什么是文本指纹算法？

文本指纹算法基于这样一个基本思想：为每个文档计算出一组指纹（fingerprint），若两个文档拥有一定数量的相同指纹，则认为这两个文档的内容重叠性较高，也即二者是内容转载的。

算法把一篇网页按一定的原则分成N段（如每n行作为一段），然后对每一段进行签名（即计算指纹），于是每一篇文档就可以用N个签名后的指纹来表示。对于两篇文档，当它们的N个签名中有M个相同时（m是系统定义的阈值），则认为它们是互为转载的网页。