由于长度固定，易于比较。 能够找到接近重复的。 与许多其他算法不同，它们将页面上的微小变化等同于散列中的微小变化。 这最后意味 手机号码列表 着可以通过算法测量任何两个指纹之间的差异并以百分比表示。 为了降低评估每一对页面的成本，谷歌采用了以下技术： 聚类：通过将一组足够相似的页面组合在一起，只需要比较聚类中的指纹，因为其他所有 手机号码列表 内容都已经被归类为不同的。 估计：对于特别大的集群，在计算一定数量的指纹对后应用平均相似度。
比较页面指纹。 来源：网络抓取的近似重复文档检测（谷歌专利） 最后，Google 使用加权相似率排除某些相同内容的块（样板：页眉、导航、侧边栏、手机号码列表 页脚；免责声明）。 它使用 n-gram 分析来考虑页面的主题，以确定页面上出现最频繁的单词，以及在站点上下文中最重要的单词。 使用 Simhash 分析重复内容 我们将查看使用 Simhash 标记为相似 手机号码列表 的内容集群的地图。 这张来自 OnCrawl 的图表覆盖了对重复内容集群上的重复内容策略的分析。
OnCrawl 的内容分析还包括相似率、手机号码列表 内容聚类和 n-gram 分析。 OnCrawl 还在研究一个实验性热图，表明每个内容块的相似性，可以覆盖在网页上。 通过内容相似性映射网站。 每个块代表一组相似的内容。 颜色表示每个集群的规范化策略的一致性手机号码列表 。 来源：OnCrawl。 使用规范验证集群 使用规范 URL 指示一组相 手机号码列表 似页面中的主页是一种有意将页面聚类的方法。