基于hash的文档判重——simhash

本文环境：

• python3.5

• ubuntu 16.04

第三方库：

• jieba

文件寄于github: https://github.com/w392807287/angelo_tools.git

---

simhash介绍

没多久就要写毕业论文了，据说需要查重，对文档重复判定还挺好奇的所以看了下相关的东西。发现simhash比较好用，实现简单。

顾名思义 simhash是一种hash算法，以前在我印象中hash算法是将一个对象映射成一个hash值，一般只要求当两个对象完全相同时才有相同的hash值，而两个相似的对象的hash值并不需要有任何关系。只相差一个字符hash出来的值也可能相差十万八千里。但是如果hash函数设计的足够巧妙，也可以让相似的对象拥有相同或者相似的hash值，使用hash来进行相似性搜索更方便快捷。
simhash就是这么一个神奇的算法。它满足：

• 当两个对象的距离不大于d1时，它们的hash值相同的概率不小于p1，即如d(x, y) ≤ d1，则P(hash(x) = hash(y)) ≥ p1.
• 当两个对象的距离不小于d2时，它们的hash值相同的概率不大于p2，即如d(x, y) ≥ d2，则P(hash(x) = hash(y)) ≥ p2.

simhash可以将文档hash到一个64位二进制数，使得相似的文档具有相似的二进制数。对于一个文档，我们可以把文中的每个词或者词组作为一个特征，统计各个特征出现的频率（当然也可以加入词性的权重，怎么去设置、统计特征可以视情况而定）。下面的例子中我们使用 jieba 做分词。

目标文档 “葫芦娃葫芦娃，一根藤上七朵花”，得到的特征与相应的频率：（葫芦娃，0.33），（一根，0.17，（藤上，0.17），（七朵，0.17），（花，0.17）。然后对特征值进行hash，方便演示这里映射到6位：

• 葫芦娃：100100
• 一根：010101
• 藤上：101010
• 七朵：111010
• 花：001010
  然后根据二进制数的各个二进制位，我们队每个特征构造一个向量。如果一个特征映射到的二进制数的某一位是1，则其向量对应位置上的分量为该特征的频率，否则为频率的相反数。如：
  葫芦娃：（0.33，-0.33，-0.33，0.33，-0.33，-0.33）
  ……
  将向量相加，得到（0.33，-0.33，0，0，0，-0.66）
  对于每个分量，如果大于0就取1，否则取0，这样就能得到二进制数的simhash，即100000。

在文本中，出现频率高的特征，其对应的向量分量的绝对值更大，对最终向量相加的结果影响也更大。因此，如果两个文档相似，那么它们出现频率高的特征也应该比较接近，最终得到的hash值也就越接近。在google网页的检索中，64位hash中至多有3个二进制位不同可判定为相似文档。

算法实现

def simhash(cls, s, RE=None, cut_func=None):
  if RE:
     REX = RE
 else:
    REX = re.compile(u'[\u4e00-\u9fa5]+')
  if not cut_func:
    cut_func = cls.cut_func    #jieba.cut
  cut = [x for x in cut_func(s) if re.match(REX, x)]
  ver = [[v * (int(x) if int(x) > 0 else -1) for x in k] for k, v in cls.hist(cut).items()]
  ver = np.array(ver)
  ver_sum = ver.sum(axis=0)
  sim = ''.join(['1' if x > 0 else '0' for x in ver_sum])
  return sim

首先我们用正则定义了感兴趣的区域，这里我们只取我们感兴趣的中文。然后我们定义了分词所用的函数，这里使用的是jieba分词。
然后我们得到分词的结果：
cut = [x for x in cut_func(s) if re.match(REX, x)]
得到向量矩阵：
ver = [[v * (int(x) if int(x) > 0 else -1) for x in k] for k, v in cls.hist(cut).items()]
为了方便计算我们引入numpy帮我们做矩阵计算：

ver = np.array(ver)
ver_sum = ver.sum(axis=0)

最后将计算结果转换为二级制hash。因为我们这里使用的32位md5给分词结果做的hash所以最后得到的hash值也是32位的：

11111101011001101110111100101101

其中我们用到了几个工具函数：

@classmethoddef
hist(cls, cut):
  _cut = {x: 0 for x in set(cut)}
  for i in cut:
    _cut[i] += 1
  return {cls.hash_bin(k): v/len(cut) for k, v in _cut.items()}

hist函数是将分词列表转换为特征频率向量的。

@classmethoddef
hash2bin(cls, hash):
  d = ''
  for i in hash:
  try:
    if int(i) > 7:
      d = d + '1'
    else:
      d = d + '0'
    except ValueError:
      d = d + '1'
    return d
@classmethoddef
hash_bin(cls, s):
  h = hashlib.md5(s.encode()).hexdigest()
  return cls.hash2bin(h)

其中hash_bin函数用来将字符Hash成二级制hash值，基础hash算法为32位md5。
hash2bin函数是将16进制hash值映射成二进制hash。
为了方便比较我们使用海明距离来判定两个hash值的相似度：

@staticmethoddef
haiming(s1, s2):
  x = 0
  for i in zip(s1, s2):
    if i[0] != i[1]:
      x += 1
return x

---

效果

1993年，南京大学有这样一个男生寝室，四个男生都没有女朋友，于是搞了个组合叫“名草无主四大天王”。这四大天王坚持每晚举行“卧谈会”，从各种学术上讨论如何摆脱光棍状态。这一年的11月，校园的梧桐树落叶凋零，令他们分外伤情。他们在11日这一天晚上卧谈时，符号学的灵感突然登门造访。11月11日，四个1字排开，不正是好像四根光秃秃的棍子吗？这四根光棍不正是在巧妙地诉说着“名草无名四大天王”的凄凉吗？

*

知乎上有个提问，小时候缺爱的女孩子，长大后该怎么办？或许在我这里，只是希望一直有人陪。喜宝说，我想要很多很多的爱，要不就是很多很多的钱，实在不行，有健康也是好的。我有个坏毛病，经常会半夜饿到不行，爬起来找吃的。是真的饿到胃疼，有时候直接饿醒了，每次看到电影里的台词，睡着了就不饿了，我是压根不相信。为什么会半夜饿？究其原因，是大学的时候没人陪我吃饭，每次都是一直等到有人陪我的时候，我才会去吃饭，最后把自己饿到胃疼，久而久之，就渐渐习惯了熬到很晚才吃饭。我不喜欢一个人吃饭，也不喜欢一个人逛街，更不喜欢一个人呆着，可是成长啊，往往是越不喜欢的便越要学会接受它。（二）讲讲上一段恋爱吧。我和他认识的时候，是因为贴吧聚餐，他主动找我要的微信，附带一个如沐春风般的笑容。我一直以为他是被我的美色打动，后来问他原因。他说，他第一次看见那么能吃的女孩子，他惊呆了，可是有觉得看我吃饭很意思，仿佛食物都有了灵魂，让人的心情莫名的好了起来。我们初相识，是因为他看见了我饿死鬼投胎的吃相。我们在一起，是因为他厨艺很好，好到什么程度呢？就是那种你吃过一顿，就能惦记一辈子的感觉。即便是现在回忆起他来，我的味蕾都会有反应。他总是给我做很多很多好吃的，午后阳光从窗子洒进来，窗帘是淡绿色的小碎花，空气里弥漫着饭香味，我们两个人坐在桌前，一边吃饭，一边聊天。我喜欢和他一起手挽着手去菜市场买菜，西红柿土豆黄瓜小白菜，手里拎着的这些果蔬食物，就好像我拥有的全世界。有一次，我们从菜市场回去的路上，明明是艳阳高照的天气，却突然间下起了冰雹，那是他第一次看见冰雹，被砸了一下之后，便立马丢了手里的菜，双手护住我，我傻了吧唧的去捡菜，被砸了一身。他立马臭骂了我一顿，说我是他见过，最好吃的女孩子了。

以上是简书一片文章中的节选。
两个的simhash是
11111101011001101110111100101101
00101101001010110001100000101110
海明距离为16。

知乎上有个提问，小时候缺爱的女孩子，长大后该怎么办？或许在我这里，只是希望一直有人陪。喜宝说，我想要很多很多的爱，要不就是很多很多的钱，实在不行，我有个坏毛病，经常会半夜饿到不行，爬起来找吃的。是真的饿到胃疼，有时候直接饿醒了，每次看到电影里的台词，睡着了就不饿了，我是压根不相信。究其原因，是大学的时候没人陪我吃饭，每次都是一直等到有人陪我的时候，我才会去吃饭，最后把自己饿到胃疼，久而久之我不喜欢一个人吃饭，也不喜欢一个人逛街，更不喜欢一个人呆着，可是成长啊，往往是越不喜欢的便越要学会接受它。我和他认识的时候，是因为贴吧聚餐，他主动找我要的微信，附带一个如沐春风般的笑容。我一直以为他是被我的美色打动，后来问他原因。他说，他第一次看见那么能吃的女孩子，他惊呆了，可是有觉得看我吃饭很意思，仿佛食物都有了灵魂，让人的心情莫名的好了起来。我们初相识，是因为他看见了我饿死鬼投胎的吃相。我们在一起，是因为他厨艺很好，好到什么程度呢？就是那种你吃过一顿，就能惦记一辈子的感觉。即便是现在回忆起他来，我的味蕾都会有反应。他总是给我做很多很多好吃的，午后阳光从窗子洒进来，窗帘是淡绿色的小碎花，空气里弥漫着饭香味，我们两个人坐在桌前，一边吃饭，一边聊天。我喜欢和他一起手挽着手去菜市场买菜，西红柿土豆黄瓜小白菜，手里拎着的这些果蔬食物，有一次，我们从菜市场回去的路上，明明是艳阳高照的天气，却突然间下起了冰雹，那是他第一次看见冰雹，被砸了一下之后，便立马丢了手里的菜，双手护住我，我傻了吧唧的去捡菜，被砸了一身。他立马臭骂了我一顿，说我是他见过，最好吃的女孩子了。

这段是第二段稍加修改，simhash为：
00100101001010110000100000101110

与第二段的海明距离为2
可以看出效果还是很明显的。

---

能序列化的东西都能hash，也就都能比较相似度。simhash属于局部敏感哈希（Local-Sensitive Hashing, LSH），下次讲讲如何比较图片的相似度，使用感知哈希（Perceptual Hashing)。