中國人有句話叫“天下文章一大抄”，但是在正規場合下“抄”是要付出代價的，比如考試、寫論文是不能抄的，一旦被發現後果相當嚴重。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。
我在猿人學網站上寫了一個《大規模非同步新聞爬蟲》的Python爬蟲教程，裡面涉及瞭如何抓取網頁、如何提取正文內容，卻沒有將如何去重。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。
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行去重的例子。
附：論文查重演算法
這個nshash的思想可以運用到論文查重。萬方資料、知網等論文網站都有查重功能，你上傳你的論文，它們幾分鐘後就可以在它幾千萬的論文庫中比較出跟你論文相似的論文，並給出一些重複的百分百。其背後的演算法，我猜大致和nshash的思想類似。
首先，它要對論文庫的所有論文進行索引，以方便後面的查重時快速查詢。索引什麼呢？就是對每篇論文的句子都做hash，索引這些hash值。具體實現上不一定是一句話一個hash值，可能是ngram分句，比如每10個字元就算一句話。
其次，把你的論文安裝上述方法分句計算hash值，在上一步建好的索引中查詢你論文句子的hash值，並找到對應的論文ID，然後再把你的論文和找到的論文進行更詳細的對比，計算相似百分百等等。
看到查重演算法背後的實現，你可能就有了“抄”論文的妙計：把原文的句子主動句變為被動句，新增或刪減個別字，用同義詞替換等等。這寫可能都是逃過查重演算法法眼的“竅門”。但是，演算法在對“句子”計算hash前做些特別的處理，就可以讓你的“竅門”變成“死門”。比如，
主動句變被動句：把“句子”分詞後，按照字串排序，不管你怎麼打亂句子，最後經過排序都一樣；
加減個別字： 為了讓句子意思準確，你加減的字往往是“的，了，嗎”等無意義的虛詞，也就是停用詞。這下有了，排序前先去掉停用詞。你加不加都一樣；
同義詞替換：替換就替換，這事兒我也幹，排序前我先做同義詞替換，最終大家都換成一樣的。
所以說，寫論文、寫文章還是用心自己寫，別偷懶也別想歪門邪道，哈哈哈。
不過，這個nshash是開源噠，你可以隨便抄哦。猿人學公眾號回覆nshash可獲取原始碼。
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***