常用的文本去重代码:

article/2025/6/4 23:06:40

常用的文本去重代码:
本代码用到了simhash库(https://github.com/yanyiwu/simhash)
在这里插入图片描述

import re
import os
from pathlib import Path
import json
from simhash import Simhashdef droplike(lines):def distance(v1, v2, f=64):x = (v1 ^ v2) & ((1 << f) - 1)ans = 0while x:ans += 1x &= x - 1return ansvalues = []for line in lines:seq, text = re.split(r'\s+', line, maxsplit=1)text_del = re.sub(r'{[a-z]+\d}|\W', '', text)values.append(Simhash(text_del).value)lines_new = []for i, line in tqdm(enumerate(lines), total=len(lines)):v1 = values[i]flag = Truefor j, v2 in enumerate(values[:i]):dist = distance(v1, v2)if dist <= 3:print(line, lines[j])flag = Falsebreakif flag:lines_new.append(line)return lines_newdef droplike_file(sour_file):lines = []with open(sour_file, 'r', encoding='utf-8') as f_in:for line in f_in:line = line.strip()if not line:continuelines.append(line)lines = droplike(lines)with open(sour_file, 'w', encoding='utf-8') as f_out:for line in lines:seq, text = re.split(r'\s+', line, maxsplit=1)f_out.write('{} {}\n'.format(seq, text))

http://chatgpt.dhexx.cn/article/Ry7ALbT3.shtml

相关文章

simhash海量文本去重的工程化

https://yuerblog.cc/2018/05/30/simhash-text-unique-arch/ simhash算法是google发明的&#xff0c;专门用于海量文本去重的需求&#xff0c;所以在这里记录一下simhash工程化落地问题。 下面我说的都是工程化落地步骤&#xff0c;不仅仅是理论。 背景 互联网上&#xff0…

自然语言处理学习笔记5:去重处理之使用SimHash进行海量文本去重

摘要: 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&#xff0c;原理上仅相当于伪随机数产生算法。传统的hash算法产生的两个签名&#xff0c;如果原始内容在一定概率下是相等的&#xff1b;如果不相等&#xff0c;除了说明原始内容不相等外&#xff0c;不再…

python编写url文本去重和url探测存活一体化工具

因为项目需要&#xff0c;长时间使用360的quake和奇安信的hunter进行资产收集。但是收集到的资产很多无法访问&#xff0c;hunter的都是200。所以写了一个简单的脚本&#xff0c;让quake和hunter进行对比&#xff0c;去掉重复部分&#xff0c;然后再探测存活&#xff0c;存活ur…

使用NotePad++快速实现字符串统计/抽取,以及使用Notepad进行文本去重

软件测试技术交流群 : 1、QQ交流群&#xff1a;群号 429183023 2、添加JeongJinWin&#xff0c;或者扫描头像二维码 背景&#xff1a;日常工作中&#xff0c;可能在Windows下需要对一些文本进行解析&#xff0c;抽取出某种类型的字段、或者特定字符串&#xff0c;在Linux下可…

在线文本去重统计工具

在线文本去重统计工具 在线文本去重统计工具 本工具可以统计文本列表的重复项以及统计每个重复项出现的次数。 本工具可以统计文本列表的重复项以及统计每个重复项出现的次数。 本工具可以统计文本列表的重复项以及统计每个重复项出现的次数。 https://tooltt.com/unique/

论__大量文本内容去重的方式

论__大量文本内容去重的方式 本文由 Luzhuo 编写,请尊重个人劳动成果,转发请保留该信息. 原文: http://blog.csdn.net/Rozol/article/details/50640179 微博: http://weibo.com/u/2524456400 最近拿到大量的文本文件,文件的大小少个几十M,多则几十G,这么多且大的文本想必有很…

[039]文本去重、过滤——文本指纹

1. 文本指纹介绍 互联网网页存在大量的重复内容网页&#xff0c;无论对于搜索引擎的网页去重和过滤、新闻小说等内容网站的内容反盗版和追踪、还是社交媒体等文本去重和聚类&#xff0c;都需要对网页或者文本进行去重和过滤。 最简单的文本相似性计算方法可以利用空间向量模型&…

TXT文本去重 TXT去重 TXT文本合并去重工具 —— 20亿行130GB的数据只需60分钟

例如&#xff1a;多个TXT大数据文本文件合并以及文本行去重 130GB20亿行数据60分钟即可完成去重操作 测试数据大小&#xff1a;20亿行130GB的数据只需60分钟 平均去重速度&#xff1a;2000000000(行) 3600(秒) ‬ 555555(行/秒)≈55万行/秒 作者QQ&#xff1a;24759362 以…

文本去重:sim哈希算法

站在巨人_啊哈、zstu_翊、lengye7、黑夜路人的肩膀上~ 分析数据前&#xff0c;我们需要对数据去重&#xff0c;如何选择和设计文本的去重算法&#xff1f; 常见的去重算法有&#xff1a;余弦夹角算法、欧式距离、Jaccard相似度、最长公共子串、编辑距离等。这些算法是先将两篇文…

文本去重的技术方案讨论(一)

转发请注明出处&#xff1a;https://blog.csdn.net/HHTNAN 对于文本去重来说&#xff0c;我个人处理上会从数据量、文本特征、文本长度&#xff08;短文本、长文本&#xff09;几个方向考虑。 常见的去重任务&#xff0c;如网页去重&#xff0c;帖子去重&#xff0c;评论去重等…

git 生成公钥 及使用笔记

1.输入 ssh-keygen -t rsa -C 2101419675qq.com 2.一路回车&#xff0c; 提示输入文件名和密码都直接回车 3.公钥就生成了&#xff0c;路径为 4.在GitHub或gittree中直接将id_rsa.pub中的内的内容加在sskey中就行 下面是gittree 5.其它 mkdir test cd test git init touch …

git生成公钥私钥(windows)

配置用户名和邮箱 git config --global user.name "v_sunhaojie" $ git config --global user.email "v_sunhaojiebaidu.com" 会在当前用户的目录下(C:\Users\v_sunhaojie)生成 .gitconfig文件 [user] name v_sunhaojie email v_sunhaoji…

git生成公钥的步骤

git生成公钥的步骤 1. 设置Git账户2.生成命令 1. 设置Git账户 命令如下 git config user.name &#xff08;查看git账户&#xff09; git config user.email &#xff08;查看git邮箱&#xff09; git config --global user.name “账户名” &#xff08;设置全局账户名和邮箱…

【Git】ssh公钥如何生成

1. 在C盘用户目录文件下找到.ssh文件&#xff08;若之前未生成.ssh则进行第2步&#xff09; 里面保存的是之前生成的文件&#xff0c;将.ssh文件夹删除。 2. 右键&#xff0c;点击git bash here&#xff0c;进入git界面 3. 输入ssh-keygen -t rsa -C *.com &#xff0c;连点三…

git配置公钥

一、 生成.ssh文件 在桌面打开Git Bash&#xff0c;输入以下命令&#xff1a; ssh-keygen -t rsa -C "你的邮箱xxx.com"一直按回车&#xff0c;出现以下界面表示生成ssh文件成功 二、 找到id_rsa.pub文件 到C盘下找到.ssh文件夹&#xff1a;C:\Users\86187.ssh&am…

使用Git工具生成公钥与私钥

生成密钥对 keytool -genkeypair -alias shopping -keyalg RSA -keypass shopping -keystore shopping.jks -validity 365 -storepass shopping 解析私钥 keytool -list -rfc --keystore shopping.jks | openssl x509 -inform pem -pubkey 输入口令即可

超简单git生成ssh公钥(ssh-keygen)

首先在桌面右键&#xff0c;点击Git bash Here 在命令窗口输入 ssh-keygen -t rsa -C "你的邮箱地址" 回车 这时让你输入密码&#xff0c;这个密码会在你提交项目时使用 然后直接三个回车 到达最后 你会发现桌面上会有一个.pub的文件&#xff0c;右键用记事本打开…

【技术分享】Mac环境下git生成SSH公钥

文章目录 1.查看本机的ssh公钥2.生成ssh公钥 1.查看本机的ssh公钥 ①终端进入~/.ssh目录 cd ~/.ssh②使用ls命令查看&#xff0c;如果有id_rsa.pub文件说明已经生成了公钥。 ls③使用cat命令查看公钥具体内容&#xff0c;如下图所示 cat id_rsa.pub2.生成ssh公钥 注意XXXX…

git ssh key的配置,git生成ssh公钥

git clone支持https和git&#xff08;即ssh&#xff09;两种方式下载源码。 使用git方式下载时&#xff0c;如果没有配置过ssh key&#xff0c;则会有如下错误提示&#xff1a; 1.首先配置用户名&#xff0c;邮箱。 git config --global user.name "这里换上你的用户名…

【Git】Gitee生成/添加SSH公钥

Gitee 提供了基于SSH协议的Git服务&#xff0c;在使用SSH协议访问仓库之前&#xff0c;需要先配置好账户/仓库的SSH公钥。 按如下命令来生成 sshkey: ssh-keygen -t ed25519 -C "xxxxxxxxxx.com" 注意&#xff1a;这里的 xxxxxxxxxx.com 只是生成的 sshkey 的名称…