[发明专利]一种基于指纹的网页快速去重算法在审
| 申请号： | 201210414947.8 | 申请日： | 2012-10-26 |
| 公开（公告）号： | CN103778163A | 公开（公告）日： | 2014-05-07 |
| 发明（设计）人： | 李旭日 | 申请（专利权）人： | 广州市邦富软件有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 510635 广东省广州市天河区天河软件园高*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于指纹的网页快速去重算法，该算法采用基于内容特征提取的方式来进行去重，内容特征的提取方式主要基于代表内容含义的关键词序列提取，再将关键词序列利用散列算法生成唯一的指纹；如果指纹库为空，则将该指纹添加入指纹库。如果不为空，则将跟指纹与指纹库对比。如果存在相同指纹，则代表该网页已经有雷同网页存在；采用本技术方法的去重算法可以有效的应对在标题或者内容后添加随时码，或者对标题内容进行部分删减以及调整段落位置的情况，能够有效的提高性能。 | ||
| 搜索关键词： | 一种 基于 指纹 网页 快速 算法 | ||
【主权项】：
一种基于指纹的网页快速去重算法，其特征在于：该算法采用基于内容特征提取的方式来进行去重，内容特征的提取方式主要基于代表内容含义的关键词序列提取，再将关键词序列利用散列算法生成唯一的指纹；算法采用以下步骤：1、取出一篇网页，将网页的内容和标题进行分词。2、对每个分出来的词进行次数统计。3、对每个分出来的词计算其词频和逆词频，并计算出用词频乘以逆词频的分值。4、按照每个词的分值进行从大到小排序。5、取排列在前5个的词，用逗号拼接。并用MD5算法计算出MD5值。6、该MD5值即该网页的指纹。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于广州市邦富软件有限公司，未经广州市邦富软件有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201210414947.8/，转载请声明来源钻瓜专利网。
- 上一篇：一种农用收割机
- 下一篇：破碎装置及控制该破碎装置的方法
