Simhash算法原理和網頁查重應用

傳統的hash算法只負責將原始內容儘量均勻隨機地映射爲一個簽名值，原理上相當於僞隨機數產生算法。產生的兩個簽名，如果相等，說明原始內容在一定概率下是相等的；如果不相等，除了說明原始內容不相等外，不再提供任何信息，因爲即使原始內容只相差一個字節，所產生的簽名也很可能差別極大。從這個意義上來說，要設計一個hash算法，對相似的內容產生的簽名也相近，是更爲艱難的任務，因爲它的簽名值除了提供原始內容是否相

>>阅读原文<<