在互联网出现之前,“抄”很不方便,一是“源”少,而是发布渠道少;而在互联网出现之后,“抄”变得很简单,铺天盖地的“源”源源不断,发布渠道也数不胜数,博客论坛甚至是自建网站,而爬虫还可以让“抄”完全自动化不费劲。这就导致了互联网上的“文章“重复性很高。这里的“文”章只新闻,博客等文字占据绝大部分内容的网页。
中文新闻网站的“转载”(其实就是抄)现象非常严重,这种“转载”几乎是全文照抄,或改下标题,或是改下编辑姓名,或是文字个别字修改,所以,对新闻网页的去重很有必要。
文章去重(或叫网页去重)是根据文章(或网页)的文字内容来判断多个文章之间是否重复。这是爬虫爬取大量的文本行网页(新闻网页,博客网页等)后要进行的非常重要的一项操作,也是搜索引擎非常关心的一个问题。搜索引擎中抓取的网页是海量的,海量文本的去重算法也出现了很多,比如minihash, simhash等等。
在工程实践中,对simhash使用了很长一段时间,有些缺点,一是算法比较复杂、效率较差;二是准确率一般。
网上也流传着百度采用的一种方法,用文章最长句子的散列值作为文章的标识,散列相同的文章(网页)就认为其内容一样,是重复的文章(网页)。
这个所谓的“百度算法”对工程很友好,但是实际中还是会有很多问题。中文网页的一大特点就是“天下文章一大抄”,各种博文,新闻几乎一字不改或稍作修改就被网站发表了。这个特点,很适合这个“百度算法”。但是,实际中个别字的修改,会导致被转载的最长的那句话不一样,从而其散列值也不一样了,最终结果是,准确率很高,召回率较低。
为了解决这个问题,我提出了nshash(头n个最长的句子散列)算法,即:取文章的最长n句话(实践下来,n=5效果不错)分别做哈希值,这n个哈希值作为文章的指纹,就像是人的5个手指的指纹,每个指纹都可以唯一确认文章的唯一性。这是对“百度算法”的延伸,准确率还是很高,但是召回率大大提高,原先一个指纹来确定,现在有n个指纹来招回了。
该算法的原理简单,实现起来也不难。比较复杂一点的是对于一篇文章(网页)返回一个similar_id,只要该ID相同则文章相似,通过groupby similar_id即可达到去重目的。
为了记录文章指纹和similar_id的关系,我们需要一个键-值数据库,本算法实现了内存和硬盘两种键-值数据库类来记录这种关系:
HashDBLeveldb类:基于leveldb实现,可用于海量文本的去重;
HashDBMemory类:基于Python的dict实现,可用于中等数量(只要Python的dict不报内存错误)的文本去重。
这两个类都具有get()和put()两个方法,如果你想用复述或MySQL等其它数据库来实现HashDB,可以参照这两个类的实现进行实现。
HashDBLeveldb类的实现
<强> HashDBMemory类的实现
从效率上看,肯定是HashDBMemory速度更快。利用nshash对17400篇新闻网页内容的测试结果如下:
<强> HashDBLeveldb:耗时2.47秒;HashDBMemory:耗时1.6秒;
具体测试代码请/test.py看例子。
有了这两个类,就可以实现nshash的核心算法了。
首先,对文本进行分句,以句号,感叹号,问号,换行符作为句子的结尾标识,一个正在表达式就可以分好句了。
其次,挑选最长的n个句话,分别进行散列计算.hash函数可以用Python自带模块hashlib中的md5、沙等等,也可以用我在爬虫教程中多次提到的farmhash。
最后,我们需要根据这n个哈希值给文本内容一个similar_id,通过上面两种HashDB的类的任意一种都可以比较容易实现。其原理就是,similar_id从0开始,从HashDB中查找这n个散列值是否有对应的similar_id,如果有就返回这个对应的similar_id;如果没有,就让当前similar_id加1作为这n个哈希值对应的similar_id,将这种对应关系存入HashDB,并返回该similar_id即可。
