天之道，其猶張弓歟？高者抑之，下者舉之en馀者損之，不足者補之，天之道損有馀而補不足。人之道則不然，損不足以奉有馀。孰能有馀以奉天下，唯有道者。（道法自然）自然規(guī)律，就猶如射箭一樣，弓位高了就往下壓一壓（高者抑之）,弓位低了就往上抬一抬（下者
天之道，其猶張弓歟？高者抑之，下者舉之en馀者損之，不足者補之，天之道損有馀而補不足。人之道則不然，損不足以奉有馀。孰能有馀以奉天下，唯有道者。（道法自然）自然規(guī)律，就猶如射箭一樣，弓位高了就往下壓一壓（高者抑之）,弓位低了就往上抬一抬（下者舉之）。用多余去補不足。人之道（規(guī)律），則不是這樣。它是損不足去奉多余。什么樣的人才能用有余去奉天下呢？唯有有道者。因此圣人為而恃，功成而不處，不會去想在眾人面前立賢名，以均天下。搜索所遵循就是這樣的一個規(guī)律。
據(jù)統(tǒng)計表明，近似重復(fù)網(wǎng)頁的數(shù)量占總網(wǎng)頁數(shù)量的比例高達(dá)全部頁面的29%，而完全相同的頁面大約占全部頁面的22%,即互聯(lián)網(wǎng)頁面中有相當(dāng)大的比例的內(nèi)容是完全相同或者大體相近的重復(fù)網(wǎng)頁有多種類型，這些重復(fù)網(wǎng)頁有的是沒有一點兒改動的副本，有的在內(nèi)容上稍做修改，
石家莊網(wǎng)站建設(shè)介紹，比如同一文章的不同版本，一個新一點，一個老一點，有的則僅僅是網(wǎng)頁的格式不同（如HTML、Postscript）。內(nèi)容重復(fù)可以歸結(jié)為以下4種類型。
· 類型一：如果兩篇文檔內(nèi)容和布局格式上毫無差別，則這種重復(fù)可以叫做完全重復(fù)頁面。
· 類型二：如果兩篇文檔內(nèi)容相同，但是布局格式不同，則叫做內(nèi)容重復(fù)頁面。
· 類型三：如果兩篇文檔有部分重要的內(nèi)容相同，并且布局格式相同，則稱為布局重復(fù)頁面。
· 類型四：如果兩篇文檔有部分重要的內(nèi)容相同，但是布局格式不同，則稱為部分重復(fù)頁面。
所謂近似重復(fù)網(wǎng)頁發(fā)現(xiàn)，就是通過技術(shù)手段快速全面發(fā)現(xiàn)這些重復(fù)信息的手段，如何快速準(zhǔn)確地發(fā)現(xiàn)這些內(nèi)容上相似的網(wǎng)頁已經(jīng)成為提高搜索引擎服務(wù)質(zhì)量的關(guān)鍵技術(shù)之一。
發(fā)現(xiàn)完全相同或者近似重復(fù)網(wǎng)頁對于搜索引擎有很多好處。
1. 首先，如果我們能夠找出這些重復(fù)網(wǎng)頁并從數(shù)據(jù)庫中去掉，就能夠節(jié)省一部分存儲空間，進而可以利用這部分空間存放更多的有效網(wǎng)頁內(nèi)容，同時也提高了搜索 引擎的搜索質(zhì)量和用戶體驗。
2. 其次，如果我們能夠通過對以往收集信息的分析，預(yù)先發(fā)現(xiàn)重復(fù)網(wǎng)頁，在今后的 網(wǎng)頁收集過程中就可以避開這些網(wǎng)頁，從而提高網(wǎng)頁的收集速度。有研究表明重 復(fù)網(wǎng)頁隨著時間不發(fā)生太大變化，所以這種從重復(fù)頁面集合中選擇部分頁面進行 索引是有效的。
3. 另外，如果某個網(wǎng)頁的鏡像度較高，往往是其內(nèi)容比較受歡迎的一種間接體現(xiàn)也就預(yù)示著該網(wǎng)頁相對重要，在收集網(wǎng)頁時應(yīng)賦予它較高的優(yōu)先級，而當(dāng)搜索引擎系統(tǒng)在響應(yīng)用戶的檢索請求并對輸出結(jié)果排序時，應(yīng)該賦予它較高的權(quán)值。
4. 從另外一個角度看，如果用戶點擊了一個死鏈接，那么可以將用戶引導(dǎo)到一個內(nèi)容相同頁面，這樣可以有效地增加用戶的檢索體驗。因而近似重復(fù)網(wǎng)頁的及時發(fā)現(xiàn)有利于改善搜索引擎系統(tǒng)的服務(wù)質(zhì)量。
實際工作的搜索引擎往往是在爬蟲階段進行近似重復(fù)檢測的，下圖給出了近似重復(fù)檢測任務(wù)在搜索引擎中所處流程的說明。當(dāng)爬蟲新抓取到網(wǎng)頁時，需要和已經(jīng)建立到索引內(nèi)的網(wǎng)頁進行重復(fù)判斷，如果判斷是近似重復(fù)網(wǎng)頁，則直接將其拋棄，如果發(fā)現(xiàn)是全新的內(nèi)容，則將其加入網(wǎng)頁索引中。
| 
