什么是网页去重原理?搜索引擎是如何去重的?

本篇文章站长博客为大家介绍什么是网页去重原理?搜索引擎是如何去重的?

在互联网如此发达的今天,同一资料会在多个网站发布,同一新闻会被大部分媒体网站报道,再加上小站长和EO人员孜孜不倦地网络采集,造成了网络上拥有大量的重复信息。然而当用户搜索某个关键词时,搜索引擎必定不想呈现给用户的搜索结果都是相同的内容。抓取这些重复的网页,在一定意义上就是对搜索引擎自身资源的浪费,因此去除重复内容的网页也成了搜索引擎所面临的一大问题。

在一般的搜索引擎架构中,网页去重一般在Spider抓取部分就存在了,“去重”步骤在整个搜索引擎架构中实施得越早,越可以节约后续处理系统的资源使用。搜索引擎一般会对已经抓取过的重复页面进行归类处理,比如,判断某个站点是否包含大量的重复页面,或者该站点是否完全采集其他站点的内容等,以决定以后对该站点的抓取情况或是否直接屏蔽抓取。

去重的工作一般会在分词之后和索引之前进行(也有可能在分词之前),搜索引擎会在页面已经分出的关键词中,提取部分具有代表性的关键词,然后计算这些关键词的“指纹”。每一个网页都会有个这样的特征指纹,当新抓取的网页的关键词指纹和已索引网页的关键词指纹有重合时,那么该新网页就可能会被搜索引擎视为重复内容而放弃索引。

实际工作中的搜索引擎,不仅仅使用分词步骤所分出的有意义的关键词,还会使用连续切割的方式提取关键词,并进行指纹计算。连续切割就是以单个字向后移动的方式进行切词,比如,“百度开始打击买卖链接”会被切成“百度开”“度开始”“开始打”“始打击”“打击买”“击买卖”“买卖链”“卖链接”。然后从这些词中提取部分关键词进行指纹计算,参与是否重复内容的对比。这只是搜索引擎识别重复网页的基本算法,还有很多其他对付重复网页的算法。

因此网络上流行的大部分伪原创工具,不是不能欺骗搜索引擎,就是把内容做得鬼都读不通,所以理论上使用普通伪原创工具不能得到搜索引擎的正常收录和排名。但是由于百度并不是对所有的重复页面都直接抛弃不索引,而是会根据重复网页所在网站的权重适当放宽索引标

准,这样使得部分作弊者有机可乘,利用网站的高权重,大量采集其他站点的内容获取搜索流量。不过自2012年6月份以来,百度索多次升级算法,对采集重复信息、垃圾页面进行了多次重量级的打击。所以O在面对网站内容时,不应该再以伪原创的角度去建设,而需要以对

用户有用的角度去建设,然后者的内容不一定全部是原创,一般如果网站权重没有大问题,都会得到健康的发展。关于原创问题,本书后续会在第12章进行详细讨论。

另外,不仅仅是搜索引擎需要“网页去重,自己做网站也需要对站内页面进行去重。比如分类信息、B2B平合等UGC类的网站,如果不加以限制,用户所发布的信息必然会有大量的重复,这样不仅在SEO方面表现不好,站内用户体验也会降低很多。又如SEO人员在设计流量产品大批量产生页面时,也需要做一个重复过滤,否则就会大大降低产品质量。O人员所设计的流量产品常见的一般为以“聚合”为基础的索引页、专题页或目录页,“聚合”就必须有核心词,不加以过滤,海量核心词所扩展出来的页面就可能会有大量重复,从而导致该产品效果不佳,甚至会因此被搜索引擎降权。

“去重”算法的大概原理一般就如上所述,有兴趣的朋友可以了解一下I-Match、Shingle、SimHash及余弦去重具体算法。搜索引擎在做“网页去重”工作之前首先要分析网页,内容周围的“噪声”对去重结果多少会有影响,做这部分工作时只对内容部分操作就可以了,相对来说会简单很多,并且可以很有效地辅助产出高质量的“$EO产品”。

作为SEO人员只要了解实现原理就可以了,具体在产品中的应用,需要技术人员来实现。此外还涉及效率、资源需求等问题,并且根据实际情况“去重”工作也可以在多个环节进行(比如对核心词的分词环节),EO人员只要稍微了解一些原理,能够为技术人员建议几个方向就很不错了(技术人员并不是万能的,也有不熟悉、不擅长的领域,在特定时刻也需要别人提供思路)。如果EO人员能在这些方面和技术人员进行深入的交流,技术人员也会对SEO另眼相看,至少不会再认为“SEO人员就只会提改标题、改链接、改文字之类‘无聊’的需求”了。

文章为作者独立观点,不代表站长派立场,本文链接:https://zhanzhangpai.com/?p=1118

免责声明:本站部分内容来源互联网整理,如有侵权请联系站长删除。站长邮箱:1245911050@qq.com

(0)
上一篇 2022年2月23日 上午8:43
下一篇 2022年2月23日 上午8:48

相关推荐

  • 网站动态URL需要伪静态处理吗?

    今日问题: 网站动态URL需要伪静态处理吗? 正确答案: 网站url是静态或者动态对搜索引擎没有影响,但是建议尽量减少动态URL中的参数和URL的长度,同时不能让同一网页对应多个动…

    2021年11月16日
  • 清风算法4.0详情

    为保障用户的下载体验,让提供优质下载服务的站点得到合理的展现,促进下载行业生态良性发展,百度搜索将于近期升级清风算法,针对不符合规范的低质下载站,将限制其在百度搜索结果中的展现。 …

    2021年11月11日
  • 虚拟主机怎么设置404页面

    虚拟主机怎么设置404页面?操作流程如下: 1、在本地电脑制作一个404页面(404. html),上传到网站根目录。 2、登录虚拟主机后台,输入你的用户名和密码。 3、后台找到你…

    2022年3月15日
  • 如何用百度站长平台工具做SEO数据分析

    在大中型网站SEO服务项目的运作过程中,对数据的精细化分析以及由此推导而来的优化改进方向是提升效果的法宝,它能帮我们发现当前SEO策略的盲点,甚至突破网站SEO效果的阶段性瓶颈。今…

    2022年12月30日
  • 百度搜索落地页时间因子规范

    原文标题:百度搜索落地页时间因子规范 原文发布日期:2019-05-07 原文发布平台:百度搜索资源平台 一、前言 落地页时间因子是百度搜索判断网站收录、展示、排序结果的重要参考依…

    2022年7月6日
  • 落地页体验白皮书Q&A解答

    Q1:落地页要求中,展开询问按钮只能出现一次。但假如是问答页面,问题比较长,可以在每个问题后都放置展开询问按钮吗?A1:需要根据具体情况分析。如果是问答列表页,用户回答内容较长且内…

    2022年12月30日
  • 【SEO问答】网站只有首页排名,内页均无排名怎么解决?

    站长1: 去年年初网站内页大调整,包括内容细化和域名,开始排名收录无变化【网站每日流量是不成问题的,信息类网站,有固定客户】,过了三四个月,开始出现下滑,糟糕的是,这时候遇到了网站…

    2022年3月21日
  • 百度智能小程序体验优化指南 2.0

    “体验”对于智能小程序经营、获流等各个方面都有着举足轻重的影响:用户角度,体验影响着用户留存、消费意愿、信任度;规范角度,体验是智能小程序获取各种权益的重要门槛,进而影响流量获取的…

    2022年7月6日 搜索引擎
  • 百度站长平台工具解读

    一、百度搜索资源平台工具一览 百度搜索资源平台为开发者们提供了有助于搜索优化的各种工具与服务,包括资源提交、数据统计、搜索展现和站点优化与维护四部分。 △百度搜索资源平台搜索服务板…

    2022年12月30日
  • 网站专题页面如何优化?

    之前的文章中介绍了如何优化网站首页以及如何优化网站列表页,接下来介绍如何优化网站专题页。 专题页面可以当成带有明显文本介绍的网站首页来优化,页面Title、Keywords、Des…

    2022年3月14日