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的越早,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,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,当新抓取的网页的王建辞职文和已索引网页的关键词指纹有重合时,那么该网页就可能会被搜索引擎视为重复内容而放弃索引。
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
在面对网站内容时,不应该再以伪原创的角度去建设,而需要以对用户游泳的角度去建设,虽然后者的内容不一定全是原创,一般如果网站权重没有大问题,都会得到健康的发展。
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平台等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很多。
又如SEOer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。seoer所设计的流量产品常见的一般以“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。
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”“买链接”“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,具体的可以参考搜索引擎原理之中文分词技术这篇文章,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。
如没特殊注明,文章均为江浙沪网络推广,转载请注明来自https://www.seokaowo.com/html/news/