网页查重算法Shingling和Simhash研究.对初学者很有用。-Web search algorithms Shingling and Simhash of weight. Useful for beginners.

我使用的是面向局部敏感的最小哈希签名的方法进行文档查重。设计采用了集合的思想，因为是要在一个文件夹中查找相似的文档，决定采用shingling 来表示一篇文档，运用了K-shingles技术,将一篇文档看成是一个字符串，k-shingle就是这篇文档中出现过的任何长度为k的一个字符串，在进行处理之前会去掉文档中不必要的标点符号，空格，和换行。对于k的取值，若是一般的文档则取5就够了，若是文档较长的话取9是相对而言比较安全的。(I used a locally sensitive minimum