这是一个创建于 930 天前的主题，其中的信息可能已经有所发展或是发生改变。
收藏夹里收藏的技术博客和政经类文章已经超过 500 篇了，而且时间跨度极长，比如会出现有一篇文章七八年前看过感觉还不错，下载收藏了，但是今年又看到，又感觉不错，忘记已经有了于是又存了一份的问题。
有什么算法能在新文章入库前进行查重检查吗。还要考虑排版，截取等等因素，因为文章经常因为不同网站转载，转出来的东西细微上有一些区别
第 1 条附言 · 2022-04-23 05:55:32 +08:00
由于文章整体数量不多，最差的情况下有对比一篇文章与另一篇重复度的算法也可以，然后用一个 n2 的复杂度去挨个算。。
 |
1
wizos 2022-04-28 08:33:34 +08:00 via Android
simhash
|
Select Language