一，网页去重% R9 |$ v3 v+ Y9 C
" T0 ]: p% Z' L4 h& H$ }
并不是蜘蛛每抓取到一个新的页面就会添加索引（收录），而是要考虑这个网页有没有收率的价值，影响要不要收录某一已抓取下来的网页，一个比较重要的问题是：页面的重复度。* N# V; _* p3 G1 u7 w+ R& B
: r+ s, ]+ u. }3 a$ c/ P0 k& r
如果同一篇文章，或者具有高度相似度的文章，被多次收录，查询对应关键词是展现的搜索结果用户感兴趣的大部分的前5名，同一篇文收录太多是浪费搜索引擎服务器资源，并且也不能很好地维护原创，搜索引擎就无法给用户提供最新信息。( n$ l% X& H; K. P' f3 g- N, d
. r, B3 |. N7 C) B" }
二，信息结构化
+ ~6 O9 b. V4 I7 n9 {' j2 k* x* b7 p+ a; {/ V; f
爬取程序从互联网上下载页面资源添加到网页库，这个页面包含图片，锚文本，正文…等等信息。搜索引擎需要对网页信息结构化。获得网页中的：页面标题，锚文本，正文标题，正文…由此可见，一个网站所有页面标题都一样有多么可怕。3 Q7 @0 O+ b9 g: I5 v4 c
' X5 k5 E, ~- q9 g三，查重技术% x9 n; r& f* E$ C8 u" D/ G) ~
6 n* v+ |- d9 s Q! D0 N
这里并不是给大家介绍详细的搜索引擎进行网页查重的技术，举一个例子—要想知道两个网页的重复度，参考出现频率高和频率低的关键词是没有多少价值的，可以这样做：一篇文章中去除使用高频率的词jich.net boxuelun.com huayueting1.com，像我们，可能，但是，…这样的词，去除使用频率低的词，像四爷爷，红太郎，李白…两篇文章的中平率词进行对比。大家进行伪原创的时候，喜欢用“然而”代替“但是”，用“咱俩”代替”我们“。其实这些并不是搜索引擎查重的对象，如果进行再深度的高度伪原创，那就付出的代价也不少了。; t+ x% H6 b; I6 }& P$ G
/ E2 k" j( K* S以上只是一个例子，搜索引擎判断两篇文章相似度的方法有非常多，不付出稍微高成本的伪原创基本是不行的，高质量的伪原创相当于对原文的修饰，使其更适合读者阅读，也算是高质量的文章。3 `1 ]" X/ B/ m
& W9 g5 V; H0 I四，网页消重8 L' g9 y- T7 g) }' h
3 z/ d7 g* a# |( g
两个相似度非常高或者重复的文档，搜索引擎应该去掉哪一个，保留哪一个呢？一般有下面三种情况：
# v2 g, w z- @2 |8 Q3 u9 s: {" Z- X
（1）追踪文章的原创，保留原创。+ h# G: c" J. D4 p2 O2 q8 @
（2）保留用户多，曝光率较大的页面，使页面发挥最大价值。
! W1 U/ T/ L6 j% ~9 Y（3）保留最先被收录的页面，这样也是一定程度上保护版权。2 X& S) w$ E0 P6 H; {7 f- }# P
对于百度搜索引擎来说，我们看到的现象是2和3两种情况，网页消重，但是并不是绝对允许重复收录，我们去搜索一下还是有很多重复的文章。
: k4 e" X1 k/ y# R/ |0 I7 M$ s, `$ s9 I
追踪文章的原创出处，消耗大，而且不准确。保留用户多的页面，使网页多次被检索到，对搜索引擎的用户体验也是非常有利的，最先被收录的页面可以被认为伪原创页面。这样，我们经常会发现同一篇文章实际上被收录很多，是因为原创被保留，大平台转载的也保留。; E% Y2 |9 ?' U7 P
$ B: F5 }8 i' o
|
