simhash是google用来处理海量文本去重的算法
将一个文档，转换成一个64位的字节，称之为特征字，然后判断重复只需要判断他们的特征字的距离是不是<n（根据经验这个n一般取值为3），就可以判断两个文档是否相似
simhash算法分为5个步骤：分词、hash、加权、合并、降维
