搜索引擎判断复制网页一般都基于这么一个思想：为每个网页计算出一组信息指纹(Fingerprint)，若两个网页有肯定数目相同的信息指纹，则以为这两个网页的内容重叠性很高，也就是说两个网页是内容复制的。

　　很多搜索引擎判断内容复制的方法都不太一样，主如果以下两点的不同：

　　1、计算信息指纹(Fingerprint)的算法;

　　2、判断信息指纹的相似程度的参数。

　　在描述详细的算法前，先说清晰两点：

　　1、什么是信息指纹?信息指纹就是把网页里面正文信息，提取肯定的信息，可以是关键字、词、句子或者段落及其在网页里面的权重等，对它进行加密，如MD5加密，从而形成的一个字符串。信息指纹如同人的指纹，只要内容不相同，信息指纹就不一样。

　　2、算法提取的信息不是针对整张网页，而是把网站里面共同的部分如导航条、logo、版权等信息(这些称之为网页的噪音)过滤掉后剩下的文本。

　　分段签名算法

　　这种算法是按照肯定的规则把网页切成N段，对每一段进行签名，形成每一段的信息指纹。如果这N个信息指纹里面有M个相同时(m是系统定义的阙值)，则以为两者是复制网页。

　　这种算法对于小规模的判断复制网页是很好的一种算法，但是对于像google这样海量的搜索引擎来说，算法的复杂度相当高。

　　基于关键词的复制网页算法

　　像google这类搜索引擎，他在抓取网页的时分都会记下以下网页信息：

　　1、网页中出现的关键词(中文分词技术)以及每个关键词的权重(关键词密度)

　　2、提取meta descrīption或者每个网页的512个字节的有效文字。

　　关于第2点，baidu和google有所不同，google是提取你的meta descrīption，如果没有查询关键字相关的512个字节，而百度是直接提取后者。这一点大家运用过的都有所体会。

　　在以下算法描述中，我们约定几个信息指纹变量：

　　Pi表示第i个网页;

　　该网页权重最高的N个关键词构成集合Ti={t1,t2,...tn}，其对应的权重为Wi={w1,w2,...wi}

　　摘要信息用Des(Pi)表示，前n个关键词拼成的字符串用Con(Ti)表示，对这n个关键词排序后形成的字符串用Sort(Ti)表示。

　　以上信息指纹都用MD5函数进行加密。

　　基于关键词的复制网页算法有以下5种：

　　1、MD5(Des(Pi))=MD5(Des(Pj)),就是说摘要信息完全一样，i和j两个网页就以为是复制网页;

　　2、MD5(Con(Ti))=MD5(Con(Tj)),两个网页前n个关键词及其权重的排序一样，就以为是复制网页;

　　3、MD5(Sort(Ti))=MD5(Sort(Tj)),两个网页前n个关键词一样，权重可以不一样，也以为是复制网页。

　　4、MD5(Con(Ti))=MD5(Con(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则以为两者是复制网页。

　　5、MD5(Sort(Ti))=MD5(Sort(Tj))并且Wi-Wj的平方除以Wi和Wj的平方之和小于某个阙值a，则以为两者是复制网页。

　　关于第4和第5的那个阙值a,主如果由于前一个判断条件下，还是会有很多网页被误伤，搜索引擎开发根据权重的分布比例进行调节，防止误伤。这个是北大天网搜索引擎的往重算法(可以参考：《搜索引擎--原理、技术与系统》一书)，以上5种算法运行的时分，算法的效果取决于N，就是关键词数目的选取。当然啦，选的数目越多，判断就会越精确，但是谁知而来的计算速度也会减慢下来。所以必须考虑一个计算速度和往重准确率的平衡。据天网实验结果，10个左右关键词最恰当。后记

　　以上肯定无法覆盖一个大型搜索引擎复制网页的所有方面，他们必定还有一些辅助的信息指纹判断，本文作为一个思路，给做搜索引擎优化的一个思路。

　　本文由衣服的穿配法 http://www.wsnvren.com投稿于世界工厂网学堂频道，转载请保留链接出处。

　　世界工厂网学堂频道欢迎各位站长朋友及SEO爱好者在世界工厂网学堂频道发布相关文章。

　　发布文章请点击：本文题目下的“我要投稿”。