SimHash : trouver les pages qui se ressemblent
Summary
Cet article présente SimHash, une approche de hachage sensible à la proximité pour détecter les contenus quasi identiques. Il explique pourquoi MD5 échoue pour des pages similaires, décrit le mécanisme des shingles et la méthode de vote bit par bit, puis donne une implémentation PHP sans dépendances et des conseils d'intégration en base.