package com.mifan.wxrank.distinct;
import java.io.IOException;
import java.math.BigInteger;
import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;
import com.hankcs.hanlp.seg.common.Term;
import com.hankcs.hanlp.tokenizer.NLPTokenizer;
import org.apache.commons.lang.StringUtils;
import org.jsoup.Jsoup;
import org.jsoup.safety.Whitelist;
/**
* Created by LiuKai on 2018/9/17.
*/
public class Simhash {
private String tokens; //要输入字符串
public BigInteger intSimHash; //文章最后产生的hash值
public String strSimHash; //文章最后产生的hash值 二进制类型的
private int hashbits = 64; // 分词后的hash数;
public Simhash(String tokens) {
this.tokens = tokens;
}
public Simhash(int hashbits, String tokens) {
this.hashbits = hashbits;
this.tokens = tokens;
}
public Simhash(String tokens, int hashbits) {
this.tokens = tokens;
this.hashbits = hashbits;
this.intSimHash = this.simHash();
}
/**
* 清除html标签
*
* @param content
* @return
*/
private String cleanResume(String content) {
// 若输入为HTML,下面会过滤掉所有的HTML的tag
content = Jsoup.clean(content, Whitelist.none());
content = StringUtils.lowerCase(content);
String[] strings = {" ", "\n", "\r", "\t", "\\r", "\\n", "\\t", " "};
for (String s : strings) {
content = content.replaceAll(s, "");
}
return content;
}
public BigInteger simHash() {
tokens = cleanResume(tokens); //清理一些特殊字符
int[] v = new int[this.hashbits]; // 定义特征向量/数组
List<Term> termList = NLPTokenizer.segment(this.tokens); // 1、中文分词,分词器采用 hanlp
List<Term> stringList = CommonUtil.filterStopWords(termList); //2、停用词移除
Map<String, Integer> weightOfNature = new HashMap<String, Integer>(); // 词性的权重
weightOfNature.put("n", 2); //给名词的权重是2;
for (Term string : stringList) { // 2、将每一个分词hash为一组固定长度的数列.比如 64bit 的一个整数.
String nature = string.nature.toString(); //得到这个词的词性
for (int i = 0; i < this.hashbits; i++) {
BigInteger t = this.hash(string.word);
BigInteger bitmask = new BigInteger("1").shiftLeft(i);
// 3、建立一个长度为64的整数数组(假设要生成64位的数字指纹,也可以是其它数字),
// 对每一个分词hash后的数列进行判断,如果是1000...1,那么数组的第一位和末尾一位加1,
// 中间的62位减一,也就是说,逢1加1,逢0减1.一直到把所有的分词hash数列全部判断完毕.
int weight = 1; //添加权重
if (weightOfNature.containsKey(nature)) {
weight = weightOfNature.get(nature);
}
if (t.and(bitmask).signum() != 0) {
// 这里是计算整个文档的所有特征的向量和
// 这里实际使用中需要 +- 权重
v[i] += weight;
} else {
v[i] -= weight;
}
}
}
BigInteger fingerprint = new BigInteger("0");
StringBuilder simHashBuffer = new StringBuilder();
for (int i = 0; i < this.hashbits; i++) {
// 4、最后对数组进行判断,大于0的记为1,小于等于0的记为0,得到一个 64bit 的数字指纹/签名.
if (v[i] >= 0) {
fingerprint = fingerprint.add(new BigInteger("1").shiftLeft(i));
simHashBuffer.append("1");
} else {
simHashBuffer.append("0");
}
}
this.strSimHash = simHashBuffer.toString();
System.out.println(this.strSimHash + " length " + this.strSimHash.length());
return fingerprint;
}
public int hammingDistance(Simhash other) {
BigInteger x = this.intSimHash.xor(other.intSimHash);
int tot = 0;
// 统计x中二进制位数为1的个数
// 我们想想,一个二进制数减去1,那么,从最后那个1(包括那个1)后面的数字全都反了,
// 对吧,然后,n&(n-1)就相当于把后面的数字清0,
// 我们看n能做多少次这样的操作就OK了。
while (x.signum() != 0) {
tot += 1;
x = x.and(x.subtract(new BigInteger("1")));
}
return tot;
}
public static int hammingDistance(BigInteger a, BigInteger b) {
BigInteger x = a.xor(b);
int tot = 0;
// 统计x中二进制位数为1的个数
// 我们想想,一个二进制数减去1,那么,从最后那个1(包括那个1)后面的数字全都反了,
// 对吧,然后,n&(n-1)就相当于把后面的数字清0,
// 我们看n能做多少次这样的操作就OK了。
while (x.signum() != 0) {
tot += 1;
x = x.and(x.subtract(new BigInteger("1")));
}
return tot;
}
public List subByDistance(Simhash simHash, int distance) {
// 分成几组来检查
int numEach = this.hashbits / (distance + 1);
List characters = new ArrayList();
StringBuilder buffer = new StringBuilder();
int k = 0;
for (int i = 0; i < this.intSimHash.bitLength(); i++) {
// 当且仅当设置了指定的位时,返回 true
boolean sr = simHash.intSimHash.testBit(i);
if (sr) {
buffer.append("1");
} else {
buffer.append("0");
}
if ((i + 1) % numEach == 0) {
// 将二进制转为BigInteger
BigInteger eachValue = new BigInteger(buffer.toString(), 2);
System.out.println("----" + eachValue);
buffer.delete(0, buffer.length());
characters.add(eachValue);
}
}
return characters;
}
private BigInteger hash(String source) {
if (source == null || source.length() == 0) {
return new BigInteger("0");
} else {
char[] sourceArray = source.toCharArray();
BigInteger x = BigInteger.valueOf(((long) sourceArray[0]) << 7);
BigInteger m = new BigInteger("1000003");
BigInteger mask = new BigInteger("2").pow(this.hashbits).subtract(new BigInteger("1"));
for (char item : sourceArray) {
BigInteger temp = BigInteger.valueOf((long) item);
x = x.multiply(m).xor(temp).and(mask);
}
x = x.xor(new BigInteger(String.valueOf(source.length())));
if (x.equals(new BigInteger("-1"))) {
x = new BigInteger("-2");
}
return x;
}
}
// public static void main(String[] args) throws IOException {
// String s = "传统的 hash 算法只负责将原始内容尽量均匀随机地映射为一个签名值,"
// + "原理上相当于伪随机数产生算法。产生的两个签名,如果相等,说明原始内容在一定概 率 下是相等的;"
// + "如果不相等,除了说明原始内容不相等外,不再提供任何信息,因为即使原始内容只相差一个字节,"
// + "所产生的签名也很可能差别极大。从这个意义 上来 说,要设计一个 hash 算法,"
// + "对相似的内容产生的签名也相近,是更为艰难的任务,因为它的签名值除了提供原始内容是否相等的信息外,"
// + "还能额外提供不相等的 原始内容的差异程度的信息。";
// Simhash hash1 = new Simhash(s, 64);
// System.out.println(hash1.intSimHash + " " + hash1.intSimHash.bitLength());
// // 计算 海明距离 在 3 以内的各块签名的 hash 值
// hash1.subByDistance(hash1, 3);
//
// // 删除首句话,并加入两个干扰串
// s = "中国研究发现,这个问题,传统的 hash 算法只负责将原始内容尽量均匀随机地映射为一个签名值,"
// + "原理上相当于伪随机数产生算法。产生的两个签名,如果相等,说明原始内容在一定概 率 下是相等的;"
// + "如果不相等,除了说明原始内容不相等外,不再提供任何信息,因为即使原始内容只相差一个字节,"
// + "所产生的签名也很可能差别极大。从这个意义 上来 说,要设计一个 hash 算法,"
// + "对相似的内容产生的签名也相近,是更为艰难的任务,因为它的签名值除了提供原始内容是否相等的信息外,"
// + "还能额外提供不相等的 原始内容的差异程度的信息。";
// Simhash hash2 = new Simhash(s, 64);
// System.out.println(hash2.intSimHash + " " + hash2.intSimHash.bitCount());
// hash1.subByDistance(hash2, 3);
//
// System.out.println("============================");
//
// System.out.println(hash1.hammingDistance(hash2));
//
// int n = hammingDistance(hash1.intSimHash, hash2.intSimHash);
// System.out.println(n);
// }
}
使用hanlp进行了分词,和 停用词的排除。还有就是移除了html的标签。对于各种类型的词语进行加权处理。
来源:CSDN
作者:庸医2048
链接:https://blog.csdn.net/qq_20120669/article/details/82866182