[发明专利]一种数据查重方法有效
| 申请号： | 201811274839.9 | 申请日： | 2018-10-30 |
| 公开（公告）号： | CN109271614B | 公开（公告）日： | 2022-12-13 |
| 发明（设计）人： | 鄢亚东;程国艮 | 申请（专利权）人： | 中译语通科技股份有限公司 |
| 主分类号： | G06F40/194 | 分类号： | G06F40/194;G06F16/31 |
| 代理公司： | 北京兴智翔达知识产权代理有限公司 11768 | 代理人： | 郭卫芹 |
| 地址： | 100040 北京市石*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种利用DBCursor光标和hashMap进行海量数据查重的方法，对海量资源数据采用DBCursor光标读取数据，使用.next()按顺序读取数据库中数据，读取结束后以close()关闭连接；分批次遍历资源数据列表，使用simHash算法将资源数据库中的文本计算为simHash指纹签名，存储成String类型，并将指纹签名分成n个片段，其中n为自然数；用上述得到的simHash签名分成的片段作为key，对应的sinHash+堆号作为value值；利用hashMap的键值执行目标文本的查重。该方法克服了传统方法效率低下，内存占用率高的问题，兼顾了效率和准确率的平衡。 | ||
| 搜索关键词： | 一种 数据 方法 | ||
【主权项】：
1.一种对数据进行查重的方法，其特征在于：采用DBCursor光标读取数据，使用.next()按顺序读取数据库中数据，读取结束后以close()关闭连接；分批次遍历资源数据列表，使用simHash算法，将资源数据库中的文本计算为simHash指纹签名，存储成String类型，并将指纹签名分成n个片段，其中n为自然数；用上述得到的simHash签名分成的片段作为key，对应的sinHash+堆号作为value值；利用hashMap的键值执行目标文本的查重。
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中译语通科技股份有限公司，未经中译语通科技股份有限公司许可，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/201811274839.9/，转载请声明来源钻瓜专利网。
- 上一篇：一种PDF文件解析方法
- 下一篇：词条处理方法、装置和机器可读介质
- 数据显示系统、数据中继设备、数据中继方法、数据系统、接收设备和数据读取方法
- 数据记录方法、数据记录装置、数据记录媒体、数据重播方法和数据重播装置
- 数据发送方法、数据发送系统、数据发送装置以及数据结构
- 数据显示系统、数据中继设备、数据中继方法及数据系统
- 数据嵌入装置、数据嵌入方法、数据提取装置及数据提取方法
- 数据管理装置、数据编辑装置、数据阅览装置、数据管理方法、数据编辑方法以及数据阅览方法
- 数据发送和数据接收设备、数据发送和数据接收方法
- 数据发送装置、数据接收装置、数据收发系统、数据发送方法、数据接收方法和数据收发方法
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置
- 数据发送方法、数据再现方法、数据发送装置及数据再现装置
