用Python寫了個檢測文章抄襲，詳談去重算法原理

在互聯網出現之前，「抄」很不方便，一是「源」少，而是發佈渠道少；而在互聯網出現之後，「抄」變得很簡單，鋪天蓋地的「源」源源不斷，發佈渠道也數不勝數，博客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。這就導致了互聯網上的「文章」重複性很高。這裏的「文章」只新聞、博客等文字佔據絕大部分內容的網頁。 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

>>阅读原文<<