在網際網路出現之前，“抄”很不方便，一是“源”少，而是釋出渠道少；而在網際網路出現之後，“抄”變得很簡單，鋪天蓋地的“源”源源不斷，釋出渠道也數不勝數，部落格論壇甚至是自建網站，而爬蟲還可以讓“抄”完全自動化不費勁。這就導致了網際網路上的“文章”重複性很高。這裡的“文章”只新聞、部落格等文字佔據絕大部分內容的網頁。

中文新聞網站的“轉載”（其實就是抄）現象非常嚴重，這種“轉載”幾乎是全文照抄，或改下標題，或是改下編輯姓名，或是文字個別字修改。所以，對新聞網頁的去重很有必要。

一、去重演算法原理

文章去重（或叫網頁去重）是根據文章（或網頁）的文字內容來判斷多個文章之間是否重複。這是爬蟲爬取大量的文字行網頁（新聞網頁、部落格網頁等）後要進行的非常重要的一項操作，也是搜尋引擎非常關心的一個問題。搜尋引擎中抓取的網頁是海量的，海量文字的去重演算法也出現了很多，比如minihash, simhash等等。

在工程實踐中，對simhash使用了很長一段時間，有些缺點，一是演算法比較複雜、效率較差；二是準確率一般。

網上也流傳著百度採用的一種方法，用文章最長句子的hash值作為文章的標識，hash相同的文章（網頁）就認為其內容一樣，是重複的文章（網頁）。

這個所謂的“百度演算法”對工程很友好，但是實際中還是會有很多問題。中文網頁的一大特點就是“天下文章一大抄”，各種博文、新聞幾乎一字不改或稍作修改就被網站發表了。這個特點，很適合這個“百度演算法”。但是，實際中個別字的修改，會導致被轉載的最長的那句話不一樣，從而其hash值也不一樣了，最終結果是，準確率很高，召回率較低。

為了解決這個問題，我提出了nshash（top-n longest sentences hash)演算法，即：取文章的最長n句話（實踐下來，n=5效果不錯）分別做hash值，這n個hash值作為文章的指紋，就像是人的5個手指的指紋，每個指紋都可以唯一確認文章的唯一性。這是對“百度演算法”的延伸，準確率還是很高，但是召回率大大提高，原先一個指紋來確定，現在有n個指紋來招回了。

大家在學python的時候肯定會遇到很多難題，以及對於新技術的追求，這裡推薦一下我們的Python學習扣qun：784，758，214，這裡是python學習者聚集地！！同時，自己是一名高階python開發工程師，從基礎的python指令碼到web開發、爬蟲、django、資料探勘等，零基礎到專案實戰的資料都有整理。送給每一位python的小夥伴！每日分享一些學習的方法和需要注意的小細節

點選：python技術分享交流

二、演算法實現

該演算法的原理簡單，實現起來也不難。比較複雜一點的是對於一篇文章（網頁）返回一個similar_id，只要該ID相同則文章相似，通過groupby similar_id即可達到去重目的。

為了記錄文章指紋和similar_id的關係，我們需要一個key-value資料庫，本演算法實現了記憶體和硬碟兩種key-value資料庫類來記錄這種關係：

HashDBLeveldb 類：基於leveldb實現, 可用於海量文字的去重；

HashDBMemory 類：基於Python的dict實現，可用於中等數量（只要Python的dict不報記憶體錯誤）的文字去重。

這兩個類都具有get()和put()兩個方法，如果你想用Redis或MySQL等其它資料庫來實現HashDB，可以參照這兩個類的實現進行實現。

HashDBLeveldb類的實現

HashDBMemory類的實現

從效率上看，肯定是HashDBMemory速度更快。利用nshash對17400篇新聞網頁內容的測試結果如下:

HashDBLeveldb: 耗時2.47秒；

HashDBMemory: 耗時1.6秒；

具體測試程式碼請看 example/test.py。

有了這兩個類，就可以實現nshash的核心演算法了。

首先，對文字進行分句，以句號、感嘆號、問號、換行符作為句子的結尾標識，一個正在表示式就可以分好句了。

其次，挑選最長的n句話，分別進行hash計算。hash函式可以用Python自帶模組hashlib中的md5， sha等等，也可以用我在爬蟲教程中多次提到的farmhash。

最後，我們需要根據這n個hash值給文字內容一個similar_id，通過上面兩種HashDB的類的任意一種都可以比較容易實現。其原理就是，similar_id從0開始，從HashDB中查詢這n個hash值是否有對應的similar_id，如果有就返回這個對應的similar_id；如果沒有，就讓當前similar_id加1作為這n個hash值對應的similar_id，將這種對應關係存入HashDB，並返回該similar_id即可。

這個演算法實現為NSHash類：

NSHash類的實現

三、使用方法

import nshash

nsh = nshash.NSHash(name='test', hashfunc='farmhash', hashdb='memory')

similar_id = nsh.get_similar(doc_text)

NSHash類有三個引數：

• name： 用於hashdb儲存到硬碟的檔名，如果hashdb是HashDBMemory, 則用pickle序列化到硬碟；如果是HashDBLeveldb，則leveldb目錄名為：name+’.hashdb’。name按需隨便起即可。
• hashfunc: 計算hash值的具體函式類別，目前實現兩種型別：md5和farmhash。預設是md5，方便Windows上安裝farmhash不方便。
• hashdb：預設是memory即選擇HashDBMemory，否則是HashDBLeveldb。

至於如何利用similar_id進行海量文字的去重，這要結合你如何儲存、索引這些海量文字。可參考example/test.py檔案。這個test是對excel中儲存的新聞網頁進