初創(chuàng)企業(yè)需要建站的朋友看這篇文章，謝謝支持：我給不會(huì)敲代碼又想搭建網(wǎng)站的人建議

（接上一篇。。。。。）

預(yù)處理

在一些SEO材料中，“預(yù)處理”也被簡(jiǎn)稱(chēng)為“索引”，因?yàn)樗饕穷A(yù)處理最主要的步驟。
搜索引擎蜘蛛抓取的原始頁(yè)面，并不能直接用于查詢(xún)排名處理。搜索引擎數(shù)據(jù)庫(kù)中的頁(yè)面數(shù)都在數(shù)萬(wàn)億級(jí)別以上，用戶(hù)輸入搜索詞后，靠排名程序?qū)崟r(shí)對(duì)這么多頁(yè)面分析相關(guān)性，計(jì)算量太大，不可能在一兩秒內(nèi)返回排名結(jié)果。因此抓取來(lái)的頁(yè)面必須經(jīng)過(guò)預(yù)處理，為最后的查詢(xún)排名做好準(zhǔn)備。
和爬行抓取一樣，預(yù)處理也是在后臺(tái)提前完成的，用戶(hù)搜索時(shí)感覺(jué)不到這個(gè)過(guò)程。

1、提取文字
現(xiàn)在的搜索引擎還是以文字內(nèi)容為基礎(chǔ)。蜘蛛抓取到的頁(yè)面中的HTML 代碼,除了用戶(hù)在瀏覽器上可以看到的可見(jiàn)文字外，還包含了大量的HTML格式標(biāo)簽、JavaScript 程序等無(wú)法用于排名的內(nèi)容。搜索引擎預(yù)處理首先要做的就是從HTML文件中去除標(biāo)簽、程序，
提取出可以用于排名處理的網(wǎng)頁(yè)面文字內(nèi)容。
比如下面這段HTML 代碼:

<div id="post-1100" class="post-1100 post hentry category-seo">
<div class="posttitle">
<h2><a

rel="bookmark" title="Permanent Link to今天愚人節(jié)哈">今天愚人節(jié)哈</a></h2>

除去HTML 代碼后，剩下的用于排名的文字只是這一行:

今天愚人節(jié)哈`

除了可見(jiàn)文字，搜索引擎也會(huì)提取出一些特殊的包含文字信息的代碼，如 Meta標(biāo)簽中的文字、圖片替代文字、Flash 文件的替代文字、鏈接錨文字等。

2、中文分詞
分詞是中文搜索引擎特有的步驟。搜索引擎存儲(chǔ)和處理頁(yè)面及用戶(hù)搜索都是以詞為基礎(chǔ)的。英文等語(yǔ)言單詞與單詞之間有空格分隔，搜索引擎索引程序可以直接把句子劃分為單詞的集合。而中文詞與詞之間沒(méi)有任何分隔符，一個(gè)句子中的所有字和詞都是連在一起的。搜索引擎必須首先分辨哪幾個(gè)字組成一個(gè)詞，哪些字本身就是一個(gè)詞。比如“減肥方法”將被分詞為“減肥”和“方法”兩個(gè)詞。
中文分詞方法基本上有兩種，一種是基于詞典匹配，另一種是基于統(tǒng)計(jì)，基于詞典匹配的方法是指，將待分析的一段漢字與一個(gè)事先造好的詞典中的詞條進(jìn)行匹配，在待分析漢字串中掃描到詞典中已有的詞條則匹配成功，或者說(shuō)切分出一個(gè)單詞。
按照掃描方向，基于詞典的匹配法可以分為正向匹配和逆向匹配。按照匹配長(zhǎng)度優(yōu)先級(jí)的不同，又可以分為最大匹配和最小匹配。將掃描方向和長(zhǎng)度優(yōu)先混合，又可以產(chǎn)生正向最大匹配、逆向最大匹配等不同方法，
詞典匹配方法計(jì)算簡(jiǎn)單，其準(zhǔn)確度在很大程度上取決于詞典的完整性和更新情況。
基于統(tǒng)計(jì)的分詞方法指的是分析大量文字樣本，計(jì)算出字與字相鄰出現(xiàn)的統(tǒng)計(jì)概率，幾個(gè)字相鄰出現(xiàn)越多，就越可能形成一個(gè)單詞。基于統(tǒng)計(jì)的方法的優(yōu)勢(shì)是對(duì)新出現(xiàn)的詞反應(yīng)更快速，也有利于消除歧義。
基于詞典匹配和基于統(tǒng)計(jì)的分詞方法各有優(yōu)劣，實(shí)際使用中的分詞系統(tǒng)都是混合使用兩種方法的，快速高效，又能識(shí)別生詞、新詞，消除歧義。
中文分詞的準(zhǔn)確性往往影響搜索引擎排名的相關(guān)性。比如在百度搜索“搜索引擎優(yōu)化”，百度把“搜索引擎優(yōu)化”這六個(gè)字當(dāng)成一個(gè)詞。
而在Google 搜索同樣的詞，Google 將其分切為“搜索"、“引擎”和“優(yōu)化”三個(gè)詞。顯然百度切分得更為合理，搜索引擎優(yōu)化是一個(gè)完整的概念。Google分詞時(shí)傾向于更為細(xì)碎。

再舉一個(gè)更明顯的例子。在Google搜索“點(diǎn)石互動(dòng)”四個(gè)字，Google 將其切分為“點(diǎn)”，“石”及“互動(dòng)”三個(gè)詞。“點(diǎn)石互動(dòng)”這個(gè)中文SEO領(lǐng)域
最知名的品牌，顯然并沒(méi)有進(jìn)入Google 的詞典中。

在百度搜索“點(diǎn)石互動(dòng)”時(shí)會(huì)發(fā)現(xiàn)，百度將“點(diǎn)石互動(dòng)”當(dāng)做一個(gè)詞。甚至在百度搜索“點(diǎn)石大會(huì)報(bào)名”，可以發(fā)現(xiàn)百度把“點(diǎn)石大會(huì)”都當(dāng)成一個(gè)詞。
這種分調(diào)上的不同很可能是一些關(guān)鍵詞排名在不同搜索引擎有不同表現(xiàn)的原因之一。
比如百度更喜歡將搜索詞完整匹配地出現(xiàn)在頁(yè)面上，也就是說(shuō)搜索“點(diǎn)石互動(dòng)”時(shí)，這四個(gè)字連續(xù)完整出現(xiàn)更容易在百度獲得好的排名。Google就與此不同，不太要求完整匹配。
一些頁(yè)面出現(xiàn)“點(diǎn)石”和“互動(dòng)”兩個(gè)詞，但不必完整匹配地出現(xiàn)，“點(diǎn)石”出現(xiàn)在前面，“互動(dòng)”出現(xiàn)在頁(yè)面的其他地方，這樣的頁(yè)面在Google搜索“點(diǎn)石互動(dòng)”時(shí)，也可以獲得不錯(cuò)的排名。
搜索引擎對(duì)頁(yè)面的分詞取決于詞庫(kù)的規(guī)模、準(zhǔn)確性和分詞算法的好壞，而不是取決于頁(yè)面本身如何，所以SEO人員對(duì)分詞所能做的很少。唯一能做的是在頁(yè)面上用某種形式提示搜索引擎，某幾個(gè)字應(yīng)該被當(dāng)做一個(gè)調(diào)處理，尤其是可能產(chǎn)生歧義的時(shí)候，比如在頁(yè)面標(biāo)題、h1標(biāo)簽及黑體中出現(xiàn)關(guān)鍵詞。如果頁(yè)面是關(guān)于“和服”的內(nèi)容，那么可以把“和服”這兩個(gè)字特意標(biāo)為黑體。如果頁(yè)面是關(guān)于“化妝和服裝”，可以把“服裝”兩個(gè)字標(biāo)為黑體。這樣，搜索引擎對(duì)頁(yè)面進(jìn)行分析時(shí)就知道標(biāo)為黑體的應(yīng)該是一個(gè)詞。

3、去停止詞
無(wú)論是英文還是中文，頁(yè)面內(nèi)容中都會(huì)有一些出現(xiàn)頻率很高，卻對(duì)內(nèi)容沒(méi)有任何影響的詞，如“的”、“地”、“得”之類(lèi)的助詞，“啊”、“哈”、“呀”之類(lèi)的感嘆詞，“從而”、“以”、“卻”之類(lèi)的副詞或介詞。這些詞被稱(chēng)為停止調(diào)，因?yàn)樗鼈儗?duì)頁(yè)面的主要意思沒(méi)什
么影響。英文中的常見(jiàn)停止詞有the, a, an, to, of 等。
搜索引擎在索引頁(yè)面之前會(huì)去掉這些停止詞，使索引數(shù)據(jù)主題更為突出，減少無(wú)謂的計(jì)算量。

4、消除噪聲
絕大部分頁(yè)面上還有一部分內(nèi)容對(duì)頁(yè)面主題也沒(méi)有什么貢獻(xiàn)，比如版權(quán)聲明文字、導(dǎo)航條、廣告等。以常見(jiàn)的博客導(dǎo)航為例，幾乎每個(gè)博客頁(yè)面上都會(huì)出現(xiàn)文章分類(lèi)、歷史存檔等導(dǎo)航內(nèi)容，但是這些頁(yè)面本身與“分類(lèi)”、“歷史”這些詞都沒(méi)有任何關(guān)系。用戶(hù)搜索“歷史”、“分類(lèi)”這些關(guān)鍵詞時(shí)僅僅因?yàn)轫?yè)面上有這些聞出現(xiàn)而返回博客帖子是毫無(wú)意義的，完全不相關(guān)。所以這些區(qū)塊都屬于噪聲，對(duì)頁(yè)面主題只能起到分散作用。
搜索引擎需要識(shí)別并消除這些噪聲，排名時(shí)不使用噪聲內(nèi)容。消噪的基本方法是根據(jù)HTML.標(biāo)簽對(duì)頁(yè)面分塊，區(qū)分出頁(yè)頭、導(dǎo)航、正文、頁(yè)腳、廣告等區(qū)域，在網(wǎng)站上大量重復(fù)出現(xiàn)的區(qū)塊往往屬于噪聲。對(duì)頁(yè)面進(jìn)行消噪后，剩下的才是頁(yè)面主體內(nèi)容。

5、去重
搜索引擎還需要對(duì)頁(yè)面進(jìn)行去重處理，同一篇文章經(jīng)常會(huì)重復(fù)出現(xiàn)在不同網(wǎng)站及同一個(gè)網(wǎng)站的不同網(wǎng)址上，搜索引擎并不喜歡這種重復(fù)性的內(nèi)容。用戶(hù)搜索時(shí)，如果在前兩頁(yè)看到的都是來(lái)自不同網(wǎng)站的同一篇文章，用戶(hù)體驗(yàn)就太差了，雖然都是內(nèi)容相關(guān)的。搜索引擎希望只返回相同文章中的一篇，所以在進(jìn)行索引前還需要識(shí)別和刪除重復(fù)內(nèi)容，這個(gè)過(guò)程就稱(chēng)為“去重”。

去重的基本方法是對(duì)頁(yè)面特征關(guān)鍵詞計(jì)算指紋，也就是說(shuō)從頁(yè)面主體內(nèi)容中選取最有代表性的一部分關(guān)鍵詞(經(jīng)常是出現(xiàn)頻率最高的關(guān)鍵詞)，然后計(jì)算這些關(guān)鍵詞的數(shù)字指紋。這里的關(guān)鍵詞選取是在分詞、去停止詞、消噪之后。實(shí)驗(yàn)表明，通常選取10個(gè)特征關(guān)鍵詞就可以達(dá)到比較高的計(jì)算準(zhǔn)確性，再選取更多詞對(duì)去重準(zhǔn)確性提高的貢獻(xiàn)也就不大了。

典型的指紋計(jì)算方法如MDS 算法(信息摘要算法第五版)。這類(lèi)指紋算法的特點(diǎn)是，輸入(特征關(guān)鍵詞)有任何微小的變化，都會(huì)導(dǎo)致計(jì)算出的指紋有很大差距。了解了搜索引擎的去重算法，SEO人員就應(yīng)該知道簡(jiǎn)單地增加“的”、“地”“得”調(diào)換段落順序這種所謂偽原創(chuàng)，并不能逃過(guò)搜索引擎的去重算法，因?yàn)檫@樣的操作無(wú)法改變文章的特征關(guān)鍵詞。而且搜索引擎的去重算法很可能不止于頁(yè)面級(jí)別，而是進(jìn)行到段落
級(jí)別，混合不同文章、交叉調(diào)換段落順序也不能使轉(zhuǎn)載和抄襲變成原創(chuàng)。

6、正向索引
正向索引也可以簡(jiǎn)稱(chēng)為索引。
經(jīng)過(guò)文字提取、分詞、消噪、去重后，搜索引擎得到的就是獨(dú)特的、能反映頁(yè)面主體內(nèi)容的、以詞為單位的內(nèi)容。接下來(lái)搜索引擎索引程序就可以提取關(guān)鍵詞，按照分詞程序劃分好的詞，把頁(yè)面轉(zhuǎn)換為一個(gè)關(guān)鍵詞組成的集合，同時(shí)記錄每一個(gè)關(guān)鍵詞在頁(yè)面上的出現(xiàn)頻率、出現(xiàn)次數(shù)、格式(如出現(xiàn)在標(biāo)題標(biāo)簽、黑體、H標(biāo)簽、錨文字等)、位置(如頁(yè)面第一段文字等)。這樣，每一個(gè)頁(yè)面都可以記錄為一串關(guān)鍵詞集合，其中每個(gè)關(guān)鍵詞的詞頻、格式、位置等權(quán)重信息也都記錄在案。
搜索引擎索引程序?qū)㈨?yè)面及關(guān)鍵詞形成詞表結(jié)構(gòu)存儲(chǔ)進(jìn)索引庫(kù)。簡(jiǎn)化的索引詞表形式如下圖

每個(gè)文件都對(duì)應(yīng)一個(gè)文件ID,文件內(nèi)容被表示為一串關(guān)鍵詞的集合。實(shí)際上在搜索引擎索引庫(kù)中，關(guān)鍵詞也已經(jīng)轉(zhuǎn)換為關(guān)鍵詞ID。這樣的數(shù)據(jù)結(jié)構(gòu)就稱(chēng)為正向索引。

7、倒排索引
正向索引還不能直接用于排名。假設(shè)用戶(hù)搜索關(guān)鍵詞2，如果只存在正向索引，排名程序需要掃描所有索引庫(kù)中的文件，找出包含關(guān)鍵詞2的文件，再進(jìn)行相關(guān)性計(jì)算。這樣的計(jì)算量無(wú)法滿(mǎn)足實(shí)時(shí)返回排名結(jié)果的要求，所以搜索引擎會(huì)將正向索引數(shù)據(jù)庫(kù)重新構(gòu)造為倒排索引，把文件對(duì)應(yīng)到關(guān)鍵詞的映射轉(zhuǎn)換為關(guān)鍵詞到文件的映射，如下表

在倒排索引中關(guān)鍵詞是主鍵，每個(gè)關(guān)鍵詞都對(duì)應(yīng)著一系列文件，這些文件中都出現(xiàn)了這個(gè)關(guān)鍵詞。這樣當(dāng)用戶(hù)搜索某個(gè)關(guān)鍵詞時(shí)，排序程序在倒排索引中定位到這個(gè)關(guān)鍵詞,就可以馬上找出所有包含這個(gè)關(guān)鍵詞的文件。

8、鏈接關(guān)系計(jì)算
鏈接關(guān)系計(jì)算也是預(yù)處理中很重要的一部分。現(xiàn)在所有的主流搜索引擎排名因素中都包含網(wǎng)頁(yè)之間的鏈接流動(dòng)信息。搜索引擎在抓取頁(yè)面內(nèi)容后，必須事前計(jì)算出:頁(yè)面上有哪些鏈接指向哪些其他頁(yè)面，每個(gè)頁(yè)面有哪些導(dǎo)入鏈接，鏈接使用了什么錨文字，這些復(fù)雜的鏈接指向關(guān)系形成了網(wǎng)站和頁(yè)面的鏈接權(quán)重。
Google PR值就是這種鏈接關(guān)系的最主要體現(xiàn)之一。其他搜索引擎也都進(jìn)行類(lèi)似計(jì)算，雖然它們并不稱(chēng)為PR，由于頁(yè)面和鏈接數(shù)量巨大，網(wǎng)上的鏈接關(guān)系又時(shí)時(shí)處在更新中，因此鏈接關(guān)系及PR的計(jì)算要耗費(fèi)很長(zhǎng)時(shí)間。

9、特殊文件處理
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(lèi)型，如PDF、Word、WPS、XLS、PPT、TXT文件等。我們?cè)谒阉鹘Y(jié)果中也經(jīng)常會(huì)看到這些文件類(lèi)型。但目前的搜索引擎還不能處理圖片、視頻、Flash這類(lèi)非文字內(nèi)容，也不能執(zhí)行腳本和程序。
雖然搜索引擎在識(shí)別圖片及從Flash 中提取文字內(nèi)容方面有些進(jìn)步，不過(guò)距離直接靠讀取圖片、視頻、Flash內(nèi)容返回結(jié)果的目標(biāo)還很遠(yuǎn)。對(duì)圖片、視頻內(nèi)容的排名還往往是依據(jù)與之相關(guān)的文字內(nèi)容，詳細(xì)情況可以參考后面的整合搜索部分。

（未完待續(xù)。。。。。）
文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-854682.html

到了這里，關(guān)于SEO之搜索引擎的工作原理（二）的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！