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

  • 什么是内链,常见的内链类型

    什么是内链? 内链其实很好理解,“内”也就是说内部的,“链”自然是指链接、点击可跳转的链接。那么内链:就是说网站内部(同一域名)中的页面与页面之间的链接(自己网站的内容链接到自己网…

    2022年3月15日
  • 什么是C位直达?如何参加C位直达?

    C位直达是百度搜索和百家号联合推出的内容生产计划,激励百家号优质创作者对搜索高频稀缺问题进行定向内容创作,创作者认领词包之后发布内容和摘要,搜索审核通过后即可解锁五大权益激励哦! …

    2022年12月6日
  • 百度搜索优质内容解读

    什么是优质内容? 如何生产优质内容? 如何让百度搜索选择我的内容? 说起内容生产,每个创作者都有许多“痛”和“懵”。 我们特地邀请了百度搜索产品经理佳岐,为开发者们从优化内容质量的…

    2022年12月30日
  • 为什么网站快照直接跳转到网页

    前面已经提过百度快照自身产品有问题而产生了自动跳转,这里来讨论一下站长怎么实现百度快照的跳转。大家知道实现URL跳转的方法一般是301和302重定向、Meta中Refresh和J。…

    2022年2月27日
  • 谷歌SEO-博文应该写多长?关于内容篇幅的“真相”

    大多数博客文章应该不少于 300 词。如果篇幅短于此,你就应该怀疑自己是否真的有什么重要的话要说了。 从 300 词开始,你就不应该以达成某个特定的字数(统计)为目标了。你的目标应…

    2022年2月4日
  • SEO的优势,SEO和SEM优势对比

    1、性价比高 无地域限制,全国搜索均有效;无时间限制,24小时排名在线,且长期有效 2、多平台 主要搜索引擎算法大同小异,优化1个平台多个平台都会有效果 3、流量精准 通过优化目标…

    2022年3月15日
  • 做SEO需要懂哪些技术

    有人说seo就是个打杂的,哪里缺人就要去哪里。从这句话我们可以隐约的看出可能要懂很多技术。 1、html基础 做seo需要让我们的网站被搜索引擎所喜欢(五点告诉你什么样的网站才能赢…

    2022年3月15日
  • 这些常见的百度搜索算法违规问题,千万别犯!

    百度搜索算法一直是开发者们关注的重点。你的站点或者智能小程序是否符合百度搜索算法规则?你的内容质量是否满足了用户需求?你的页面布局是否符合用户体验标准?一起来回顾一下百度搜索运营同…

    2022年12月30日
  • 网站HTML代码如何优化

    html代码是最为基础的网站制作语言,对于网站优化来说,html代码也有一定的影响,是特别需要注意的优化细节之一。 TITLE标签 title标签就是网页的标题,是一个对于网站优化…

    2022年3月15日
  • Robots文件应放在哪里?

    robots.txt 文件必须放在网站的根目录。 放在子目录的 Robots.txt 文件搜索引擎不能爬取到,所以不会起任何作用。 如: https://zhanzhangpai….

    2022年3月15日