我正在做一些网络爬行类型的工作,在网页中查找某些术语并找到它们在页面上的位置,然后将其缓存以供以后使用。我希望能够定期检查页面是否有任何重大更改。像 md5 这样的东西可以通过简单地将当前日期和时间放在页面上来阻止。
有没有适用于这样的事情的哈希算法?
进行文档相似度的常见方法是木瓦 http://nlp.stanford.edu/IR-book/html/htmledition/near-duplicates-and-shingling-1.html,这比哈希更复杂一些。还查看内容定义分块一种分割文档的方法。
几年前我读过一篇关于使用布隆过滤器 http://en.wikipedia.org/wiki/Bloom_filter用于相似性检测。使用布隆过滤器优化 Web 搜索结果 http://webdb2005.uhasselt.be/papers/2-1.pdf。这是一个有趣的想法,但我从未抽出时间去尝试。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)