百度笔试题
1）此题10分
对任意输入的正整数N，编写C程序求N!的尾部连续0的个数，并指出计算复杂度。如：18！＝6402373705728000，尾部连续0的个数是3。
（不用考虑数值超出计算机整数界限的问题）
编写一个C语言函数，要求输入一个url，输出该url是首页、目录页或者其他url
如下形式叫做首页：
militia.info/
www.apcnc.com.cn/
http://www.cyjzs.comwww.greena888.com/
www.800cool.net/
http://hgh-products.my-age.net/
如下形式叫做目录页：
thursdaythree.net/greenhouses--gas-global-green-house-warming/
http://www.mw.net.tw/user/tgk5ar1r/profile/
http://www.szeasy.com/food/yszt/chunjie/
www.fuckingjapanese.com/Reality/
请注意：
a） url有可能带http头也有可能不带
b）动态url（即含有"？"的url）的一律不算目录页，如：
www.buddhismcity.net/utility/mailit.php?l=/activity/details/3135/
www.buddhismcity.net/utility/mailit.php?l=/activity/details/2449/
另：如果你会linux，请用linux下的grep命令实现第2题的功能（附加5分）。
--------这个可以从后向前扫描
3）此题40分
如果必须从网页中区分出一部分"重要网页"（例如在10亿中选8亿），比其他网页更值得展现给用户，请提出一种方案。
－－－－－－－－
//这个就是排序算法.Google的专利PageRank....
//PageRank,Google宣称有50万个参数....以下这些应该是比较主要的.
排序算法部分参考指标：
指标 加分 减分
网站硬件指标 网站网络好，系统稳定 网站系统不稳定，网络不好
网站包含网页数 总网页数目多 总网页数目少
网页大小 网页大小适中 网页多大或过小
其他网页链到本网页 数目多 数目少
网页内URL数 数目适中 过多或过少
网页相关性 URL连接网页是相关内容 URL连接网页不是相关内容
网页更新/生成日期 日期近的 日期远的
网页类型 静态网页 动态网页
网页内样式 网页设计样式中等 网页设计样式过于复杂或简单
网页具体内容 分词后，各个词权重总和高 分词后，各个词权重总和低
用户访问行为 点击多的网页 点击少的网页
4）此题40分
假设有10亿网页已经被我们存下来，并提供如下信息：网页全文（即网页的源码）、全文长度、网页正文（即网页中提取的主体文字）、
正文长度，以及其他网页提取物等，现在希望去掉其中的重复网页，请提出可行的方案，计算出每个网页对应的重复度，你可以自己
对网页重复下定义，也可以提出需要哪些更多的网页提取物来实现更好的去重复方案
--------------可以使用余弦定理来给每个网页建立一个有意义的hash，参考“ 余弦定理和新闻的分类”。进一步可参考数组的唯一性问题来处理，这个复杂度大概是NlogN的，但网页重复度应该怎么定义呢？
对任意输入的正整数N，编写C程序求N!的尾部连续0的个数，并指出计算复杂度。如：18！＝6402373705728000，尾部连续0的个数是3。
（不用考虑数值超出计算机整数界限的问题）
int countFactorialZero(int n)
{
int count=0;
for(int i=5;i<n;i+=5)
{
int j=i;//注意不要直接用i
while(j%5==0)
{
j/=5;
count++;
}
}
return count;
}
2）此题10分 {
int count=0;
for(int i=5;i<n;i+=5)
{
int j=i;//注意不要直接用i
while(j%5==0)
{
j/=5;
count++;
}
}
return count;
}
编写一个C语言函数，要求输入一个url，输出该url是首页、目录页或者其他url
如下形式叫做首页：
militia.info/
www.apcnc.com.cn/
http://www.cyjzs.comwww.greena888.com/
www.800cool.net/
http://hgh-products.my-age.net/
如下形式叫做目录页：
thursdaythree.net/greenhouses--gas-global-green-house-warming/
http://www.mw.net.tw/user/tgk5ar1r/profile/
http://www.szeasy.com/food/yszt/chunjie/
www.fuckingjapanese.com/Reality/
请注意：
a） url有可能带http头也有可能不带
b）动态url（即含有"？"的url）的一律不算目录页，如：
www.buddhismcity.net/utility/mailit.php?l=/activity/details/3135/
www.buddhismcity.net/utility/mailit.php?l=/activity/details/2449/
另：如果你会linux，请用linux下的grep命令实现第2题的功能（附加5分）。
--------这个可以从后向前扫描
3）此题40分
如果必须从网页中区分出一部分"重要网页"（例如在10亿中选8亿），比其他网页更值得展现给用户，请提出一种方案。
－－－－－－－－
//这个就是排序算法.Google的专利PageRank....
//PageRank,Google宣称有50万个参数....以下这些应该是比较主要的.
排序算法部分参考指标：
指标 加分 减分
网站硬件指标 网站网络好，系统稳定 网站系统不稳定，网络不好
网站包含网页数 总网页数目多 总网页数目少
网页大小 网页大小适中 网页多大或过小
其他网页链到本网页 数目多 数目少
网页内URL数 数目适中 过多或过少
网页相关性 URL连接网页是相关内容 URL连接网页不是相关内容
网页更新/生成日期 日期近的 日期远的
网页类型 静态网页 动态网页
网页内样式 网页设计样式中等 网页设计样式过于复杂或简单
网页具体内容 分词后，各个词权重总和高 分词后，各个词权重总和低
用户访问行为 点击多的网页 点击少的网页
4）此题40分
假设有10亿网页已经被我们存下来，并提供如下信息：网页全文（即网页的源码）、全文长度、网页正文（即网页中提取的主体文字）、
正文长度，以及其他网页提取物等，现在希望去掉其中的重复网页，请提出可行的方案，计算出每个网页对应的重复度，你可以自己
对网页重复下定义，也可以提出需要哪些更多的网页提取物来实现更好的去重复方案
--------------可以使用余弦定理来给每个网页建立一个有意义的hash，参考“ 余弦定理和新闻的分类”。进一步可参考数组的唯一性问题来处理，这个复杂度大概是NlogN的，但网页重复度应该怎么定义呢？
