了解搜索引擎網(wǎng)頁去重原理

1、網(wǎng)頁為何要去重?

　　對于搜索引擎來說，希望呈現(xiàn)給用戶的是新穎且吸引人的內(nèi)容，是高質(zhì)量的文章，而不是大量的“換湯不換藥”的套話;我們在做seo優(yōu)化，要進行內(nèi)容編輯時，難免會參考其他同類的文章，而這篇文章或許被多人采集過，這就導(dǎo)致了網(wǎng)絡(luò)上的相關(guān)信息大量的重復(fù)。

　　如果一個網(wǎng)站存在大量的惡劣采集內(nèi)容，不僅會影響用戶體驗，還會造成搜索引擎直接屏蔽該網(wǎng)站。之后網(wǎng)站上的內(nèi)容，蜘蛛再難抓取了，網(wǎng)站排名也無從談起。

2、搜索引擎工作原理

　　搜索引擎是指根據(jù)一定的策略、運用特定的計算機程序從互聯(lián)網(wǎng)上搜集信息，在對信息進行組織和處理后，為用戶提供檢索服務(wù)，將用戶檢索相關(guān)的信息展示給用戶的系統(tǒng)。

第一步：爬行

　　搜索引擎是通過一種特定規(guī)律的軟件網(wǎng)頁的鏈接，從一個鏈接爬到另外一個鏈接，像蜘蛛在蜘蛛網(wǎng)上爬行一樣，所以被稱為“蜘蛛”也被稱為“機器人”。搜索引擎蜘蛛的爬行是被輸入了一定的規(guī)則的，它需要遵從一些命令或文件的內(nèi)容。

第二步：抓取存儲

　　搜索引擎是通過蜘蛛鏈接爬行到網(wǎng)頁，并將爬行的數(shù)據(jù)存入原始頁面數(shù)據(jù)庫。其中的頁面數(shù)據(jù)與用戶瀏覽器得到的HTML是完全一樣的。搜索引擎蜘蛛在抓取頁面時，也做一定的重復(fù)內(nèi)容檢測，一旦遇到權(quán)重很低的網(wǎng)站上有大量抄襲、采集或者復(fù)制的內(nèi)容，很可能就不再爬行。

第三步：預(yù)處理

　　搜索引擎將蜘蛛抓取回來的頁面，進行各種步驟的預(yù)處理。除了HTML?文件外，搜索引擎通常還能抓取和索引以文字為基礎(chǔ)的多種文件類型，如?PDF、Word、WPS、XLS、PPT、TXT?文件等。我們在搜索結(jié)果中也經(jīng)常會看到這些文件類型。但搜索引擎還不能處理圖片、視頻、Flash這類非文字內(nèi)容，也不能執(zhí)行腳本和程序。

第四步：排名

　　用戶在搜索框輸入關(guān)鍵詞后，排名程序調(diào)用索引庫數(shù)據(jù)，計算排名顯示給用戶，排名過程與用戶直接互動的。但是，由于搜索引擎的數(shù)據(jù)量龐大，雖然能達到每日都有小的更新，但是一般情況搜索引擎的排名規(guī)則都是根據(jù)日、周、月階段性不同幅度的更新。

3、網(wǎng)頁去重的代表性方法

　　搜索引擎包括全文索引、目錄索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、門戶搜索引擎與免費鏈接列表等。?去重的工作一般在分詞之后索引之前，搜索引擎會在頁面已經(jīng)分出的關(guān)鍵詞中，提取部分具有代表性的關(guān)鍵詞進行計算，從而得出一個該網(wǎng)站關(guān)鍵詞的特征。目前,?網(wǎng)頁去重代表性方法有3種。

1)基于聚類的方法。該方法是基于網(wǎng)頁文本內(nèi)容以6763個漢字作為向量的基,?文本中某組或某個漢字所出現(xiàn)的頻率就構(gòu)成了代表網(wǎng)頁的向量,?通過計算向量的夾角確定是否是相同的網(wǎng)頁。

2)排除相同URL方法。各種元搜索引擎去重主要采用此方法。它分析來自不同搜索引擎的網(wǎng)頁URL,?URL?相同,?即被認為是相同的網(wǎng)頁,?可將其去除。

3)基于特征碼的方法。這種方法利用標點符號多數(shù)出現(xiàn)在網(wǎng)頁文本的特點,以句號兩邊各5?個漢字作為特征碼來唯一地表示網(wǎng)頁。

　　三種方法中，第一種和第三種大多數(shù)還是基于內(nèi)容來判定，所以很多時SEO人員會通過偽原創(chuàng)工具來修改文章內(nèi)容，但是很多時候偽原創(chuàng)工具會將原文改的不通順，這樣也不利于排名與收錄。

　　也有網(wǎng)站利用搜索引擎的漏洞，比如權(quán)重高的網(wǎng)站進行惡劣采集，因為權(quán)重高的網(wǎng)站蜘蛛會優(yōu)先抓取，所以這種做不利于一些權(quán)重低的網(wǎng)站。