发明名称 |
一种网页去重的方法 |
摘要 |
本发明公开了一种网页去重的方法,首先提取网页正文信息,对网页正文信息进行分词处理,对分词处理结果进行统计,并按照词频排序,将词频超过预设值的词选取出来,作为特征词结果串,对特征词结果串进行MD5运算,作为网页的唯一特征值,将特征词结果串的MD5值与特征串去重判别系统中的所有网页的特征词结果串的MD5值进行比对,如果相同,则去重,如果没有相同的,则将该网页的特征词结果串的MD5值存储到特征串去重判别系统。采用了本发明的技术方案,能够有效地去除现有系统的转载网页、重复网页和镜像网页。 |
申请公布号 |
CN102682085A |
申请公布日期 |
2012.09.19 |
申请号 |
CN201210114263.6 |
申请日期 |
2012.04.18 |
申请人 |
北京十分科技有限公司 |
发明人 |
李鹏 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
|
代理人 |
|
主权项 |
一种网页去重的方法,其特征在于,包括以下步骤:A、提取网页正文信息;B、对所述网页正文信息进行分词处理;C、对分词处理结果进行统计,并按照词频排序;D、将词频超过预设值的词选取出来,作为特征词结果串;E、对所述特征词结果串进行MD5运算,作为所述网页的唯一特征值;F、将所述特征词结果串的MD5值与特征串去重判别系统中的所有网页的特征词结果串的MD5值进行比对,如果相同,则去重,如果没有相同的,则将所述网页的特征词结果串的MD5值存储到所述特征串去重判别系统。 |
地址 |
100004 北京市朝阳区光华路7号汉威大厦东区18A1 |