎng)頁(yè)進(jìn)行分塊;
B,對分塊后的網(wǎng)頁(yè)進(jìn)行塊過(guò)濾,以獲取包含網(wǎng)頁(yè)正文的內容快;
C,從內容塊中提取網(wǎng)頁(yè)正文。
正文分句
A,對網(wǎng)頁(yè)正文進(jìn)行分句;
在本步驟中,可利用分號,句號,感嘆號等表示句子完結的標志符號來(lái)對網(wǎng)頁(yè)正文進(jìn)行分句。此外,還可以通過(guò)網(wǎng)頁(yè)正文的視覺(jué)信息來(lái)對網(wǎng)頁(yè)正文進(jìn)行分句。
B,對分句后的網(wǎng)頁(yè)正文進(jìn)行過(guò)濾及轉換;
在步驟中,首先過(guò)濾掉句子中的數字信息;版權信息以及其他對網(wǎng)頁(yè)重復判斷不起決定性作用的信息。隨后,對句子進(jìn)行轉換,例如,進(jìn)行全角/半角轉換或者繁體/簡(jiǎn)體轉換,以使得轉換后的句子的格式統一。
C,從過(guò)濾及轉換后的網(wǎng)頁(yè)正文中提取最長(cháng)的一個(gè)或多個(gè)句子;
在本步驟中,過(guò)濾及轉換后的網(wǎng)頁(yè)正文提取出最長(cháng)的一個(gè)句子或者做場(chǎng)的預定數量連續句子的組合。例如,某個(gè)網(wǎng)頁(yè)實(shí)例中,經(jīng)過(guò)過(guò)濾及轉換后的某段最長(cháng),遠超其他句子,因此可選擇該段為網(wǎng)頁(yè)正文句子,或者選擇最長(cháng)的連續句子組合作為網(wǎng)頁(yè)正文句子。
D,對一個(gè)或多個(gè)句子進(jìn)行hash簽名運算,以獲取網(wǎng)頁(yè)正文句子簽名。