對(duì)于搜索引擎來(lái)說(shuō)，重復(fù)的網(wǎng)頁(yè)內(nèi)容是非常有害的。重復(fù)網(wǎng)頁(yè)的存在意味著這些網(wǎng)頁(yè)就要被搜索引擎多處理一次。更有害的是搜索引擎的索引制作中可能會(huì)在索引庫(kù)里索引兩份相同的網(wǎng)頁(yè)。當(dāng)有人查詢時(shí)，在搜索結(jié)果中就會(huì)出現(xiàn)重復(fù)的網(wǎng)頁(yè)鏈接。所以無(wú)論是從搜索體驗(yàn)還是系統(tǒng)效率檢索質(zhì)量來(lái)說(shuō)這些重負(fù)網(wǎng)頁(yè)都是有害處的。

網(wǎng)頁(yè)查重技術(shù)起源于復(fù)制檢測(cè)技術(shù)，即判斷一個(gè)文件內(nèi)容是否存在抄襲、復(fù)制另外一個(gè)或多個(gè)文件的技術(shù)。1993年Arizona大學(xué)的Manber(Google現(xiàn)副總裁、工程師)推出了一個(gè)sif工具，尋找相似文件。1995年Stanford大學(xué)的Brin(Sergey Brin，Google創(chuàng)始人之一)和Garcia-Molina等人在“數(shù)字圖書(shū)觀”工程中首次提出文本復(fù)制檢測(cè)機(jī)制COPS(Copy Protection System)系統(tǒng)與相應(yīng)算法[Sergey Brin et al 1995].之后這種檢測(cè)重復(fù)技術(shù)被應(yīng)用到搜索引擎中，基本的核心技術(shù)既比較相似。

網(wǎng)頁(yè)和簡(jiǎn)單的文檔不同，網(wǎng)頁(yè)的特殊屬性具有內(nèi)容和格式等標(biāo)記，因此在內(nèi)容和格式上的相同相似構(gòu)成了4種網(wǎng)頁(yè)相似的類型。

1、兩個(gè)頁(yè)面內(nèi)容格式完全相同。

2、兩個(gè)頁(yè)面內(nèi)容相同，但格式不同。

3、兩個(gè)頁(yè)面部分內(nèi)容相同并且格式相同。

4、兩個(gè)頁(yè)面部分重要相同但格式不同。

實(shí)現(xiàn)方法：

網(wǎng)頁(yè)查重，首先將網(wǎng)頁(yè)整理成為一個(gè)具有標(biāo)題和正文的文檔，來(lái)方便查重。所以網(wǎng)頁(yè)查重又叫“文檔查重”。“文檔查重”一般被分為三個(gè)步驟，

一、特征抽取。

二、相似度計(jì)算和評(píng)價(jià)。

三、消重。

1.特征抽取

我們?cè)谂袛嘞嗨莆锏臅r(shí)候，一般是才能用不變的特征進(jìn)行對(duì)比，文件查重第一步也是進(jìn)行特征抽取。也就是將文檔內(nèi)容分解，由若干組成文檔的特征集合表示，這一步是為了方面后面的特征比較計(jì)算相似度。

特征抽取有很多方法，我們這里主要說(shuō)兩種比較經(jīng)典的算法，“I-Match算法”、“Shingle算法”。“I-Match算法”是不依賴于完全的信息分析，而是使用數(shù)據(jù)集合的統(tǒng)計(jì)特征來(lái)抽取文檔的主要特征，將非主要特征拋棄。“Shingle算法”通過(guò)抽取多個(gè)特征詞匯，比較兩個(gè)特征集合的相似程度實(shí)現(xiàn)文檔查重。

2.相似度計(jì)算和評(píng)價(jià)

特征抽取完畢后，就需要進(jìn)行特征對(duì)比，因網(wǎng)頁(yè)查重第二步就是相似度計(jì)算和評(píng)價(jià)。

I-Match算法的特征只有一個(gè)，當(dāng)輸入一篇文檔，根據(jù)詞匯的IDF值(逆文本頻率指數(shù)，Inverse document frequency縮寫(xiě)為IDF)過(guò)濾出一些關(guān)鍵特征，即一篇文章中特別高和特別低頻的詞匯往往不能反應(yīng)這篇文章的本質(zhì)。因此通過(guò)文檔中去掉高頻和低頻詞匯，并且計(jì)算出這篇文檔的唯一的Hash值(Hash簡(jiǎn)單的說(shuō)就是把數(shù)據(jù)值映射為地址。把數(shù)據(jù)值作為輸入，經(jīng)計(jì)算后即可得到地址值。)，那些Hash值相同的文檔就是重復(fù)的。

Shingle算法是抽取多個(gè)特征進(jìn)行比較，所以處理起來(lái)比較復(fù)雜一些，比較的方法是完全一致的Shingle個(gè)數(shù)。然后除以兩個(gè)文檔的Shingle總數(shù)減去一致的Shingle個(gè)數(shù)，這種方法計(jì)算出的數(shù)值為“Jaccard 系數(shù)”，它可以判斷集合的相似度。Jaccard 系數(shù)的計(jì)算方法集合的交集除以集合的并集。

3.消重

對(duì)于刪除重復(fù)內(nèi)容，搜索引擎考慮到眾多收錄因素，所以使用了最簡(jiǎn)單的最實(shí)用的方法。先被爬蟲(chóng)抓取的頁(yè)面同時(shí)很大程度也保證了優(yōu)先保留原創(chuàng)網(wǎng)頁(yè)。

網(wǎng)頁(yè)查重工作是系統(tǒng)中不可缺少的，刪除了重復(fù)的頁(yè)面，所以搜索引擎的其他環(huán)節(jié)也會(huì)減少很多不必要的麻煩，節(jié)省了索引存儲(chǔ)空間、減少了查詢成本、提高了PageRank計(jì)算效率。方便了搜索引擎用戶。