- A+
后台留了一堆问题，本篇是对其中两个问题的答疑
正文抽取
在【SEO如何处理采集内容 ①】中的“泛采集”部分提到过正文抽取，然后有一些人依旧表示不知道怎么搞。
这东西用网上开源的就可以，Google搜索“{编程语言}正文提取算法”便能找到一大堆的解决方案，如：Readability、Boilerpipe、Diffbot……大部分算法已经打包好了，拿过来就可以直接用，用不着自己写。我们是做网站的，不是搞技术的，有现成的轮子用就OK了。
那么一些人又有一个问题：我该用哪个好呢？
No No No，这不是用轮子的思维，首先不可能每个算法都能提取所有的网页，其次，算法不止一个。
那这件事就简单了，一个算法没有将当前网页的正文提取出来，好办，不用做别的，直接切下一个算法接着试，这个不行再换下一个，如果网页正常，总有一个能将正文提取出来。除非这个页面模板乱七八糟什么都有，比如网站首页，没有明显的主体内容区块，这个另算。
所以，如果泛采集过程中需要提取正文的链接中，最好先将首页url过滤掉。
如果非要纠结用哪个好，请参考：http://tomazkovacic.com/blog/2011/06/09/evaluating-text-extraction-algorithms/
内容去重
另一个问题，采集到重复的内容咋办？
本渣渣之前用过两个办法。
第一种：
首先我们已经限定有效内容需要满足哪些指标，比如字数必须大于150字，才算有效内容，小于150字的删除不入库。那么大于150字的内容一般都有4个以上标点符号。
XXXXXXX，XXXXXXXXX。XXX：“XXXXXX，XXXXXXXXXXXX。XXXXXX，XXXXXXXXXX，XXXXXXXX，XXXXXX。XXX？” XXXX，XXXXXXX。XXXXXXX；XXXX；XXXXXXXX；XXXXXX，XXXXXXXXXX，XXXXXXXX，XXXXXX - XXX!
所以每篇文章，从第2个标点符号开始，连续提取两个标点符号之间的文本，且字数大于7的，直至提取3个文本段。
然后将这3个文本段合并成一个，将文本段重复的文章去重，只保留一个。因为连续3个文本段相同的文章基本都是重复的，而且是完全重复，改都没改的。
第二种
用现成的文本去重算法，依旧Google搜索，一堆现成的解决方案，如simhash、Shingling…..
首先对所有抓回来的文本清洗，去除无关词汇，如停止词、助词（的地得..）什么的，然后再通过上述的解决方案来计算相似文档。
哪个好？本渣渣觉得都一般，没觉得哪个好，但都可以凑活用。。。
但都有个问题，一旦文章量大起来，比如上了几百万，程序跑起来很慢，巨烧CPU，怎么办？？
于是就沿用第一种办法的思路，不分析全文了，直接找出每篇文章的最长的n句话，做一遍hash签名，然后还是用上述现成的算法去跑，n一般取3。不但运行速度快了很多，找相似文章的最终效果貌似也比之前好了。
