simhash算法：海量千万级的数据去重

simhash算法及原理参考：

简单易懂讲解simhash算法 hash 哈希：https://blog.csdn.net/le_le_name/article/details/51615931html

simhash算法及原理简介：https://blog.csdn.net/lengye7/article/details/79789206python

使用SimHash进行海量文本去重：https://www.cnblogs.com/maybe2030/p/5203186.html#_label3算法

python实现：

python使用simhash实现文本类似性对比（全代码展现）：http://www.javashuo.com/article/p-ritxpaev-kg.html数据结构

simhash的py实现：https://blog.csdn.net/gzt940726/article/details/80460419app

python库simhash使用

详情请查看：https://leons.im/posts/a-python-implementation-of-simhash-algorithm/post

（1）查看simhash值spa

>>> from simhash import Simhash >>> print '%x' % Simhash(u'I am very happy'.split()).value 9f8fd7efdb1ded7f

Simhash()接收一个token序列，或者叫特征序列。.net

（2）计算两个simhash值距离code

>>> hash1 = Simhash(u'I am very happy'.split()) >>> hash2 = Simhash(u'I am very sad'.split()) >>> print hash1.distance(hash2)

（3）创建索引htm

simhash被用来去重。若是两两分别计算simhash值，数据量较大的状况下确定hold不住。有专门的数据结构，参考：http://www.cnblogs.com/maybe2030/p/5203186.html#_label4

from simhash import Simhash, SimhashIndex # 创建索引
data = { u'1': u'How are you I Am fine . blar blar blar blar blar Thanks .'.lower().split(), u'2': u'How are you i am fine .'.lower().split(), u'3': u'This is simhash test .'.lower().split(), } objs = [(id, Simhash(sent)) for id, sent in data.items()] index = SimhashIndex(objs, k=10) # k是容忍度；k越大，检索出的类似文本就越多 # 检索
s1 = Simhash(u'How are you . blar blar blar blar blar Thanks'.lower().split()) print index.get_near_dups(s1) # 增长新索引
index.add(u'4', s1)